基于神经网络模式识别的板形模糊控制器

提出一种基于CMAC(Cerebellar Model Articulation Controller)神经网络的板形缺陷模式识别方法,并基于模式识别结果设计了板形模糊控制器.将模式识别与控制器设计合二为一,利用CMAC神经网络识别出相对于6种常见板形缺陷基本模式的隶属度,直接作为板形模糊控制器的前件部,实现了隶属度的求取功能.通过对板形缺陷特征的分析,合理定义了模糊集合,大大地减少了模糊推理的计算量.仿真结果表明,该板形模式识别方法识别精度高,设计的板形模糊控制器可以快速将板形缺陷控制到期望目标,板形控制性能良好.     

基于遗传算法反向传播模型的板形模式识别

针对在板形模式识别中, 反向传播（BP）网络对未知板形识别能力差和遗传算法（GA）优化神经网络初始权重过程复杂等问题, 提出一种基于多维空间优化的遗传算法优化BP网络初始权重的板形模式识别GA-BP模型, 该模型直接以网络权重构造多维空间染色体, 以训练样本误差和测试样本误差相结合作为遗传算法的适应度函数, 以较大的网络期望误差和低的进化程度为网络的训练策略. 研究结果表明： 基于多维空间的遗传优化方法, 建模简单, 无需编码、解码, 大大减少了编程计算量;GA-BP模型有效提高了BP网络对未知板形的识别能力和识别精度, 在工业试验中, GA-BP模型板形模式识别结果跟板形仪的实测板形非常接近.     

冷轧带钢板形检测信号模式识别方法的进展

结合板形控制技术的发展，阐述了板形检测信号模式识别方法的发展过程。分析比较了各主要模式识别方法的特点。对板形模式识别方法的发展趋势进行了讨论。     

基于模糊距离的BP网络板形信号模式识别的研究

介绍了一种新的板形信号模式识别方法 .该方法基于待识别信号与标准样本之间的模糊距离 ,并将模糊距离作为 BP网络的输入 ,有效地解决了在板材宽度变化时神经网络的拓扑结构形式不变的问题     

基于改进T-S云推理网络的板形模式识别方法

将云模型与T-S模糊神经网络相结合,利用正态云代替模糊神经网络的隶属度函数,构成T-S云推理网络.该网络综合考虑了模糊逻辑的快速性和云模型处理数据的不确定性,增强了网络处理数据的能力,同时分析了T-S云推理网络的结构和稳定性.在超熵确定的情况下,使用最速下降法辨识了T-S云推理网络的参数,将该网络应用于板形模式识别,并与T-S模糊神经网络作了对比.仿真结果表明:T-S云推理网络抗干扰能力较强,能够识别出常见的板形缺陷,并且识别精度较高.     

基于遗传优化的粗糙神经网络模式识别器及应用

通过粗糙集获取知识表达系统的分类规则，用产生的规则对神经网络进行编码，并利用遗传算法对初步学习后的神经网络的权值进行优化，最终得到一个神经网络模式识别器。举例说明了采用这种方法得到模式识别器的过程及其对待识别对象的学习和分类效果。结果表明：采用粗糙规则对神经网络编码可以缩短神经网络的训练过程，遗传算化对神经网络权值的优化可在一定程度上提高模式识别的精度。     

基于多传感器的神经网络模式识别方法

提出基于样本信息量不减少和减小误差的原则下，提取样本数据的综合指标的处理方法，从而克服传统识别方法中样本数据过大，而且存在误差和干扰，严重影响识别速度和效果的困难。改善了神经网络模式识别的效果。     

基于量子粒子群算法的BP网络板形模式识别研究

针对目前板形模式识别方法存在的问题,以及考虑到现代轧机板形控制手段的多样化和板形控制能力的提高,为了提高板形模式识别模型的精度,本文以1次、2次、3次和4次勒让德正交多项式为板形基本模式,建立了基于量子粒子群-BP算法混合优化神经网络的新型板形模式识别模型。仿真实验表明,该模型抗干扰能力强、识别精度高、速度快,可以为板形控制策略的制定提供可靠依据。     

基于模糊神经网络的煤矸石模式识别方法研究

提出了一种基于标准模型模糊神经网络的煤矸石识别方法,介绍了该方法的数学模型,网络结构及学习算法,并通过一个仿真实验对如何应用这种方法我建实时分选系统作了详细描述,实验结果表明该方法所用神经网络不仅收敛,而且具有良好的泛化能力。     

一种新的神经网络畸变不变模式识别方法

本文以Ｗｉｄｒｏｗ等人的方法为基础，提出一种新的神经网络畸变不模式识别方法－－最小距离畸变不变模式识别网络。数值模拟显示，新方法具有完全的畸变不变性，相当高的识别精度、实时的识别速度、强大的抗噪能力、极短的自适应时间以及显著降低的运算量。     

基于遗传算法的神经网络在局部放电模式识别中的应用

针对ＢＰ神经网络（ＮＮ） 在大型发电机局部放电模式识别中存在的收敛速度慢、容易陷入局部极小点的问题,提出采用遗传算法（ＧＡ） 作为神经网络的学习算法．并且根据神经网络结构的特点,构造了新的遗传算子．结果表明,与ＢＰ神经网络相比,ＧＡ 神经网络的收敛性能和推广能力都有了明显提高     

彩色模式识别中的神经网络

提出实拍标准彩色集、建立纠偏数据库的方案，以减轻偏色的影响；构造一个两级人工神经网络系统，分别为纠偏数据库的快速匹配、色彩集的快速变换提供了保证。     

一种应用于模式识别的神经网络模型

本文首先引入了感知神经元，建立了一种应用于模式识别的三层神经网络模型．对于任一组二元标准模式（二元图象或特征值序集），我们根据给定模式及要求设计神经网络，使之对输入模式进行识别．这种神经网络结构明确，易于实现，其实施有助于提高模式识别系统的执行速度与识别能力．     

基于神经网络的机动车号牌字符识别

以定位、 分割后的机动车号牌字符为研究对象. 首先, 对机动车号牌图像进行大小、 灰度方差、 灰度均值的标准化处理. 其次, 根据机动车号 牌字符的特点, 抽取字符3种不同的特征, 构造3个BP神经网络对机动车号牌字符进行识别. 并根据字符在机动车号牌中所处位置的差异, 在每个BP神经网络中构造4种不同的子网络分 别进行训练和识别. 最后, 每个BP神经网络的输出通过加权求和的组合方式得到最终识别结 果. 在组合各网络输出前, 采用对字符图像求取局部二阶差分值的方法, 将字形相近的字符 进行再分类, 从而有效地降低误识率. 通过分析实验结果, 表明本算法在机动车号牌识 别应用中达到了理想的识别效果.     

基于神经网络的几种控制图表模式的识别研究

建立一个复合的神经网络模型,使其可以更精确的判断输入的控制图模式,同时利用该网络模型的再分类功能,可以减少判断不同模式时所造成的误判断.通过对各种模式的训练和仿真,表明该方法相对于传统方法有较大的优势.     

基于模糊神经网络的煤矸石模式识别方法研究

提出了一种基于标准模型模糊神经网络的煤矸石识别方法．介绍了该方法的数学模型、网络结构及学习算法,并通过一个仿真实验对如何应用这种方法构建实时分选系统作了详细描述．实验结果表明该方法所用神经网络不仅收敛,而且具有良好的泛化能力