基于改进型神经网络的双目摄像机标定

摄像机标定是机器视觉中最重要的环节之一,传统标定方法运算量大、计算复杂,非常繁琐。为解决标定存在的若干问题,提出基于改进神经网络的双目视觉摄像机标定方法。通过对双目摄像机有效模型分析,建立空间点图像坐标与世界坐标非线性映射关系,同时引入自适应学习算法,实现隐层神经元的自适应选取,并且在创建网络模型前对样本数据进行归一化处理,提前终止策略,使网络泛化能力得到极大改善。通过与经典标定方法进行比较,表明基于改进型神经网络标定方法能获得较好的双目标定精度。     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

基于ELM神经网络的FAST节点位移预测研究

针对ELM神经网络隐含层节点数目需要人工设定,容易出现过拟合现象从而导致网络的泛化能力降低的问题,引出了基于误差最小化的ELM神经网络的改进方法 EM_ELM算法,并在理论上论证了EM_ELM算法对于提高ELM神经网络预测精度和泛化能力的可行性.随后将EM_ELM算法应用到FAST节点位移的预测模型中,并且进行了仿真验证.仿真结果表明虽然EM_ELM神经网络在训练时间上有了一定的损失,但是仍能满足实时性的要求,而且它的预测精度和泛化能力都得到提升,证明了改进算法的有效性与可行性,进一步说明了EM_ELM神经网络更适合应用于FAST节点位移预测.     

一种基于小波神经网络的图像融合方法

图像融合结合图像处理、信号处理、计算机和人工智能等相关技术．通过对多源图像数据信息的提取合成,从而获得同一场景目标较为准确全面的图像描述．神经网络具有强大的非线性映射逼近能力,将神经网络用来进行滤波融合,避免了传统滤波图像变模糊问题．通过小波神经网络自适应动量快速学习算法进行图像滤波融合,能从根本上避免局部最优,且加快收敛速度,具有很强的学习和泛化能力,也避免了网络结构盲目设计．仿真实验表明,用本方法实现的融合图像更加符合人的视觉特性．     

基于神经网络的非正常工况预报

分析了PTA生产中氧化反应器尾氧浓度的影响因素,提出一种用小波分析对数据进行降噪处理的方法。采用BP神经网络并对其进行了一定程度的改进。通过降噪前后的网络仿真结果对比,表明基于小波降噪的神经网络具有更好的精度和更强的泛化能力。用此网络预测尾氧浓度,实现了对非正常工况的预报。通过实际对比,表明该网络能够较理想地预报出非正常情况。     

小波神经网络结构设计新算法

依据训练数据集,构造多分辨率的小波节点库,再根据输入给出小波节点的输出向量．在此基础上,把一种非线性动态系统模型结构确定和参数估计方法与小波网络相结合,提出一种新的小波网络学习算法．该算法权衡网络的规模和精度两方面因素,自动地确定网络的节点数目,可以得到在ＢＩＣ准则下最优的小波神经网络．仿真结果表明,用本算法设计得到的小波神经网络具有较小的网络规模,同时还具有很好的推广性能     

基于阻滞增长神经网络的双目视觉标定方法

针对传统相机标定方法存在的精度不高和反向传播(BP)神经网络训练结果对初始权重和阈值的敏感性等问题,利用模拟生物界种群规模动态平衡的阻滞增长机制,构建阻滞增长神经网络,对BP神经网络的初始权重和阈值进行优化,消除了初始权重和阈值随机性对神经网络计算结果的影响.设计了比较实验,以验证阻滞增长神经网络的优越性.针对实验过程中传统Harris角点检测算法存在的漏检测和误检测等问题,提出了一种改进Harris角点检测算法,使得实验中所得到的双目视觉系统的标定精度满足比较实验的要求.比较实验表明:与BP神经网络方法相比,采用阻滞增长神经网络进行双目视觉系统标定具有更好的收敛性和求解精度.     

小波神经网络在人脸识别中的应用

人脸识别是一个涉及生理学、心理学、图像处理、计算机视觉、模式识别和数学等多个学科的前沿课题。小波神经网络是在小波分析研究获得突破的基础上提出的一种前馈性网络,避免了BP网络等结构设计上的盲目性,网络训练过程从根本上避免了局部最优等非线性优化问题,有较强的函数学习能力和推广能力。基于小波神经网络,文中提出了一种新的人脸识别算法。该算法利用小波多分辨特性和神经网络的鲁棒性和记忆性,同时结合了加速网络收敛速度的小波神经网络步长调整算法。实验证明该算法有高的检测率和有效性。     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点.本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算.预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络.     

基于Mahalanobis距离与BP网络的图像小波标定识别技术

针对计算机芯片检测,提出了基于Mahalanobis距离与BP人工神经网络的小波图像识别技术．在对Ic芯片图像进行二维小波分析后,通过Mahalanobis距离在图像的低频小波系数矩阵上进行目标图元的区域搜索与位置标定,而后根据待定目标图元像素分布特征建立特征参数向量,建立BP网络对目标图元进行模式识别．实验证明此方法能够有效地对IC图像进行目标图元的位置标定与模式识别,获得准确的IC标定识别结果．     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。     

基于BP神经网络的虹膜图像质量分类方法

摘要：针对虹膜图像采集过程中受光照条件不足、眼镜反光和眼皮遮挡等因素的影响而造成的图像质量不理想的问题,本文提出了一种基于BP神经网络的虹膜图像质量的分类方法。利用小波变换对每一幅虹膜图像进行特征提取,进而将提取的归一化虹膜图像数据作为BP神经网络的输入,以此对BP神经网络进行训练,实现了将3种被不同的影响因素影响的虹膜图像与未被影响图像进行区分的目的。仿真结果表明,该方法具有较高的虹膜分类精度以及较低的误差率。     

一种基于NARMAX模型的小波神经网络构造和实现

提出了一种基于NARMAX模型的小波神经网络结构确定和权系数估计算法.采用NARMAX模型和双正交小波函数来构造小波神经网络,识别人脸图像,实验结果表明用本文构造的小波神经网络能提高识别正确率和识别速度.     

一种数据缺损条件下的小波神经网络收敛算法

针对神经网络训练数据缺损,造成逼近精度和推广能力大幅下降的问题,提出一种在数据缺损情况下的收敛算法。理论和试验证明该箅法能够有效地提高神经网络在数据缺损情况下的精度和推广能力。     

增量构造负相关异构神经网络集成的方法

基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方法包括构造最佳异构网络(BHNN)和构造异构网络集成(HNNE)两个部分,BHNN基于负相关学习动态构造多个最佳网络,HNNE利用训练好的最佳网络增量地构造异构NNE.使用网络泛化误差和集成泛化误差,整个集成过程可自动完成,无需预先确定成员网络的结构.分别对回归和分类问题进行了实验,相对于单个网络,该方法在测试数据集上的错误率降低了17%～85%,与已有的Boosting、Bagging等网络集成方法相比,错误率也有不同程度的改善.     

基于小波与神经网络的图像分割

图像分割是图像处理的一个经典难题,分割方法也有很多种,但没有一种是万能的方法,都很难在分割效率和分割精度上达到平衡.随着小波分析理论和人工神经丹络在图像处理中的广泛应用,基于小波与人工神经网络相结合的图像分割方法可以更快、更好的分割图像.     

基于多DSP混合结构的Gabor小波神经网络图像目标识别

提出了一种基于多DSP混合结构的Gabor小波神经网络图像目标识别新方法.利用TMS320C5409设计了多DSP混合结构系统,根据并-串结构系统的特点,设计了Gabor小波神经网络算法.算法被分成不同的并-串结构进行运算,利用串行的DSP-1进行Gabor小波变换提取图像目标的特征向量,并输入到采用不同网络结构的并行多DSP进行BP网络运算,串行的DSP6对BP网络输出的后验概率进行加权平均,给出分类结果.对9种飞机目标进行了分类识别仿真实验.实验结果表明,该方法应用于多目标识别时,识别时间为2.8 ms,识别率达到98%.     

Wavelet Neural Networks for Adaptive Equalization by Using the Orthogonal Least Square Algorithm

Equalizers are widely used in digital communication systems for corrupted or time varying channels. To overcome performance decline for noisy and nonlinear channels, many kinds of neural network models have been used in nonlinear equalization. In this paper, we propose a new nonlinear channel equalization, which is structured by wavelet neural networks. The orthogonal least square algorithm is applied to update the weighting matrix of wavelet networks to form a more compact wavelet basis unit, thus obtaining good equalization performance. The experimental results show that performance of the proposed equalizer based on wavelet networks can significantly improve the neural modeling accuracy and outperform conventional neural network equalization in signal to noise ratio and channel non-linearity.