Rough集-神经网络系统在信息融合目标识别中的应用

研究了Rough集和神经网络方法在信息融合目标识别中的应用 .提出将神经网络学习机制引入到Rough集系统 ,同时通过Rough集的条件和决策属性构造神经网络结构 ,并针对三种不同谱段下的三种不同目标图像进行了实验 ,试验表明 ,Rough集 神经网络相结合的识别算法的识别率要明显高于单独使用一种融合算法的识别率 ,训练时间也大大缩短 .     

粗集目标识别方法研究

为提取传感器获得的较粗糙的原始信息,运用粗集理论进行目标识别信息的处理,提出了一种采用关系表存储原始信息,通过简化关系表删去冗余信息,从而达到提取有用信息的处理方法。通过实例探讨了粗集目标识别方法,并对结果进行了分析。     

基于S-粗集的粗数据规律识别

利用S-粗集,给出粗数据的概念,粗数据具有动态特性;给出粗数据规律生成;提出粗数据规律生成定理,粗数据规律还原定理;给出粗数据规律识别准则与可分辨定理;给出粗数据规律的应用。     

基于粗集理论的神经网络

在分析了粗集理论方法和人工神经网络方法两者各自的特点与共同之处后,首先探讨粗集学习与神经网络学习的结合方法,然后提出一种基于粗集预处理的神经网络系统,最后给出一个基于粗集方法作为信息预处理的神经网络文字识别的例子,来说明基于粗集的神经网络系统的优越性     

基于粗集理论的雷达辐射源信号识别

将粗集理论（RST）引入到雷达辐射源信号（RES）识别中，提出一种区间连续属性离散化新方法及相应的特征选择算法，将RST与神经网络（NN）结合，设计粗集神经网络（RNN）分类器．实验结果表明，该方法解决了已有方法难以处理的区间连续属性离散化问题，获得的正确识别率比其他3种方法分别高出7．29％、4．34％和4．00％．RNN的平均训练代数比NN少97．54，RNN的平均识别率比NN高2．84％，这表明RNN具有比NN更好的分类能力和泛化能力，从而证实了该方法的有效性和可行性．     

基于粗集和神经网络的煤矿井下危险度评估

结合煤矿探测机器人,提出了一种井下气体危险度评估的新算法：首先利用粗集理论对煤矿井下环境的各类数据进行属性和对象约简,然后把简化后的样本数据输入到神经网络进行训练,利用其输出结果进行系统危险度预测和评价。该算法综合了粗集的简化功能与神经网络分类的强鲁棒性的优点,实验证明其模型结构简单,可有效地评估井下危险度,为环境安全评估建模提供了一种新的途径。     

粗集神经网络在图像融合滤波中的应用研究

传统的或改进型的中值滤波器,很难在图像噪声滤除和细节保留两方面兼顾与平衡.本文基于粗神经元构建了一种粗集神经网络,该粗集神经网络对5×5中值滤波器和多级FIR中值混合滤波器MFMHF(Multilevel FIR-Median Hybrid Filter)的处理结果进行融合.由于粗神经元的不可微性,BP算法不再适用,因此本文采用遗传算法GA来进行网络权值的学习,同时融入具有局部搜索能力的爬山法改善了进化后期的计算效率.仿真试验表明,粗集神经网络在图像融合滤波方面的性能优于BP网络和一般的中值滤波器.     

一种基于粗集的模糊神经网络

提出了基于粗集的模糊神经网络(RSNFN),利用粗集理论从数据样本中获取约简的规则集作为模糊神经网络的规则,使得规则数目减少,克服了当输入维数高时,模糊神经网络模糊规则过多,结构过于庞大的缺点.同时利用遗传算法对连续属性的最优离散化值进行寻优,从而获得最优的网络结构.最后用RSNFN方法对催化裂化装置的轻柴油凝点进行估计,取得了良好的效果.     

基于模糊神经网络的舰船目标识别的方法研究

舰船目标类型识别是海军作战的一项重要功能，传统的识别方法有贝叶斯法和登普斯特－－谢费方法等。这些方法都存在这样那样的不足，采用模糊数学和人工神经网络垭识别水面舰船目标可使数据具有更好的有效性和可靠性。提出了将常规神经网络的信息向模糊信息转化的模型。     

基于粗集理论的蔬菜栽培病虫害预警技术

笔者将粗集理论应用在蔬菜栽培的病虫害预警中,构造出一类最简单的知识提取规则,进而获得最快的信息融合算法,为蔬菜栽培病虫害防治提供了一种优化预警技术。这对栽培知识的传播,绿色蔬菜的生产、丰产丰收、稳定市场具有重要意义。     

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。     

基于神经网络结构搜索的目标识别方法

针对目标识别需求,对基于神经网络的深度学习方法展开研究。由于深度学习模型中包含了对数据的先验假设,因此人工设计神经网络需要领域内专家丰富的先验知识,且具有劳动密集与时间成本高的缺点。为了获得超越专家个人经验、表现更好的网络,采用一种可微神经结构搜索的高效结构搜索方法,将搜索空间放宽为连续的空间,然后通过梯度下降来优化体系结构的验证集性能,从而找到面向目标识别的最优神经网络结构。仿真实验结果表明,将基于神经网络结构搜索的目标识别方法应用于"低慢小"类目标识别是可行的。     

基于RS的GMDH神经网络在空袭目标识别中的应用

针对目标属性识别的特点,建立了基于粗糙集(Rough Sets, RS)的数据分组处理(Group Method of Data Handling, GMDH)神经网络分类模型.该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题.同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法.最后,通过与BP(Back-Propagation, BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效.     

基于I860的目标识别系统

建立了一个基于Ｉｎｔｅｌ Ｉ８６０ＲＩＳＣ芯片的自动目标识别ＡＲＴ系统。实现了对监测块状目标和线状目标的智能识别，并在此平台上模拟了多种人工神经网络模型用于对数据信息的处理。介绍了系统硬件的组成结构，工作原理和所能达到的性能指标，并对在此基础上开发的目标识别软件系统作了详细说明，实验结果表明，该系统能对目标进行实时性的智能识别，是一种较先进的图象处理系统，并在实际应用中发挥了重要的作用。     

粗糙集结合BP神经网络的数据融合方法研究

在粗糙集和数据融合基本理论的基础上,研究了基于粗糙集理论和BP神经网络相结合的数据融合方法。先利用粗糙集对输入信息进行简化,剔除冗余信息,从而缩减了BP神经网络的规模,提高了融合系统的识别率,进而提高整个融合系统的效率。与传统的神经网络融合系统进行比较,通过实例说明了该方法的有效性。     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

一种基于粗糙集的粗糙神经网络构造方法

针对神经网络中各神经元和权不能赋予明确的物理意义 ,提出了一种基于粗糙集的神经网络模型 .该模型利用粗糙集理论数值分析的能力 ,首先从给定的数据集中抽取出规则 ,然后根据这些规则构造神经网络隐含层的神经元个数 ,从而确定粗糙神经网络的初始拓扑结构 .同时 ,将输入映射到输出子空间 ,并在这个子空间上用神经网络进行逼近 ,由此得到一种可理解性好、收敛速度快的神经网络模型 .实验结果表明 ,该模型能够较好地处理神经网络拓扑结构、训练样本的大小、样本质量等对神经网络的精度及泛化能力有直接影响的问题 ,在大大缩短训练时间的同时 ,它的预测精度可达 96 4 % ,较同条件下径向基函数神经网络模型的精度高 3 6 % .     

基于神经网络多分类器融合系统的人脸识别方法

在主成分分析方法（PCA）的基础上,采用3种神经网络（BP、RBF、LVQ）分类器进行人脸识别实验研究.实验中引入多数投票法（MVS）,构建了多分类器组合决策体系,对分类结果进行决策融合.最后,将使用此决策体系的人脸识别结果与使用单一分类器的人脸识别结果进行对比分析.分析结果显示,采用MVS规则的人脸识别系统,能有效提高人脸识别系统的准确率和稳定性,且方法简单可行.     

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%.