从工程图中分离和识别字符模式的技术

提出了一种内、外边缘的快速检测方法分离工程图中的字符模式．该方法具有很高的可靠性，可分离手写或印刷体的英文、法文、德文、俄文、希腊字母、阿拉伯数字和汉字．对于字符识别，采用了Ｈｏｐｆｉｅｌｄ人工神经网络模型，并引入了“半优化”学习算法替代传统的Ｈｅｂｂ学习算法，获得了较好的效果．     

JADE算法在盲信号分离中的应用

分离矩阵的学习算法是盲信号分离的关键技术,矩阵联合对角化的预白化JADE算法是一种基于四阶累计量的学习算法。本文简要介绍了JADE算法的基本原理,通过实例,采用JADE算法对盲信号进行分离。实验表明,JADE算法在盲源信号分离中是一种很有潜力的方法。     

源于盲分离思想的线性变形图象校正

本文从盲分离思想入手，利用反馈式社会经网络，根据Ｈｅｂｂｉａｎ学习算法，对二维线性变形二值图象的校正问题提出了一个新的解决方法，并对分离状态的稳定性进行了讨论，最后给计算机的模拟结果。     

一种自适应神经网络的信号盲分离及实验

介绍一种提高收敛速度的基于自适应在线学习的盲信号分离算法,以Kullback-Leibler散度作为代价函数,运用随机梯度下降导出算法,在估计分离矩阵的同时更新学习率。实验证明,该算法对于混合图像信号能够有效地分离,利用自适应学习参数提高了盲信号分离的收敛速度及算法性能,结果证实了算法的有效性。     

基于自然梯度算法及其改进算法的盲源分离

自然梯度算法是盲源分离的重要方法,本文在介绍分析自然梯度算法基础上,将共轭梯度和自然梯度相结合改进了自然梯度算法的学习规则,通过两种算法的比较表明,基于共轭梯度改进的算法在性能和分离效果上都优于自然梯度算法。     

基于神经网络的自适应非线性盲源分离ICA算法研究

基于神经网络的非线性盲源分离ICA算法是盲源信号处理的重点.传统的神经网络非线性盲源分离ICA算法的学习速率是固定的,当设定的学习速率较小、误差较大时,迭代参数需要很长时间才能收敛,从而影响盲源分离的效果.根据误差调节的学习速率以及迭代停止标准中不同时刻的误差权重,提出一种基于神经网络的自适应非线性盲源分离ICA算法,该算法可以使得学习速率随着迭代过程中盲源分离的效果而发生变化.仿真结果表明,与传统的神经网络非线性盲源分离ICA算法相比,该算法可以达到理想的盲源分离效果.     

迭代算法求解支持向量机中的分离超平面

支持向量机的关键在于获取分离超平面,一般是基于规划的学习算法,把求解问题转化成凸二次规划问题.采用感知机的迭代算法思路求解支持向量机的分离超平面,算法包括两个迭代过程,首先利用感知机的迭代算法获取一个分离超平面作为初始分离超平面;然后将初始分离超平面不断地旋转和平移,直至正类集和负类集的支持向量到分离超平面的距离相等,此时的分离超平面就是支持向量机的分离超平面.最后分别采用解凸二次规划方法和迭代算法对鸢花分类数据进行学习,获得的支持向量和分离超平面完全一致,说明该迭代算法简单有效.     

基于估计概率密度函数的独立分量分析方法

利用混合高斯模型,给出了估计概率密度函数算法,并利用高斯混合模型法获得了对分离矩阵的梯度学习算法,给出了一种迭代概率密度估计的独立分量分析学习算法．这种块处理方法可实现超、亚高斯混合信源的情况．最后在仿真实验过程中验证了该算法具有较高的稳定度和精确度。     

过程信号的前馈-反馈型自适应盲分离算法

利用神经网络的自学习能力实现信号的盲分离已被证明是实现信号分离的一种有效方法,不同的神经网络模型对分离算法的效能将产生极大的影响。针对化工生产过程的复杂性和在线监测控制的要求,在其他学者研究的基础上,基于前馈－反馈型神经网络模型,提出了一种自适应盲分离算法用于过程信号的分离。计算机仿真实验的结果表明了算法的有效性。     

盲信号分离模型的混叠矩阵估计算法

针对传统盲信号分离方法通过估计分离矩阵实现盲信号分离难以同时适应适定、欠定和过定模型的问题,给出了一种新的方法,直接估计混叠矩阵实现盲分离.首先给出估计混叠矩阵的梯度学习公式,并分析了该梯度算法对适定模型的有效性,然后将它推广到过定混叠和欠定混叠模型,从而得到了一种适用于各种盲分离模型的混叠矩阵估计算法.仿真例子检验了所提出的算法在适定情形下与原有算法有类似的特性,而又可以同时适应过定和欠定模型.     

基于峭度的盲源分离方法研究

针对双梯度的盲源分离算法进行了研究，以信号的峭度为代价函数对其进行了改进．仿真试验分别对通信信号和雷达信号实现了分离，改进算法在收敛速度和稳态误差方面具有显著的优势．同时指出将盲分离方法用于雷达信号的分离，具有广阔的应用前景．     

基于高斯混合模型的EM学习算法

本文研究了一类基于无监督聚类学习的算法——EM算法的算法实现．EM算法通常用于存在隐含变量时的聚类学习，由于引入了隐含变量，导致算法难以保证收敛和达到极优值．本文通过将该算法应用于高斯混合模型的学习，引入重叠度分析的方法改进EM算法的约束条件，从而能够确保EM算法的正确学习．     

变因子自学习方案在机械手中的应用

介绍了一种新型自学习控制方法在机器人中的应用，它采用了变学习因子的方案，用模糊的思想选取学习因子，该算法已在直接驱动机器人上进行实验，并解决了一般学习算法在高速运动情况下由于加、减速而带来的系统振荡问题；该算法还具有学习收敛快，鲁棒性好的优点。     

神经网络自调节变尺度算法及其用于聚酯生产工况预测

探讨了多层前向神经网络的学习算法，并将该算法用于大型聚酯生产工况预测。结合非线性最优化方法，提出了一种基于拟牛顿法的神经元网络自调节变尺度学习算法，仿真结果表明，该算法有效地改进了神经元网络学习收敛速度和收敛性能。     

盲信号分离的自稳定算法

在传统盲分离算法的迭代过程中，为了保证分离矩阵的行正交性，都要对其进行反复的正交化，以避免算法的不收敛。针对这个问题，笔者主要研究了在Stiefel Manifold上的盲分离算法，该算法使分离矩阵不需要每一步都进行正交化。仿真表明，本文提出的新算法具有很好的稳定性。     

基于特征值和奇异值分解方法的盲分离

在基于特征值和奇异值分解的盲分离算法中，采用固定时延相关统计量不能很好反映数据矩阵特征，故提出了一种基于不同时延正定相关矩阵的特征值和奇异值分解的盲分离算法．算法分观测信号的预白化和基于奇异值分解两个阶段，解决混和矩阵在输出信号数目大于等于输入信号数目的情况下，确定未知源信号的个数和分离的问题．仿真实验表明，改进算法能够准确分离出3个源信号，全系统矩阵比传统算法更接近分离要求，从性能指标来看，改进算法在信噪比10dB时，其分离的效果达到了良好．     

基于粒子群算法的盲源分离算法

简要地介绍了粒子群算法(PSO)及其改进算法和盲源分离算法(BSS),改进的粒子群算法具有并行性、易实现等优点。将改进的粒子群算法与盲源分离算法相结合,提出了基于粒子群算法的盲源分离算法。该算法以混合信号的峰度为目标函数,采用独立分量分析的方法,用改进的粒子群算法代替常规的最陡梯度下降法,对瞬时混合的信号进行盲分离,解决了梯度算法收敛速度慢的问题。实验仿真表明:该算法具有收敛速度快、分离效果好等特点。     

一种新型的信号盲分离迭代算法

基于动态逼近的思想，提出了一种新型的信号盲分离迭代算法。通过构建一个动态过渡系统，设置相应的系统参数，可以获得满意的动态分离过程。从而使分离算法具有较高的效能，理论分析的结果出了算法收敛的充分条件和必要条件，最后，计算机仿真实验的结果表明了算法的高效性。     

基于高阶统计量的自适应盲源分离算法

提出了一种新的自适应盲源分离算法，在无噪音实时两源两传感器的情况下，一旦观测信号被白化，只需要辨识一个特定的旋转矩阵就可以完成盲源分离，并给出了能表征该旋转矩阵的角的自适应估计器，仿真结果表明，当满足源峭度和不为零的条件时，这种方法是一种稳定的和有效的分离算法。     

一种改进的自然梯度语音信号盲分离算法

自然梯度算法有较快的收敛速度、良好的分离性能,在盲信号分离中占有重要地位。基于自然梯度的盲源分离算法一般分为固定步长和变步长的自然梯度算法,固定步长的自然梯度算法存在分离速度与稳定性之间的矛盾,即步长越长时分离速度快,但是稳态误差又得不到保障;步长太小分离速度又达不到要求。为了改善分离速度与稳定性之间的矛盾,提出了一种变步长的方法来,并用其改进了固定步长的标准自然梯度算法,成功地用于混合语音信号的分离,该方法取得比标准自然梯度算法更好的分离效果,具有更快的收敛速度。