函数连接型神经网络在氟化物非晶态形成条件中的应用

函数增强型神经网络(Functional Link Net,简称FLN)是一种无隐含层的新型网络,应用其三阶联合激励增强特性来对三元体系氟化物非晶态形成条件进行识别研究,识别准确率近100%.在对预测集的每一个输入信号添加10%的噪音干扰后,发现识别率依然不变.直到噪音添加到15%,仍然能准确判别.可见网络的容错能力是十分令人满意的.     

识别数学符号的神经网络方法

采用 BP网络和 Kohonen自组织特征映射网络组成的多级神经网络模型 ,对数学符号进行识别 ,引入“雪球”和平滑训练方法以提高网络性能 .实验结果表明 ,该模型对数学符号的识别 ,特别在有噪音污染的情况下 ,具有较好的效果 .     

用神经网络构造鲁棒HMM‘s

对窗口神经网络与鲁棒ＨＭＭ＇ｓ之间的关系作了新的探讨，指出了鲁棒ＨＭＭ＇ｓ是循环的ＢＷＮＮ的特殊情况。讨论由ＲＢＷＮＮ构造用于噪音环境下语音识别的组合ＨＭＭ＇ｓ和二阶ＨＭＭ＇ｓ的算法，给出了它们相应的网络结构。     

基于半监督生成对抗网络的通信信号调制识别算法

针对小样本条件下通信信号识别混淆的问题,提出了一种基于半监督生成式对抗网络的调制识别算法.首先结合半监督学习思想利用少量标签数据和大量未标签数据训练网络;其次在输出层添加辅助分类器进行结果判定,针对性设计了目标函数和损失函数,以满足网络生成虚假数据和实现信号分类的目的;最后使用不同的激活函数并用反卷积和Dropout代替池化操作,有效降低了算法复杂度并加快网络收敛速度.仿真实验表明:该算法适应性强、计算量小,较传统算法识别准确率提升了6％ ～13％,有效实现了小样本条件下的调制样式识别.     

噪音背景下流体识别应用方法探讨

地震资料处理中,难免存在噪声,因此在频率域储层识别的研究中,低频噪音问题是干扰储层识别的重要影响因素,在噪音问题上必须采取有效的手段,才能排除低频信息是流体的响应而不是噪音的响应。据此在储层检测手段上,首先要进行噪音对算法的干扰分析,只要在检测方法上噪音不产生干扰,那么用到实际地震资料流体识别上才有意义,通过在噪音背景下的模型进行试算,优选了抗噪性好、分辨率高的小波基函数对实际资料进行处理。另外,对地震流体识别可靠性检验方面,主要是通过测井解释来验证地震检测流体的可靠性。研究结果表明,优选的小波基函数不仅在模型上取得了很好的效果,在研究区过井地震资料上存在低频异常,与测井解释油气显示基本吻合。     

用神经网络构造鲁棒HMM＇s

对窗口神经网络（ＢＷＮＮ）与鲁棒ＨＭＭ’ｓ之间的关系作了新的探讨，指出了鲁棒ＨＭＭ’ｓ是循环的ＢＷＮＮ（ＲＢＷＮＮ）的特殊情况。讨论了由ＲＢＷＮＮ构造用于噪音环境下语音识别的组合ＨＭＭ’ｓ和二阶ＨＭＭ’ｓ的算法，给出了它们相应的网络结构。     

基于改进YOLOv5s的非侵入式负荷识别

负荷识别是非侵入式负荷监测的关键环节.针对原始电压电流轨迹特征选择有限、识别准确度低的问题，提出一种基于改进YOLOv5s(YOLOv5s是YOLOv5(you only look once的第5个版本)系列中预训练结构最小的模型)的非侵入式负荷识别算法.将坐标注意力(coordinate attention,简称CA)模块添加至YOLOv5s的主干网络，用双向特征金字塔网络(bi-directional feature pyramid network,简称BiFPN)取代YOLOv5s的常规特征提取网络.实验结果表明：相对于其他3种算法，该文算法有更高的负荷识别准确度.因此，该文算法具有有效性.     

铝电解监控系统重复记录辨识与噪音识别算法

在新型的铝电解网络监控系统中,需要对大量的监控数据构建数据仓库,为此,针对其重复记录的数据预处理问题进行了研究.在属性集的基础上,提出属性重复量、记录重复量等定义,并给出重复记录辨识的一般算法IRA及其推广算法GIRA;对重复记录集中的噪音处理,提出一种基于距离的噪音识别算法INA;以实例说明了算法的具体实现过程.     

随机激励下载荷谱识别

采用逆虚拟激励法进行载荷识别，识别结构所受平稳随机激励的功率谱密度，在钢悬臂梁和有机玻璃框架上进行了多次试验，识别的载荷与实际值符合得较好，同时研究了相干和不相干随机激励两种情况下载荷识别结果的异同，通过实测数据讨论了不同噪音对识别结果的影响。此方法的优点在于识别未知载荷的准确性、计算的高效性和对频响函数病态的克服能力。     

采用模糊切分实现非特定人连接数字语音识别

选用倒谱特征、△倒谱特征、能量类特征等多个语音信号特征，采用多码本和ＨＭＭ／ＶＱ技术实现非特定人连接数字语音识别。在识别阶段，使用帧同步型网络搜索识别算法结合模糊切分实现非特定人连接数字语音识别。数字串识别准确率达到８１％以上，而数字识别准确率更高，达到９４．４％。     

基于图像矫正与去噪的车牌识别算法RD-LPRNet

复杂场景下的车牌目标存在大倾角、远距离、光照不均等负面因素，极大地加剧了车牌识别的难度。针对上述问题，提出了一种新的车牌识别算法RD-LPRNet,该算法首先采用改进空间变换网络RNet预测仿射变换参数，对存在大倾角的车牌进行几何矫正；接着构造基于自适应注意力机制的去噪网络DNet,以真实-标准车牌对为训练数据，提高网络提取有效特征、剔除无效噪声信息的能力；最后基于LPRNet,改进其网络输入结构以丰富初始输入特征，提高训练收敛速度；添加深度分离卷积瓶颈结构，增强网络的特征提取能力；加入残差卷积替代特征拼接实现更高效的特征融合与传递。对CCPD、CLPD、PKUdata、OpenITS以及本文人工采集的车牌数据的测试结果表明，RD-LPRNet在复杂场景下表现出更高的识别性能。     

采用模糊切分实现非特定人连续数字语音识别

选用倒谱特征、△倒谱特征、能量类特征等个语音信号特征，采用多码本和ＨＭＭ／ＶＱ技术实现非特定连接数字语音识别。在识别阶段，使用帧同步型网络搜索识别算法结合模糊切分实现非特定人连接数字语音识别。数字串识别准确率达到８１％以上，而数字识别准确率更高，达到９４．４％。     

液压站噪音产生的原因与降噪措施

噪音是液压系统常见故障之一,长期以来液压系统设计者多从消除振动,添加节流阀、脉动消减器,加强维护监控等方面来降低噪音.液压站是工业液压系统的重要组成部分,也是噪音的重要来源.从液压站结构入手,分析液压站噪音产生原因、从液压站设计角度提出降低液压站噪音的具体控制方法.     

二维图像中交叉点的神经网络识别

提出一种识别灰度图像中交叉点的神经网络方法，用自组织特征映射网络和BP网络组成多分类器，识别图像中的二交叉点、三交叉点和四交叉点，在加入8%的干扰时，仍能达到85％左右的识别率。     

基于复小波变换的拉索结构阻尼比识别

采用复小波变换对结构自由响应信号进行分析,推导出信号小波变换的脊线包含结构频率与阻尼比信息;采用动态规划的方法提取小波脊线,用最小二乘拟合方法识别结构固有频率和阻尼比.并对一数值算例信号添加不同噪音进行分析,与对数衰减率法识别结果进行对比,验证了方法的有效性和抗噪性.数值算例结果表明：提出的方法能有效识别结构频率与阻尼比;与对数衰减率法相比,小波方法具有更高的稳定性和抗噪性.将提出的方法用于安装减震器拉索的试验研究,较好地识别出了结构模态频率和阻尼比.     

采用BP网络建立模拟电路故障诊断交流字典方法

介绍了两种采用BP网络实现模拟电路交流故障字典的方法，主要目的是提供一种简单的机制，能够对模拟电路进行智能诊断。合理大小的ANN能够实现对受容差影响的模拟电路故障的智能诊断。用白噪音法介绍了优选样本的具体方法和如何产生白噪音。此外，还简略介绍了多频测试法。     

基于Resnet18网络的红外图像行人危险动作识别

对夜间行人危险动作进行有效识别是无人驾驶和智能辅助驾驶系统的一个核心任务，也是保证系统安全性的基本需求.考虑到夜晚的光学条件下摄像机的成像特性，提出一种基于深度卷积网络的红外行人危险动作识别算法对夜间行人动作进行识别.该算法选择残差网络为基本网络结构，首先从红外图像的特性和问题的规模出发确定采用Resnet18网络框架，然后对数据集进行预处理使之能够适应网络，最后对网络进行训练与测试以确定网络的识别性能.在实际红外行人危险动作数据集中进行实验的结果表明，所提出方法对6类危险动作识别的平均精确率达到98.3%,平均召回率达到98.1%,优于传统的识别方法.     

基于加权组合过零峰值幅度特征的抗噪语音识别

基于人耳听觉特性提出一种新的抗噪音识别特征:加权组合过零峰值幅度特征,是对过零峰值幅度特征的一种改进。加权组合过零峰值幅度特征以语音数据和差分语音数据作为处理对象,通过计算它们的上升过零率获得频率信息,经幅度非线性压缩获得密度信息,并根据人耳对声音的感知特点对其进行加权,形成最终的输出特征,识别网络使用HMM。仿真实现了使用新特征与原特征的算法识别结果,证明了新特征具有较高的识别率和优良的抗噪性能。     

EAN-13条码图像整形方法分析以及模块中值法的理论研究

在数字图像识别条形码过程中,整形是很重要的环节。分析了EAN-13条码采集并二值化后图像的噪音特点,结合EAN-13条码的构造,从理论上研究了模块中值法。这是一种利用条形码的构造特点,降低二值化后图像噪音,并易于后续条形码识别的整形方法。     

随机噪音对两类联想记忆神经网络特征参数的影响

用数值模拟的方法研究随机噪音对Hopfield神经网络和整体优化网络吸收率Pt otal的影响,得到以下结果:随机噪音可以缩短整体优化网络记忆相区和混合相区的收敛时间.在合适的外加随机噪音的作用下,神经网络系统一些特征参数会得到显著改善.