基于自适应小波神经网络的字符识别算法及其应用

根据车牌中字符的形态特征和横向纹理属性,以小波空间作为车牌字符识别的特征空间,通过小波分析来实现字符的特征提取.用非线性小波基取代通常神经元的激励函数,构建了一种自适应小波神经网络的车牌字符识别模型.实验结果表明,本文提出的算法对复杂背景下拍摄的汽车牌照识别具有很好的鲁棒性.     

一种基于神经网络的小波域音频水印算法

提出了一种基于小波分解和神经网络的数字音频水印算法，先对音频信号进行小波分解，将数字水印嵌入到音频信号的小波域低频重要系数中，同时通过调整多层前馈神经网络的权重逼近原始音频信号与数字水印之间的关系，然后在接收端用训练好的神经网络提取水印。实验结果表明，嵌入水印的音频信号没有明显的听觉失真；经过噪声干扰，低通滤波，有损压缩，重新采样等信号处理后，相关函数检测具有显著的二值分布特征，且相关系数均达到0．72以上，与其他方法相比，该算法在提取水印时无需原始音频信号，具有运算量低和鲁棒性强等优点。     

小波域上基于神经网络的数字水印算法

提出了一种基于BPN神经网络的水印算法.首先,对数字图像进行小波分解;其次,在小波域内选择水印位嵌入的系数块;最后,利用神经网络从嵌入水印的图像中恢复原始水印信息.实验结果表明:这种水印算法具有很好的性能.     

小波神经网络及其研究进展

小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络,小波神经网络结合了小波变换良好的时频局域化性质及神经网络的自学习功能,它有很好的逼近、容错能力.文章综述了小波神经网络的主要模型、算法和其它相关问题,最后展望了小波神经网络今后的研究方向.     

一种基于小波变换的盲水印检测算法

提出一种在图像经小波变换后的小波系数上处理数字水印的方法，该水印的检测算法是用神经网络方法来实现，实验表明了水印具有较强的鲁棒性。     

自回归过程的小波神经网络逼近算法

将小波变换原理与非线性时间序列逼近问题相结合,利用模型分析方法,对一阶非线性自回归过程（ＮＬＡＲ（１））的小波神经网络逼近问题进行了研究,构造出了逼近函数的具体表达式,并给出ＮＬＡＲ（１）过程所逼近的误差限。     

小波神经网络及其在化工中应用的研究

在分析化工复杂过程优化的特点，及常规优化算法的局限性的基础上，提出了一种基于小波神经网络的优化算法，并以一个实例说明该算法是可行的，在化工优化设计中具有重要的应用价值。     

基于小波模极大值的数字水印算法

目的针对传统数字水印技术的有限性,实现一种新的数字水印算法。方法新算法以小波变换为基础,对原始图像和水印图像进行小波变换,将水印信息嵌入到中频系数中。结果实现了二维彩色图像将为水印信息嵌入到二维图像数据中。结论实验证明,新算法在对彩色图像进行水印处理方面达到较好的效果,具有较好的健壮性。     

基于小波神经网络的股票预测

通过将Morlet母小波基函数作为神经网络隐含层神经元的激励函数,构建了Morlet小波神经网络,对网络结构进行了隐含层节点的优化,对股票收盘价的变化进行仿真和预测,实验结果表明,Morlet小波神经网络具有较好的逼近非线性映射的能力,其泛化性能和预测能力较优.     

基于小波变换和混合神经网络的图像压缩算法

提出了一种将空间方向小波零树编码与混合神经网络相结合，新的多尺度系数矢量量化策略．该算法在对图像进行多级小波变换后，利用3个方向上各自小波系数之间的相关性，构造符合图像特征的跨频带矢量，依据矢量能量和零树矢量的思想进行矢量分类，分别利用主元分析和自组织特征映射神经网络对3个方向的多尺度系数矢量进行基于视觉的加权矢量量化压缩编码．仿真实验结果表明该算法是合理可行的．     

带有稳定学习算法的小波神经网络及应用

针对当系统存在未建模动态时,神经网络辨识易产生参数漂移和不稳定的问题,采用输入-状态稳定性(ISS,input-to-state stability)分析方法,获得小波神经网络权值矩阵和小波尺度参数的误差反传类时变学习算法,该算法不带有鲁棒修正即可以实现小波神经网络的鲁棒稳定性.仿真例子表明,此稳定学习算法优于一般的误差反传算法,并将带有稳定学习算法的小波神经网络用于污水处理过程出水水质COD(化学需氧量,chemical oxygen demand)的预测,获得了较好的效果.     

前馈网误差反传的显式及网络的鲁棒性分析

给出了前馈神经网络误差反传的一种紧凑显式表达，并据此对前馈神经网络的鲁棒性进行了分析，提出了设计鲁棒的前馈同多所应遵循的 若干参考原则。     

Hopfield神经网络在扰动情况下的鲁棒性

Hopfield神经网络在工程领域中应用广泛, 但在具体的实现过程中往往存在着扰动和时滞, 这些因素的存在影响了神经网络的动态性能, 并有可能导致网络失稳. 通过建立模型, 讨论了时滞递归神经网络的鲁棒性, 给出了有效的判定条件, 推广了有关文献中的结果.     

基于混合学习算法的模糊小波神经网络控制

采用小波函数作为模糊隶属函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理.针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整.仿真结果表明,该网络能对不同的对象实施有效控制,且具有快速、适应性强等特点.     

一种基于小波神经网络的自适应控制方法

提出了一种基于小波神经网络的自适应控制方法,该方法利用两个小波神经网络作为自适应系统的辩识器和控制器来构成自适应控制系统。由于小波函数具有紧支性以及神经网络的非线性映射能力,因而在所构成的控制系统中,辨识器能更准确地近似具有较强非线性被控对象的动态特性,控制器能产生较为复杂的控制规律。仿真结果表明,该系统比一般神经网络控制系统具有调节速度快和超调小等更好的控制效果。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

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。     

深度神经网络在高铁运行环境识别中的鲁棒性验证

改进了DeepTRE的实现,在保留DeepTRE验证能力的前提下大幅降低了DeepTRE的空间复杂度,以适应大规模数据集场景。在高铁运行环境识别场景中评估了改进后的DeepTRE,并与其他主流验证工具DLV和SafeCV对比。实验结果表明,改进后的DeepTRE工具的显存占用显著低于原DeepTRE工具,相较于其他神经网络验证工具,改进后的DeepTRE工具在具有较快验证速度的前提下拥有更优异的验证效果。