分形神经网络中的收敛性

近年来,许多学者对具有联想记忆功能的神经网络模型进行了广泛研究,提出了多种模型结构和学习算法,其中有代表性的是 Hopfield 模型。但该模型的记忆容量很有限,误差校正能力也不强。所以,寻找高性能的新的联想记忆模型,是神经网络研究中的一个重要内容。     

分形模糊神经网络诊断方法研究和应用

从分形理论和神经网络原理出发,基于信号分形计算维数定义,以采样周期和分形计算维数两个坐标对信号特征进行合理地模糊化处理,提出分形维数隶属度特征量概念·以多时间尺度采样所获得的分形维数隶属度作为网络输入,单位矩阵为网络输出的分形模糊神经网络,建立了时域精确诊断新方法,通过对典型齿轮系统故障进行精确诊断,结果表明分形模糊神经网络诊断方法的有效性·     

数字图像分形解码中方块效应的差值解决方法

对于分块式的图像压缩方法,在高压缩比下,都会产生明显的方块效应,分形编码方法也不例外。为了解决高压缩比下解压缩后图像的方块效应,本文采用了一种简单实用的解码方法,有效的减少了方块效应。其思想就是利用分形编码独有的分辨率无关性,解码步骤分为两步:第一步首先将图像解码到一个稍微低一点的分辨率上,然后结合传统的插值的方法,将图像还原到希望的高分辨率上,从而达到了减少方块效应的目的。这种方法的优点是不必对编码做任何改动,而且实现简单。     

分形技术在彩色纹理分割中的应用

应用分形技术,对彩色图象的纹理分割问题进行了探讨．为了有效地描述彩色纹理特征,我们利用图象中的色彩信息,通过象素的色彩曲面之间的体积值和单种色彩分量值进行分析,获得相应的分形特征,继而运用中值滤波技术和非监督聚类算法对特征图象进行分割．实验结果表明,利用分形技术进行彩色纹理分割是非常有效的．     

卫星遥感图像的神经网络自由识别分类

介绍了神经网络卫星遥感图像自动识别分类方法,并与最大似然 类结果进行了比较。讨论机实验结果表明,神经网络分类的精度和速度优于最大似然法分类。     

卫星遥感图像的神经网络自动识别分类

介绍了神经网络卫星遥感图像自动识别分类的方法,并与最大似然法分类结果进行了比较,计算机实验结果表明,神经网络分类的精度和速度优于最大似然法分类．     

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．     

双向Elman神经网络在卫星电池阵功率预测中的应用研究

针对神经网络预测电池阵功率存在的模型阶数难以确定及预测精度低下的问题，提出一种基于改进的Elman神经网络的双向预测模型。该模型利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合。使网络对时间序列特征信息的记忆得到加强，从而提高预测精度。用该文提出的双向预测模型对电池阵功率进行预测，输入层仅需一个节点，不需事先对模型进行定阶。仿真预测表明，预测精度比单向模型明显提高，且网络具有较好的泛化能力。     

基于分形的自然纹理自相关描述和分类

为进一步进行纹理分析研究了有效的纹理描述方法。从估计分数 Brownian运动的指数入手 ,提出了一种基于分形的描述自然纹理的新方法——自相关法。该方法利用纹理图像亮度差值的自相关函数来描述自然纹理。纹理分类实验表明 ,自相关法具有很好的描述自然纹理的能力。     

基于神经网络的分形图像压缩与解压缩

图像压缩技术中,分形图像压缩与解压缩具有较高的压缩率和低损耗率,但基于迭代函数系统的自动分形图像编码方法计算量大,因此限制了其实际应用。人工神经网络具有学习、记忆、识别及推理等特点,为分形图像压缩解压缩提供了一个全新的解决方案。提出使用神经网络方法以并行方式完成分形图像压缩与解压缩的大量计算,模拟结果显示,与基本的自动分形图像编码方法相比,在基本保证重建图像质量的前提下,运算时间和码率均下降,显示出神经网络技术应用于分形图像压缩与解压缩中的可行性及高效性。     

基于分形维数的皮革图像分类研究

为了对皮革图像进行分类,引入分形维数这一新特征,并通过毯子法计算皮革图像的分形维数,通过与实验所得的阈值进行比较实现牛皮和羊皮图像的分类.试验表明,该方法对牛皮和羊皮图像能进行有效的分类.     

基于分维特征的肝脏CT图像识别

目前分形理论已被广泛应用于医学图像识别.本文利用了改进的差分盒计数法对肝脏CT图像进行了分形维数的分析,表征了肝脏图像的纹理特征,则可识别医学图像肿瘤信息.医学图像识别的结果可以直观的方式显示给临床医生,从而辅助医生提高医疗诊断的准确性和科学性.     

Techniques of Image Processing Based on Artificial Neural Networks

This paper presented an online quality inspection system based on artificial neural networks. Chromatism classification and edge detection are two difficult problems in glass steel surface quality inspection. Two artificial neural networks were made and the two problems were solved. The one solved chromatism classification. Hue, saturation and their probability of three colors, whose appearing probabilities were maximum in color histogram, were selected as input parameters, and the number of output node could be adjusted with the change of requirement. The other solved edge detection. In this neutral network, edge detection of gray scale image was able to be tested with trained neural networks for a binary image. It prevent the difficulty that the number of needed training samples was too large if gray scale images were directly regarded as training samples. This system is able to be applied to not only glass steel fault inspection but also other product online quality inspection and classification.     

基于Fisher分类和自适应阈值的分形图像编码方法

根据分割的迭代函数系统(PIFS)理论,在Fisher分类方法的基础上,依据分类后图像块的特征使用自适应阈值搜索与range块属于同一类的相匹配的domain块来进行分形图像编码,并对典型测试图像进行实验,与传统的固定阈值方法的性能进行比较。结果,在相同比特率上,相对于传统固定阈值方法,自适应阈值方法极大地提高了压缩比,减少了编码的时间,自适应阈值方法得到的解码图像质量明显好于传统的固定阈值方法。     

基于分形维数的图像纹理分析

利用分数维能够把图像的空间信息和灰度信息有机结合起来的特性,提出了一种基于分形维数的图像纹理分析方法.为了更准确地描述纹理表面的粗糙度,该方法首先将纹理图像进行6种灰度变换并计算其相应的分形维数,同时采用H lder指数作为描述图像纹理的奇异性特征,然后利用提取的纹理特征对图像进行纹理分割.实验结果表明:采用该方法所分割的图像能很好地体现图像的纹理分布.     

分形维数及其在图像分析中的应用研究

论述了盒维、差分盒维、毯子维以及多重分形维等基于分形理论的图像分析原理和方法,并讨论了国内的研究情况.从相应的研究可知,利用图像的分形维数特征,进行图像分类、图像分割以及边缘检测的方法是可行和有效的.     

基于分形和神经网络的B超图像识别

为了给脂肪肝的辅助诊断提供科学依据,提高临床诊断的准确性,利用分形方法对脂肪肝和正常肝脏的B超图像进行了分析对比,获得两类肝脏图像具有多重分形的特性,并利用RBP神经网络进行分类,对提高脂肪肝诊断的正确率收到较好效果,具有一定的实际意义和理论价值.     

基于灰度共生矩阵和BP神经网络集成的纹理图像分类

通过对灰度共生矩阵的分析,提取图像的纹理特征参数,并用BP神经网络集成的方法对Brodatz纹理库图像进行分类,仿真结果显示,其分类效果优于单一的BP神经网络,可有效提高分类识别率。     

基于卫星遥感图像的农作物分类算法

为提高遥感图像对农作物的预估精度和农业种植效率, 设计了基于卫星遥感图像的农作物分类算法。 以2018 年 7 月 30 日哨兵二号(Sentinel-2)卫星拍摄的高分辨率哈尔滨市农业示范基地卫星影像为实验数据, 在不同光谱波段内(含红边波段), 通过使用最大似然法、 支持向量机法、 神经网络法分别对影像中水稻、 大豆、玉米、 高粱等农作物特征进行提取、 分类, 获得到农作物分类图;将统计结果与真实的参数进行比较, 分析了相同算法下使用不同数据源, 不同算法使用相同数据源, 这两种情况下的分类精度与可靠性。 实验结果表明,通过神经网络法得到的分类结果精度最高, 可靠性最强, 适合于全国范围内推广。     

应用分形理论和光线投射算法的卫星云图模拟技术

卫星云图模拟是气象卫星成像仿真所研究的核心问题,针对快速生成效果逼真的卫星云图的要求,以分形理论为基础,设计了一种基于随机中点位移算法的云体数据生成模型,并采用光线投射算法将产生的三维云体数据绘制于二维平面图像上,实现了卫星云图的模拟,得到了比较满意的结果.