基于ART2神经网络的手势动作肌电信号识别

针对手势动作肌电信号识别中存在的识别效率和稳定性问题,采用一种基于ART2神经网络的手势识别方法,并进行了单用户和多用户的实验研究.对8名受试者、8类手势动作模式的单用户实验,取得了较高的识别正确率,与BP网络相比,ART2分类器具有识别率高、实时性好、鲁棒性强的优点;同时,多用户的实验结果表明,ART2网络对手势动作肌电信号的识别具有良好的自适应性和稳定的分类能力.     

基于改进算法的ART2网络用于微晶玻璃颜色分类

微晶玻璃颜色分类是最终控制产品质量的重要步骤，作者改进了传统ART2网络的学习算法，借用典型向量的概念，以模式的近似均值作为典型向量来飞速学习新模式，改进学习算法极大地改善了ART2网络的模式漂移现象，而且短搜索振荡过程，文中分析了微晶玻璃颜色分量的统计信息，经过适当变换高维颜色特征映射到16维特征空间中的一个超平面上，以超平面上的特征点作为改进算法ART2网络的输入进入网络分类器进行学习分类，实验证明改进算法网络用于微晶玻璃颜色分类时，运行正确，可靠，具有很高的正确识别率。     

ART1神经网络在隧道围岩分类中的应用

将自适应共振理论(ART)神经网络模型用于隧道围岩分类,改进了ART1神经网络的工作过程,通过自适应的学习记忆过程,建立了分类模型,有效地避免了人为主观因素的干扰.利用川藏公路二郎山隧道围岩分类样本对模型进行检验,结果表明,ART1神经网络模型性能良好,对隧道围岩分类的精度较高,是一种值得推广和应用的围岩智能分类方法.     

基于双重竞争共振机制的模糊ART神经网络

提出了一种基于双重竞争共振机制的模糊ART神经网络模型．该模型将输入节点的竞争共振机制引入到输出类别节点,采用输入节点和输出节点双重竞争共振机制,形成了一种新的模糊ART结构,解决了传统模糊ART网络记忆不稳定问题．将该模型应用于图像分割,解决了传统模糊ART网络图像分割结果随警戒参数的升高而出现的过度分割．实验结果表明,和原始模糊ART算法相比,新算法具有更好的分类识别性能,在飞机目标识别中平均识别率比原始算法提高3％～5％．     

一种减少ART1网络“祖母细胞”现象的解决方案”

ART1网络的输出层中的某个神经元损坏,会导致该神经元所代表类别的模式信息全部消失——产生“祖母细胞”现象,这是ART1网络的一个很大的缺陷。通过对ART1网络结构的改进,在总结构上增加记忆层,记忆层中神经元分记忆神经元和控制神经元;在输出层中新增了辅助神经元,将原有神经元称为主神经元;定义了各种神经元的工作方式;提出一种能够减少ART1网络“祖母细胞”现象的解决方案。     

一种新的FART分类器

提出了一类基于贴近度理论的模糊ART神经网络模型，简称为CBFART（Closeness Based Fuzzy ART）模型，将模糊数学中的贴近度（Closeness)和择近原则（Closest Principle)概念与自适应共振理论（ART）相结合，形成了一种新的网络模型。该模型的学习以匹配－委托循环为特点，网络分类遵循择近原则，补码编码、匹配－委托和快速委托－慢性重编码方案相结合，保证了网络学习的收敛性和稳定性，并可以做到一次性学习、提高了学习速度。文中对高维样本进行分类仿真，给出了仿真结果，分析表明该模型具有良好的聚类特性，能够稳定地对高维样本进行分类。     

基于主成分分析和ART2网络的车辆波形分类

利用环形线圈车辆检测器,对不同车辆经过环形线圈时产生电磁感应数据进行采集,再对这些维数较大的车辆感应数据,运用主成分分析法对其降维处理,以减少ART2神经网络输入维数,便于对这些数据进一步分类. 通过实验研究可知,这种主成分分析与ART2神经网络相结合的分类方法,使数据通过降维处理,并减少网络的输入维数,不仅大大简化了网络结构,还明显提高了分类的准确性、快速性,加快了网络的学习速率,而且从分类效果上看,也具有很好的正确率.     

一种串—并行混合结构的神经网络模型

针对复杂的模式识别问题,提出了一种串—并行混合结构的多种神经网络模型,首先用ART网络对训练集中的样本进行粗分类,以减小训练集的样本规模,然后用多个BP网络对小训练集进行训练。     

基于管件编码和ART2神经网络聚类的船舶管件加工族构造

针对船舶管件加工族构造问题,提出一种基于编码和ART2神经网络的聚类方法。在管件编码中,综合考虑管件的托盘集配时间和结构工艺的特征,采用ART2神经网络实现对管件的自动聚类,形成合理的管件加工族。结果表明,ART2网络聚类方法对处理船舶管件加工族构造问题具有良好的适应性和稳定的分类能力。     

基于改进的ART2神经网络的滚动轴承故障诊断

针对自适应共振理论2(ART2)神经网络在分类时存在只选择输出值最大的神经元以及噪声对结果影响较大的缺点,提出一种结合小波软阈值和K均值算法的ART2神经网络分类方法;采用小波软阈值对滚动轴承故障信号进行降噪,并通过相对小波包能量体现降噪后的信号更好的信号互异性,然后运用ART2神经网络进行初步分类,将K均值算法引入ART2神经网络,对原有的算法进行修正,并与ART2神经网络分类结果进行对比。结果表明,改进的方法解决了上述的问题,提高了故障分类的准确性。     

浅谈图书归类的前后不一致问题

分析了造成图书馆分类工作中图书归类前后不一致的原因，并提出了相应的解决办法。     

关于图书破损原因及图书保护策略的探讨

图书破损问题是图书保护中遇到的一个重要问题,由于多种因素,图书破损在所难免,在一定程度上影响了图书的流通。分析了图书破损的原因,探讨了加强图书保护的重要性,提出了保护图书的策略。     

改进的ART1网络及其在英文字符识别中的应用

 通过实验发现传统的ART1人工神经网络的分类结果和输入样本的顺序有关.分析并指出了原因,给出了相应的改进算法.最后,比较了传统算法和改进算法应用于英文字符识别的分类结果.     

基于遗传算法的 ART2 神经网络数据集优化

为了提高小样本集情况下自适应谐振(ART)神经网络聚类的可靠性,提出了基于遗传算法的ART2神经网络训练集优化算法,克服了ART1神经网络编码的稳定性尚未完全解决和只能接受二进制模式的缺陷.利用遗传算法的全局寻优能力,通过对训练样本集添加适当的边界样本点,并将边界样本点和原样本集有机结合,以提高ART2神经网络的泛化性能.对ART2神经网络聚类算法的适当变更,以适应样本集的变化情况,并避免ART神经网络在不同训练阶段产生不同的聚类结果.实验证明,采用本算法后,ART2神经网络的聚类准确度可提高30%.     

一种用于模式分类有监督的模糊ART神经网络

探讨了一种将有监督学习机制融合到模糊ＡＲＴ网络构成一个有监督的模糊ＡＲＴ神经网络模型,这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力,对该网络进行了滚动轴承检测数据模式分类实验,并与ＢＰ网络进行了比较性实验,结果表明：该网络具有良好模式分类能力和较好的可塑性。     

Fuzzy ARTMAP neural network for seafloor classification from multibeam sonar data

This paper presents a seafloor classification method of multibeam sonar data, based on the use of Adaptive Resonance Theory （ART） neural networks. A general ART-based neural network, Fuzzy ARTMAP, has been proposed for seafloor classification of multibeam sonar data. An evolutionary strategy was used to generate new training samples near the cluster boundaries of the neural network, therefore the weights can be revised and refined by supervised learning. The proposed method resolves the training problem for Fuzzy ARTMAP neural networks, which are applied to seafloor classification of multibeam sonar data when there are less than adequate ground-troth samples. The results were synthetically analyzed in comparison with the standard Fuzzy ARTMAP network and a conventional Bayesian classifier. The conclusion can be drawn that Fuzzy ARTMAP neural networks combining with GA algorithms can be alternative powerful tools for seafloor classification of multibeam sonar data.