基于协同理论的不变性模式识别

提出了一种基于协同学理论的不变性模式识别模型．该模型首先对输入图象模式进行位置和大小上的归一化，然后提取其旋转不变性子波特征作为模型的试验模式，最后由协同系统的序参量迭代方程得出正确的识别结果．这种方法与Ｈａｋｅｎ提出的两种协同不变性模式识别方法相比，既比频域法更接近于人类的认识过程，又避免了“伪状态”的出现，使得系统严格收敛到正确的模式上．实验表明，该模型不但具有很好的识别精度，而且还表现出较好的抗干扰和缺损能力．     

一种基于相关信号非线性处理的光学联想识别系统及其计算…

本文提出一种基于相关信号非线性处理的光学联想识别系统，描述了它的工作原理，利用计算机模拟验证其实验的可行性，最后对模拟的结果进行了讨论了分析，指出了通过边缘增强非线性处理的图像可使系统在识别能力方面得到优化。     

一种基于相关信号非线性处理的光学联想识别系统及其计算机模拟实验研究

本文提出一种基于相关信号非线性处理的光学联想识别系统，描述了它的工作原理．利用计算机模拟验证其实验的可行性．最后对模拟的结果进行了讨论和分析，指出了通过边缘增强非线性处理的图像可使系统在识别能力方面得到优化．     

ZEPNIKET矩的旋转不变性及对旋转角度的估计

Ｚｅｒｎｉｋｅ矩所用的变换核是一组正交换核，并且矩的模在空间上是旋转不变的，本文指出了Ｚｅｒｎｉｋｅ矩的相位包含了所有有关目标在空间取向的信息，为了提取这一重要信息，提出利用大于给定门限的多个矩的统计估计方法，计算机模拟结果，表明了这种方法有效性。     

高效联合变换相关实验研究

本文提出了种实现高联合交换相关的方案，通过把输入面划分为上个大小相等的窗口，并利用楔镜阵列使相应于不同窗口的光学信息在谱面上形成联合功率谱阵列，在输出面上可以获得增强了相关信号，文中分析了系统原理，并给了出实验结果。     

模式识别协同算法的旋转、缩放不变性

引入复平面对数映射的方法，解决Haken模式识别协同算法中旋转和缩放不变性的问题，对识别过程在算法上进行了简化，并以人脸为例进行了识别．     

基于Radon和Fourier-Mellin变换的物体几何不变性分析

本文提出一种具有高容噪能力并且对灰度和二值图像都适用的平移、尺度与旋转不变性分析方法,该算法在对图像进行坐标变换后,利用Radon变换将目标图像转换到投影空间,组成投影矩阵,然后对投影矩阵进行Fourier-Mellin变换,最后从变换矩阵中提取不变特征、进行目标图像的分类。理论分析与实验结果表明,与现有的不变性分析方法相比,该算法克服了以往方法的不足,对灰度和二值图像的不变性识别都适用,并且本算法对噪声的鲁棒性强;对灰度图像的识别率高;可以达到理想的分类效果。     

基于不变性矩的3D目标识别

提出一种直接使用３Ｄ信息的目标识别方法。３Ｄ不变性矩可作为任意３Ｄ形状的表示特征且具有平移、旋转和尺度变化的不变性，人工神经网络的训练过程对应于主动式机器视觉的内部建模过程，该方法适应于３Ｄ主动式机器视觉的目标识别。     

基于人工神经网络的光学相关信号后处理

采用人工神经网络技术对相关平面进行后处理，能够成功地对相关平面的感兴趣区域（ROI）进行分类识别，提高光学相关识别的可靠性，降低虚警概率。     

神经网络模式识别技术在井间储层参数预测中的应用

用地震资料和少量测井资料预测储层参数的横向变化,是储层评价和油气勘探开发的重要研究课题。地震资料中蕴含着丰富的储层物性信息,若能建立起地震参数与储层物性参数之间的关系,则可利用地震资料进行储层参数的横向预测。文中提出了一种神经网络模式识别方法,用地震反射资料进行井间储层参数预测。应用结果表明,用网络法对井间孔隙度做出的估算值是准确的,用网络自动建立起来的非线性映射关系可能较好地反映井间孔隙度的分布。     

结构模式识别的概率文法及其应用

描述了概率文法的基本特性及其在铁路路轨探伤中的应用,文章首先给出了概率文法的定义,描述了它的树型结构,并为了得到非岐义的产生规则序更,对概率语文法进行了修改,然后利用概率文法构造了模式的识别器,介绍了应用于路轨探伤的识别程序的实现过程,并结合实例讨论了概率文法在提高识别器的可靠性,减少共出错率方面的实用意义。     

协同神经网络及其在模式识别中的应用

本文介绍了协同神经网络的基本思想,重点研究了协同神经网络在模式识别技术中的应用题,包括动力学模型、网络结构及学习算法,同时与传统的Hopfield网络进行了比较。     

金山店铁矿工程围岩稳定性的分级模式与识别

作者就金山店铁矿围岩特征，论述了工程围岩稳定性分级指标的选择，用模糊数学方法建立了该矿工程围岩稳定性的分级模式，并提出了其模式识别方法。所得分级结果可为该矿合理选择支护类型和支护参数提供依据。     

BP神经网络的改进及其用于手写数字识别的研究

模式识别是神经网络最有前景的应用领域之一,本文主要讨论如何提高多层神经网络 BP(Back-propagation)算法的学习速度以及该算法用于手写数字识别的研究.文中提出了局部连接的网络结构,并对基于特征输入和基于点阵输入两种神经网络分类器的特点进行了比较,针对神经网络的识别机制、识别能力和自适应学习,进行了深入讨论.本文还给出容错能力的概念,用以描述神经网络对非学习样本的分类机制.所有研究工作是在作者研制的 SSNN 神经网络仿真软件上进行的.     

模式识别的一类数学模型

本文从两种划分概念出发,提出了在实践中常用的关于模式识别符合率概念。闸明了综合评判是模式识别的一种特殊类型。并在具体问题的研究中,总结出三种模式识别模型。     

晶体结构中氢键类型的识别

本文提出一种简单的非图形处理方法用以识别晶体结构中的氢键类型,以氢键连接的分子间存在的对称操作的平移部分决定点阵结构中氢键键合重复的方向。给定晶体的氢键类型由其中存在的各个氢键键合的组合所决定,使用本方法成功地对74个酚类晶体结构中氢键结构的维数进行了分类.