基于BP神经网络的多源遥感影像分类

在研究人工神经网络理论的基础上,应用动量法和学习率自适应调整的策略,改进了BP神经网络法。并用于对同一地区的Landsat TM3,4,5影像和航空SAR影像融合进行分类和分类融合结果进行了比较。结果表明：同标准的BP神经网络、传统的Bayes融合分类法相比,改进的BP神经网络融合法不仅获得了标准BP网络高的分类精度,可同Bayes融合媲美,而且提高了学习率,增强了算法的可靠性,因而提高了影像分类速度,更适用于遥感影像分类。     

基于BP神经网络的石漠化遥感影像分类方法的探讨

以由DEM数据提取出的坡度、地形特征信息与TM遥感影像的光谱信息相结合,应用BP神经网络方法进行石漠化遥感影像分类。并对比了BP神经网络分类法、ISODATA分类法、最大似然法三种分类方法。结果表明BP神经网络分类法有效地提高了石漠化信息的遥感分类精度。     

一种基于BP网络和决策融合的高光谱遥感图像分类方法

BP神经网络在用于高光谱遥感图像分类时,其初始权值的选取对分类结果有很大影响.针对这种情况,提出了一种将BP神经网络与决策融合理论相结合的高光谱遥感图像分类方法,该方法将多个结构相同、初始权值不同的BP神经网络的分类结果进行融合,最后把融合结果作为原图像的最终分类结果,以实际的高光谱遥影像为例,说明该方法能够有效地提高遥感影像的分类精度.     

基于机器学习的多源遥感影像融合土地利用分类研究

为了快速获取准确的城市土地利用信息,提高西南地区遥感影像城市土地利用分类信息提取的精度,探讨了当前快速发展的机器学习技术在该领域中的分类实验.选用昆明市主城区作为研究区域,以Landsat8与Sentinel-1A影像为原始数据,使用GS变换法对影像进行融合,使用卷积神经网络(Convolutional Neural Network,CNN)和BP神经网络(Back Propagation Network)2种分类算法对融合前后的遥感影像进行土地利用分类信息提取,对分类结果进行分析.研究结果表明:基于Landsat8和Sentinel-1A的融合影像数据的卷积神经网络分类算法具有最好的分类效果,其总体分类精度和Kappa系数分别为85.8091%,0.8124,认为基于多源遥感影像融合的卷积神经网络分类方法是获取准确的城市土地利用分类信息的一种可行的方法,可以为高原地区城市的土地利用分类提取研究参考.     

一种BP神经网络声音特征信号的识别方法

建立了一个三层前向神经网络对四种声音信号进行识别分类,网络采用改进学习的BP算法训练,即在最速下降法训练的基础上,引入了MOBP动量因子和学习率调整。仿真验证结果表明,所设计的BP网络识别分类误差小,识别正确率高。     

遥感影像的神经网络分类及遗传算法优化

针对传统遥感影像分类方法难以辨识波谱特性相似的地物,而标准反向传播学习(back propagation,BP)神经网络分类方法存在网络训练速度慢、局部极值等收敛性问题,探讨了采用遗传算法(genetic algorithms,GA)优化BP网络结构方法进行遥感影像分类.在BP网络分类的基础上,着重阐述了遗传算法实现BP网络隐含层神经元数、阈值和连接权值的优化方法,提出了遗传算法的变长实数编码方式,改进了遗传进化方式使BP网络进化达到最优.最后,以淀山湖区域的陆地卫星专题制图仪(Landsat thematic mapper,TM)影像分类为例,应用本文改进算法与其他分类方法进行了分析比较,得到了较高的分类精度,验证了采用遗传算法优化神经网络的可行性和有效性.     

基于GA-BP神经网络的汽车润滑系统中磨粒分类的研究

磨粒是汽车润滑系统运转过程中部件与部件之间摩擦的副产物。针对目前磨粒分类准确度低和分类效率低的问题,提出了基于GA-BP神经网络的汽车润滑系统中磨粒分类的算法。采用BP神经网络深度学习,同时对BP神经网络运用遗传算法进行改进,通过GA-BP神经网络同BP神经网络相对比,结果表明GA-BP神经网络更稳定、更迅速。经过对磨粒分类的对比,可知深度学习过的GA-BP神经网络分类的准确率高达96.92%,符合汽车润滑系统中磨粒分类的准确性及高效率性的要求。     

基于BP神经网络的遥感影像分类方法

为了消除传统的遥感影像分类所带来的模糊性和不确定性,采用BP神经网络进行遥感影像分类.利用MatLab软件构建BP网络遥感影像分类算法,通过对BP网络算法进行改进,采用动量-自适应学习速率调整算法克服了网络训练速度慢、不易收敛到全局最优等缺点.对一幅全色遥感图像通过300次训练后,输出能真实反映地类的影像图.其分类总精度为86.67%,Kappa系数为0.82,分类精度能够满足遥感图像分类的需要.     

BP网络与LVQ网络在遥感影像分类中的比较分析

遥感影像分类是遥感技术研究发展应用中的一个重要组成部分。基于Matlab平台应用BP、LVQ两种神经网络算法对TM多光谱影像进行了分类研究,最后应用混淆矩阵对这两种网络算法与最大似然法的影像分类结果做了精度评价与对比分析。实验结果表明,神经网络分类器作为一种非参数分类器,进行影像光谱特征分类时能获得较高的分类精度,引入对比度纹理特征后精度有更进一步的提高。两种神经网络算法中,LVQ网络算法的影像分类精度比BP网络要高。     

一种基于改进的BP神经网络的入侵检测方法

针对普通BP神经网络算法学习收敛速度慢、易造成局部极小的问题,提出一种改进的BP神经网络入侵检测方法,其采用拟牛顿的方法进行学习,即对目标矩阵求二阶导数.运用该方法能够有效提高学习速度,消除局部极小.仿真结果表明,改进的BP神经网络入侵检测方法收敛速度快,比标准的BP入侵检测方法误检率低,能够很好地提高学习效率,更加有效地检测攻击行为.     

利用神经网络法进行直接顶的分类

针对标准B-P神经网络算法存在学习速度慢的问题提出了改进算法。将改进后的神经网络模型应用于直接顶分类,不论是直接顶初次跨落步距的拟合值还是其预测值,神经网络法的计算精度均高于多元线性回归法。     

B-P神经网络改进及其在Matlab中应用程序发布的研究

主要讨论了B-P神经网络的结构、算法及不足,列举了一些关于训练时间长、出现局部极小值等问题的改进方法,分析了各种改进方法及其改进的效果,还选取了几种可以与B-P算法相结合的算法,最后以实例说明BP神经网络在Matlab中的实现及发布成独立应用程序的过程.     

基于人工神经网络的锅炉火焰温度场测量方法

讨论了用辐射测温方法测量高温煤粉炉温度场时存在的问题,提出了一种基于BP网络模型的温度场测量方法.利用设计的一套测量系统对某200 MW的锅炉的燃烧过程进行了试验,结果表明,与传统的比色法测量相比,该方法具有误差小、测量精度高、适应性强等优点,可满足系统燃烧诊断和实时测控的要求,工程上有一定的应用前景.     

神经网络技术在教育评价中的应用

针对传统教育评价方法的随机性和低效性，将ＡＮＮ技术应用于教育系统的综合评价，提出一种基于神经网络的教育评价方法，给出其神经网络的模型结构，输入指标的量化方法，自学习机制及其计算机实现。文中提出的评价方法适用于各类相关评价     

变压器油中溶解气体含量检测故障诊断仪的设计

研究了应用变压器油中溶解气体含量检测来诊断变压器故障的方法,针对气体传感器之间存在的"交叉敏感"设计了基于人工神经网络的气体检测系统.神经网络采用使用最为广泛的BP网络.从而能构成对气体的较准确的分析测试.单片机选择Intel 16位的80C196KB,简化了接口电路的设计.设计中采用了油中气体分析法来确定变压器的故障并通过数码管显示出故障类型并由单片机来实现.     

人工神经网络在隧道地表变形预测中的应用

借助于神经网络方法处理非线性问题的优势,采用改进后的B－P网络算法,对上海地铁2号线盾构推进中隧道上方的地表变形作了趋势预报,并与其它预测方法作了比较。结果表明：将人工神经网络用于地表变形预测,效果优于其他方法。     

神经网络在自走车辆最优轨迹控制中的应用

介绍了分层网络的基本理论和相关的有效算法反向传播学习算法（Ｂ－Ｐ算法），并介绍了将神经网络应用于车辆自动行走轨迹优化控制的研究。     

基于改进自组织竞争神经网络的高光谱图像分类

针对传统的SOFM网络对高光谱图像分类精度低的缺点,提出了采用模糊积分与神经网络相结合的分类方法．即在改变网络的学习速率函数和邻域函数的前提下,同时对分类结果采用基于模糊积分的信息融合,使分类器之间相互补偿,并用高光谱图像的分类实验进行验证．与普通的SOFM网络和K均值聚类方法相比较,分类效果更好．     

用人工神经网络鉴别反应动力学模型

用Sammon算法和B－P网络，Kohonen网络对正戊烷异构化反应动力学模型进行了鉴别，并加以比较，B－P和Kohonen网络成功地鉴别了模型。     

利用神经网络预测与控制丝杠螺纹磨削过程

研究了基于神经网络的丝杠螺纹磨削过程的智能预测与控制问题.基于误差反向传播的机制,针对连续制造过程的预测与控制,提出多层神经网络的逐个样本学习算法.对逐个样本学习算法和目前广泛采用的B-P算法进行了比较和讨论,实验结果表明,逐个样本学习算法比B-P算法具有更好的收敛性.最后,介绍了多层神经网络模型在丝杠螺纹磨削过程的预测与控制中的应用.