基于径向基函数网络的人脸识别

提出了利用径向基函数网络(RBF)识别人脸的方法,分析了其识别原理,讨论了网络结构的设计,给出了各层节点,隐居中心向量及形状参数的选取原则,并针对ORL人脸库的多幅人脸图像进行了识别实验。实验结果表明,RBF网络的识别效果较好,且其学习算法要比BP网络的学习算法简单。     

基于免疫进化算法的径向基函数网络

基于免疫进化算法，提出了一种设计径向基函数(RBF)网络的新算法——免疫径向基函数网络(IRBF)训练算法．该算法通过提取RBF网络核函数宽度的先验知识作为疫苗构成免疫算子，缩小了标准进化算法搜索空间的范围，提高了算法的收敛速度．计算机仿真表明，采用这种算法训练的RBF网络达到了较好的性能．     

基于径向基函数神经网络的入侵检测系统模型

通过分析当前运用较多的入侵检测模型的缺陷,提出了一种基于径向基函数(Radial Basic Functions)神经网络的入侵检测系统模型。该模型既克服了传统的基于规则库的入侵检测系统所存在的管理问题,又克服了传统的系统仅能判断入侵行为是否异常,而不能识别入侵行为属于哪种类型的缺陷,从而使系统能够达到实时监测网络及主机状态,来防范不可预知性入侵。该模型具有良好的易用性和可扩展性,是一种开发安全管理系统的有效手段。     

一种基于肤色和脸部特征的人脸检测方法

针对人脸检测问题中快速性与准确性难以同时满足的情况,提出了一种将肤色和脸部特征相结合的方法来检测人脸。由于通过基于肤色的算法能快速定位出人脸大致位置,因而检测速度能达到实时的要求;同时利用脸部特征进一步细检,可保证检测的精确性。     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

基于肤色模型与人脸结构特征的人脸检测

人脸检测是自动人脸识别中的关键环节.提出了基于人脸肤色模型和人脸结构特征的人脸检测.首先利用人脸图片样本,提取肤色像素,建立肤色CbCr高斯模型.根据高斯肤色模型求得人脸似然图,并采用最佳阈值对之进行二值化.之后再采取形态学处理,除去部分非人脸区域,分割出待定人脸区域.最后根据人脸的结构特征进行再次筛选,得到人脸区域.此方法运用在一般的人物照片中都能达到比较理想的效果.     

基于聚类肤色模型的人脸检测

在安全检测、人机交互等人脸识别应用中,人脸的检测与定位是前期重要工作.该文提出一种改进的基于亮度聚类的肤色模型,并提出一种新的最佳阈值选择算法,设计了肤色检测算法流程.实验证明该算法提高了人脸检测的速度和鲁棒性.     

径向基函数网络在云检测中的应用

作者提出一种应用径向基函数网络（RBF）的云检测方法,此方法要求晴空海域与有云海域以一定数量的基函数来表征,两种基函数可组成一个径向基函数网络,使用欧空局沿轨道扫描辐射计（ERS－1／ATSR）资料对径向基函数网络在云检测中的性能作了验证,重点研究网络结构的复杂度对分类结构的影响,并与人眼的目视解译作比较,结果表明径向基函数网络在云检测中性能良好。     

基于肤色和结构特征的人脸检测

本文提出了一种基于肤色模型和人脸面部结构特征的人脸检测算法,该算法首先建立肤色模型来对原始图像进行肤色区域分割,再根据人脸的面部结构特征对分割区域进行过滤。实验结果表明给算法检测速度快,能够到达实时检测的目的。     

结合肤色模型和Adaboost算法的人脸检测

提出了一种结合肤色模型和Adaboost算法的人脸检测方法．Adaboost是一种分类器算法,把弱分类器提升为强分类器,具有很高的检测率,但其误检率也比较高．人脸肤色检测由于受光照等条件的影响,其检测率比较低,但是其误检率也比较低．结合这两种方法进行检测,能够优势互补,改善算法性能．实验证明该算法具有较好的检测效果．     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

基于径向基函数神经网络车辆跟驰模型

针对由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型的问题,应用径向基函数神经网络建立了跟驰模型,改进了基于最近邻聚类的网络学习算法,并利用跟驰数据对模型进行了验证.结果表明,该网络模型与多层前馈网络模型相比,结构简单,训练时间短,精度高,适宜在线进行实时预测.     

基于肤色模型与眼睛定位的人脸检测方法研究

提出了一种基于肤色模型与眼睛定位的人脸检测方法。通过YIQ色彩模型的肤色区域分割进行人脸的粗定位,再根据眼睛的灰度及形状信息的眼睛定位实现人脸的准确检测。实验表明,该方法能够在复杂背景图像中较准确地检测出人脸。     

基于肤色分割和神经网络确认的快速人脸检测

为了提高人脸检测速度,提出了一种基于肤色分割的快速人脸检测方法．利用颜色信息将彩色图像分割成皮肤区域和非皮肤区域,从而缩小了神经网络的检测区域,提高了人脸检测速度．     

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络．利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力，并以球面聚类的方式确定了径向基神经网络中基函数的位置，同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元，以达到简化径向基神经网络结构的目的．实验比较了几种不同聚类算法的径向基神经网络，结果表明，所提神经网络的整体训练时间至少可缩短40％，学习的准确率可提高1%以上，而且网络结构更加精简．     

基于Gabor滤波器和RBF网络的人耳识别

人耳这种人体生物特征识别技术已受到广泛的关注。提出一种基于2-D Gabor滤波器和径向基函数(RBF)神经网络的人耳识别方法。应用Gabor滤波器对人耳进行多尺度多方向的特征提取,然后采用RBF神经网络优良的自学习能力和非线性分类能力进行人耳图像的训练和识别。与传统的PCA方法相比,该方法对光照和姿态转换具有很好的鲁棒性,并且对不同的数据库具有较好的泛化能力。在USTB人耳图像库的实验结果显示该方法的有效性。     

基于双肤色模型及AdaBoost算法的人脸检测

针对复杂背景和可变光照条件下,彩色静止图像的人脸检测问题,综合利用YCbCr和HSI颜色空间下的肤色模型,先进行肤色分割,定位出候选人脸,再用AdaBoost级联分类器进行检测验证,有利于提高检测效率,降低误检率。