用二元树复小波变换法实现离焦图像的半盲复原

提出了一种基于二元树复小波变换和神经网络的半盲离焦图像复原算法,首先利用二元树复小波变换和特征值分解提取图像的特征矢量,将该矢量用来训练小波神经网络,利用训练好的网络估计离焦模糊参数.由此获得点扩展函数,用Wiener滤波完成图像的复原.实验结果表明,该方法能有效地估计离焦模糊参数和复原模糊图像.     

基于遗传BP神经网络的COSM图像复原算法

提出了一种基于遗传BP人工神经网络的COSM图像复原算法,利用BP神经网络的学习记忆和泛化能力,通过用一组COSM样本图像对网络进行训练,建立含有离焦模糊的模糊三维图像与清晰三维图像之间的非线性映射关系,然后利用训练好的BP神经网络对待复原的COSM图像进行复原处理,从而实现COSM图像复原.复原的三维图像无论在主观视觉还是定量分析上都取得了很好的效果.与传统的图像复原算法不同,该算法免去了解卷积等复杂的运算,不存在病态问题,可广泛应用于模糊图像的复原中并且效果较好.     

运动与离焦耦合的模糊图像参数辨识方法

针对运动和离焦耦合模糊图像运动模糊尺度、角度和离焦模糊半径的辨识难题,提出了一种运动与离焦耦合的模糊图像参数辨识方法. 首先,对模糊图像进行Fourier变换,采用Radon变换辨识运动模糊角度;其次,对模糊图像的频谱图进行滤波,将频谱图中央区域的幅度之和作为BP神经网络的输入量,检测运动模糊尺度时,频谱图按列求和,而检测离焦模糊半径时,频谱图按圆形方向求和. 仿真实验表明,不带噪声的耦合模糊图像参数辨识误差在6%以内.      

一种基于LMBP神经网络的图像复原方法

BP(Back-propagating)神经网络在图像处理中主要应用于模糊图像的复原,因为该算法在收敛速度上有一定的局限性,同时比较容易受局部极小值的影响.应用LMBP(LevenbergMarquardt BP)神经网络算法对模糊图像进行复原.这种算法实质上是提取了神经网络的GaussNewton法以及梯度下降法的优势,加速了算法收敛.实验结果表明,基于LMBP神经网络的图像复原方法对模糊图像的修复效果明显,且运行速度快.     

自适应估计模糊参数的最大后验概率超分辨率复原算法

为降低最大后验概率(MAP)超分辨率图像复原算法中模糊参数调整的复杂度,减少迭代运算量,提出了一种超分辨率复原新算法.先抽取一幅低分辨率图像作为参考图像,用其余低分辨率图像估计参考图像,通过训练模糊参数使估计的均方误差最小,自适应地估计最佳模糊参数.然后根据高分辨率图像和参考图像计算多项式之间的可类比性和估计误差变化的线性相关性,将训练结果直接用于超分辨率复原.复原时先利用最佳模糊参数将全部的低分辨率图像信息融合到高分辨率初始图像中,改进了复原运算的处理流程.相对于其他MAP复原算法,新算法不需要人工调整模糊参数,并且只需3次迭代即可获得稳定解,大大减少了迭代运算量.对真实图像序列的实验结果表明,新算法更好地保持了图像细节,复原图像的纹理更清晰.     

偏角拍摄离焦模糊车牌处理方法研究

以实际案件中常见的离焦模糊车牌图像为研究对象,研究了当拍摄位置与车牌平面基本存在一定角度的情况下,利用公安专用图像处理软件恒锐痕检/文检图像处理系统,对模糊车牌图像进行复原。通过选择图像清晰化方法和参数设置,得到可以辨认或者有鉴定价值的图像。实验结果表明,通过对不同角度下的图像选择不同的清晰化参数,可以得到有效的处理结...     

融合LSTM的DCNN及其图像模糊类型和参数识别

大数据时代,图像是重要的信息传递媒介,但图像质量退化将影响信息识别.针对各种类型的图像退化问题,提出一种融合长短期记忆(LSTM)的深度卷积神经网络(DCNN)的带记忆分类方法,识别退化图像模糊类型及其参数,根据准确的模糊类型及模糊核进行图像去模糊.首先改进DCNN卷积模型,调节卷积运算步长算子,加快图像卷积收敛速度;引入串行LSTM网络,将训练过的图像微元进行记忆,提高识别速度和准确性;通过BP网络输出模糊类型及其参数,再进行图像反卷积去模糊.实验表明能识别出3种主要模糊类型并识别率在90%以上,模糊参数误差在一个像素内,能复原出清晰的图像;最后将算法应用到实际高速铁路轨道缺陷检测系统中,对质量较差的图像进行模糊识别及去模糊,提高图像识别率.     

基于离焦图像模糊分析的微装配力测量

提出了一种基于机器视觉的微装配力测量新方法.拍摄微夹持器受力变形时的离焦模糊图像,通过建立微夹持器变形力和离焦量之间的关系模型,把求取变形力的问题转化为求取离焦模糊图像的离焦量问题.采用粗精两步计算来求取模糊图像的离焦量,并利用微夹持器的变形曲线来拟合,拟合得到的曲线的参数即为变形力的函数,从而求得变形力.仿真实验证明了所提出的方法的有效性.     

图像复原的边界振铃效应抑制算法

针对散焦模糊图像复原后普遍存在的边界振铃问题,提出了一种基于边界加窗的图像复原算法.首先根据图像的模糊半径和图像大小确定窗口宽度,其次利用余弦函数对模糊图像进行扩展,扩展的宽度即为窗口宽度,再利用标准维纳滤波器复原加窗的模糊图像,最后对复原后图像截取原图大小.实验结果表明,提出的算法可以有效地抑制图像边界振铃,提高复原图像质量.     

Gabor滤波和蚁群优化BP神经网络的人脸识别

研究了使用Gabor滤波和PCA主成分分析法来实现人脸特征提取并使用蚁群优化BP神经网络进行人脸识别的方法.首先,使用Gabor滤波器对预处理后的图像生成不同尺度和方向下的特征向量,然后使用PCA主成分分析法对特征向量进行压缩,为了提高BP神经网络对表情的分类精度和减少训练时间,使用蚁群算法优化BP神经网络的各参数,最后使用优化后的BP神经网络进行训练和人脸识别.仿真实验表明文中的方法能有效地实现对人脸表情进行分类,且较其他方法具有更高的识别率.     

基于Bi-BPNNs的船舶轨迹修复模型

为了解决船舶轨迹数据的异常和丢失问题,辅助轨迹复原和情景推演,提出一种双向学习模型,用于修复船舶轨迹.从AIS(Automatic Identification System)报文中提取航行船舶的上下文轨迹特征向量,改进基础BP(Back Propagation)神经网络的拓扑结构,构建具有双向预测功能的BP神经网络(Bi-BPNNs)模型,修复缺失的轨迹数据.使用长江干线航行船舶的真实轨迹数据对构建的模型进行验证和分析,通过与基础BP网络和常用线性插值方法的对比,证明Bi-BPNNs模型在船舶轨迹修复上具有更好的性能和效果.     

基于神经网络广义逆的感应电机变频系统内模控制

为提高感应电机变频调速系统的鲁棒性和抗干扰能力,提出了基于神经网络广义逆系统的内模控制方法.在分析原系统可逆性的基础上,先用动态神经网络逼近原系统的广义逆模型,从而串接在原系统之前组成广义伪线性复合系统,实现系统的线性化与开环稳定,有利于系统的综合.再对广义伪线性系统引入内模控制,保证系统的鲁棒稳定性.采用该系统进行了阶跃响应和跟踪效果试验.结果表明,该方法能够成功地实现系统的线性化,并且当系统存在建模误差和负载扰动的情况时,仍能使系统保持高性能的控制.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

数据挖掘在安钢电极预测建模中的应用

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果.     

混沌序列PSO-RBFNN耦合模型在滑坡监测中的应用-杨虎

滑坡位移系统的发展演化受到多种不确定性因素的影响,可能存在非线性特征。而同时包含了确定性和非确定性分析的混沌理论,能有效阐释滑坡位移序列的复杂的非线性过程。因此本文首先对滑坡位移序列进行混沌分析,揭示其内在演化机理;在相空间重构的基础上,再采用拟合和泛化能力较好的径向基网络（RBFNN）对其位移值进行实时动态预测,针对RBF网络存在参数选取困难的问题,运用粒子群算法（PSO）对RBF网络的参数进行优选。提出了基于混沌理论的PSO-RBFNN滑坡位移预测模型。经过实例验证,并与粒子群优化的BP神经网络（PSO-BP）和单独RBF网络进行对比,表明滑坡位移序列确实存在混沌特性且PSO-RBFNN模型预测精度更高、效果更好。     

基于神经网络的发电机参数辨识

介绍了人工神经网络(ANN)在发电机传递函数参数辨识中的应用,提出了一种隐层有七个神经元的BP神经网络,使用该网络对发电机参数进行辨识,并利用MATLAB/SIMULINK软件对所设计的BP神经网络进行了仿真,结果表明,所设计的神经网络能够有效地辨识发电机参数,并且具有训练时间少,没有局部极小化现象等优点.     

神经网络校正的EKF在高超声速目标跟踪中的应用

针对临近空间高超声速目标高度非线性、强耦合、高机动、时变参数、和独特气动特性等特点,综合运用军事运筹学理论与方法、系统建模技术、神经网络技术以及计算机仿真等,提出基于神经网络校正的扩展卡尔曼滤波(EKF)算法,并在高超声速目标跟踪中进行了应用研究。采取神经网络的学习能力来克服卡尔曼滤波发散问题,通过卡尔曼滤波后加一级误差处理环节使滤波收敛。仿真结果表明:该算法在目标发生较大机动时仍能保持较高的跟踪精度。     

时域有限差分结合BP神经网络反演各向异性材料电磁参数

本文以时域有限差分(FDTD)法数值模拟了各向异性材料的散射特性,在此基础上利用人工智能技术-BP神经网络对各向异性材料电磁参数进行了反演研究.以各向异性介质球的雷达散射截面(RCS)作为训练样本信息,经过适当的训练,实时重构了各向异性介质球的相对介电常数和电导率.反演结果显示了该方法的有效性和准确性.