基于LVQ神经网络算法的脱机手写数字识别研究

针对BP神经网络进行脱机手写数字识别所存在的问题,提出用自组织竞争神经网络(LVQ)对脱机手写数字识别的方法.介绍了LVQ神经网络算法,并构建了LVQ神经网络的识别模型,用Matlab软件进行了仿真.将获得的仿真结果数据与BP神经网络的测试结果进行对比分析,发现LVQ神经网络对脱机手写数字的识别率明显高于BP神经网络,且收敛速度更快.该方法在脱机手写数字识别领域具有一定的可行性与指导性.     

一种基于MATLAB的手写字母的神经网络识别方法

利用前向多层神经网络的反向传播算法,即BP算法,采用MATLAB软件构建用于特征识别的两层前向神经网络,将已知字母经图象处理后对BP网络进行训练,此BP神经网络可以成功地识别A－Z26个手写英文字母。     

基于LVQ网络处理的多目标分类识别

提出利用光学图像相关识别技术和学习矢量量化神经网络（LVQ网络）相结合,实现多种目标的旋转不变分类识别.阐述了LVQ网络对基于类间综合鉴别函数得到的相关峰进行处理的原理和方法,并进行计算机模拟.结果表明,即使相关信号含有一定的噪声,该方法也可对多种目标图像作出正确的分类识别,识别准确率较高,且具有良好的容错性.     

基于神经网络的字母识别系统的设计与实现

基于神经网络,采用Matlab 6.5和Visual C,设计一个字母识别系统.该系统通过对BMP图片的二值化处理,在VC环境下调用Matlab,并将把二值化后的数据进行网络训练,从而实现26个英文字母的识别.系统性能的测试表明,系统所训练的神经网络有很好的抗干扰能力.     

遗传算法优化LVQ网络的监控视频关键帧内容识别

为解决监控视频检索中公安视频侦查关注目标的识别问题,提出一种基于遗传算法优化LVQ神经网络的关键帧内容识别方法。首先通过运动目标检测及二值图像的聚散熵,对监控视频进行子镜头划分,从而提取视频关键帧。其次归一化关键帧中的待识别目标,提取待识别目标的形状统计特征。再次构造LVQ网络并利用遗传算法对网络的初始权值进行优化,训练网络实现关键帧内容识别。最后列举出该方法的实验结果及性能分析。该方法在关键帧内容识别的准确性和鲁棒性上都有良好表现。     

基于多BP神经网络与D-S融合的车型识别研究

为了提高BP神经网络对车型的识别率,克服单个BP神经网络所存在的网络结构和训练样本数量之间的矛盾,针对大量训练样本采取多个BP神经网络进行训练,进而采用训练好的多个网络进行车型识别. 利用D-S理论将各个BP网络的识别结果进行数据融合以改善最终的车型识别结果. 实验结果表明:随着训练样本数量的增加,多BP网络数据融合方法比单BP神经网络有更高的识别率.     

基于LVQ神经网络的条形码识别研究

条形码(barcode)识别是实现信息化管理的重要一环,在仓储、物流、超市收费、商品监督管理等方面有广泛的应用前景,但无法对其建立准确的数学模型。针对此问题,运用能够模拟人类思维的学习向量量化(Learning Vector Quantization,LVQ)神经网络对条形码进行识别,在Matlab平台中建立LVQ神经网络识别器。通过训练、测试,验证了LVQ神经网络识别器能够高效准确地识别条形码。     

基于PCA-LVQ神经网络的教学质量评价模型研究

为了进一步提高教学质量评价准确率,提出一种基于主成分分析(PCA)和学习矢量量化神经网络(LVQ)相结合的教学质量评价模型.使用层次分析法(AHP)建立教学质量评价体系,再用主成分分析提取初始评价指标体系的特征信息,将经过降维处理后的特征信息输入到LVQ神经网络,并对网络模型进行训练和泛化能力测试.实验结果表明,与单一的LVQ和BP神经网络相比,PCA-LVQ网络模型的结构更为简化,学习能力更强,收敛速度更快,评价准确率更高且泛化能力强.     

基于LVQ神经网络的人脸朝向识别方法

为了满足图像和视屏中人脸的位置,朝向和旋转都不是固定的特点,利用LVQ神经网络模型对图像中人脸朝向识别进行研究.实验采用Matlab工具箱进行LVQ神经网络设计,实现对人脸朝向的判断.实验结果显示,LVQ神经网络可以根据输入图像的二值信息,以较高准确率判断该图像的人脸朝向.     

基于深度学习的ATM机非法改装行为自动识别

为利用实时视频监控自动识别非法改装ATM的行为,设计了密集连接的三维卷积深度神经网络,将视频画面的特定区域作为网络输入.拍摄模拟非法改装行为的视频扩充样本库,并结合已有的正常行为视频和少数异常行为视频,用样本对网络进行深度学习训练.测试结果表明,训练后的神经网络可以快速准确识别非法改装ATM机的行为,即使不同ATM摄像头有拍摄角度、分辨率的差异,简单设置输入区域位置仍可采用训练好的深度网络得到准确的识别结果.     

基于LVQ神经网络的医学图像识别研究

以医学肝脏CT图为研究对象,设计了一种基于LVQ神经网络的医学图像识别方法。基本思想是首先确定图像ROI区域,并作灰度映射变换。接着提取其颜色、纹理和形状特征构成表征医学图像的特征矢量,最后将特征归一化后利用LVQ神经网络进行识别。通过与其他典型神经网络识别方法的实验比较,结果表明,设计的方法能取得更为理想的识别效果。     

基于LVQ神经网络的植物种类识别

提出一种基于学习矢量量化（LVQ）神经网络的计算机植物种类识别新方法. 使用2-D不变矩、 多尺度2-D Gabor滤波器等多种方法分别提取了叶片的几何特征和纹理特征, 应用LVQ神经网络识别植物种类. 实验结果表明, 该方法对植物种类的识别效率较高.     

基于改进的LVQ算法的中医脉象识别

中医脉诊的客观化研究对我国中医脉学的继承和开拓有着重要的意义,而脉象识别是中医脉诊的客观化过程中一个重要的环节,近年来一直是个研究热点。有别于传统的脉象特征提取方法和识别方法是基于时域和神经网络的方法,在此提出了基于小波变换的脉象特征提取算法和用于脉象识别的基于LVQ的改进算法ILVQ。实验结果表明,该算法具有一定的优越性。     

人工神经网络对电子鼻性能的影响

电子鼻原型由4个气体传感器组成的阵列和人工神经网络识别软件组成,可识别不同品牌的白酒.以它为例,研究了3种人工神经网络,即反向传输网络(BPN)、学习矢量量化网络(LVQ)和概率神经网络(PNN)对电子鼻性能的影响.结果表明,在需要精细识别时,虽然传感器阵列对白酒的响应谱的差别是电子鼻识别的基础,但是人工神经网络结构和算法包括相关训练参数的选择对决定电子鼻的性能也有重要的作用.比较而言,学习矢量量化网络在分类能力和训练成本方面更胜一筹,而概率神经网络则在计算负载和易用性方面更好一些.     

基于LVQ神经网络的冷轧带钢表面缺陷分类方法

将LVQ神经网络用于冷轧带钢表面缺陷的自动分类中,解决了以往分类方法在多噜缺陷模式类型情况下耗时多和准确率低的问题.对现场采集到的14种主要缺陷类型进行了实验.实验结果表明,基于LVQ神经网络的分类器训练与分类的时间短,在多缺陷种类分类的过程中准确率能得到保证.     

基于HTML卡方算法的垃圾邮件过滤器设计

介绍基于HTML标签的卡方分布算法在垃圾邮件过滤中的应用。首先对通过浏览器收集到的邮件进行分析,将其转换为HTML源代码的形式,再根据HTML语言的特点对其进行特征提取,从而达到邮件预处理的目的。随后采用LVQ神经网络建立分类器模型,以达到最终分离正常邮件(ham)和垃圾邮件(spam)的目的。对比实验表明,结合HTML代码的卡方分布特征提取和LVQ神经网络的分类器模型效果更好。     

基于神经网络多分类器融合系统的人脸识别方法

在主成分分析方法(PCA)的基础上,采用3种神经网络(BP、RBF、LVQ)分类器进行人脸识别实验研究.实验中引入多数投票法(MVS),构建了多分类器组合决策体系,对分类结果进行决策融合.最后,将使用此决策体系的人脸识别结果与使用单一分类器的人脸识别结果进行对比分析.分析结果显示,采用MVS规则的人脸识别系统,能有效提高人脸识别系统的准确率和稳定性,且方法简单可行.     

基于神经网络多分类器融合系统的人脸识别方法

在主成分分析方法（PCA）的基础上,采用3种神经网络（BP、RBF、LVQ）分类器进行人脸识别实验研究.实验中引入多数投票法（MVS）,构建了多分类器组合决策体系,对分类结果进行决策融合.最后,将使用此决策体系的人脸识别结果与使用单一分类器的人脸识别结果进行对比分析.分析结果显示,采用MVS规则的人脸识别系统,能有效提高人脸识别系统的准确率和稳定性,且方法简单可行.     

用学习矢量量化(LVQ)神经网络进行教师评估

针对教师评估中考评指标过多、评价工作复杂化问题,提出了一种基于LVQ神经网络的教师评估方法。利用Matlab神经网络工具箱进行仿真实验,结果表明,该网络具有结构简单,学习速度快、分类稳定的特点,用LVQ神经网络进行教师评估是可行而有效的。     

Learning Vector Quantization Neural Network Method for Network Intrusion Detection

A new intrusion detection method based on learning vector quantization （LVQ） with low overhead and high efficiency is presented. The computer vision system employs LVQ neural networks as classifier to recognize intrusion. The recognition process includes three stages： （1） feature selection and data normalization processing;（2） learning the training data selected from the feature data set; （3） identifying the intrusion and generating the result report of machine condition classification. Experimental results show that the proposed method is promising in terms of detection accuracy, computational expense and implementation for intrusion detection.