含噪远距离运动目标图像自动识别的技术途径与方法的研究

本文主要研究含噪远距离运动目标即运动点目标图像自动识别问题，提出了利用点目标运动特性与能量辐射特性来进行目标识别的新技术途径，讨论了点目标运动轨道与速度参数以及其能量辐射特性参数的获取方法和多层前馈二阶神经网络分类器的设计方法。在微机上以三类含噪运动点目标图像识别为例，对文中有关点目标特征参数的获取与分类方法进行了仿真实验，结果表明，本文提出的含噪运动点目标图像自动识别的途径与方法是可行和有效的。     

基于神经网络数据融合的目标识别方法研究

综合应用图像识别、神经网络和数据融合技术是多传感器ATR系统的一个重要研究方向。设计了一种基于BP网络和多传感器数据融合的图像识别系统。从信息论的观点出发 ,在理论上探讨了BP网络数据融合用于图像目标识别 /分类的机理。以此理论对实验结果的合理解释证明了该理论的正确性。理论分析和实验结果都证明了神经网络数据融合用于图像目标识别 /分类的有效性和可行性     

一种用神经网络来进行图像恢复的方法

本文首先简要地介绍了Ｙ．－Ｔ．Ｚｈｏｕ提出的图像恢复神经网络方法，并分析了这种方法存在的缺陷，在此基础上提出了一种用于图像恢复的改进神经网络方法，在计算机上利用实际拍摄的人头图像对本文提出的改进方法进行仿真实验，结果表明本文提出的这种方法是切实可行的。     

用于图像目标识别的神经网络方法

本文提出了一种全局最优的神经网络（ＦｕｌｌＤｏｍａｉｎＯｐｔｉｍｕｍＮｅｕｒａｌＮｅｔｗｏｒｋ）模型用于目标识别。通常所设计的神经网络不能保证全局最优，使得网络不一定收敛到期望样本点上。本文的模型采用了先设计稳定点、再构造吸引域的方法，提高了网络的识别正确率及速度。针对图像识别中矢量维数大的实际，提出了一种不变性方法，使得样本维数下降而分类距离保持不变。同时又证明了网络的收敛性、收敛速度及映射保距等。计算机模拟结果表明，网络对噪声或缺损图均能正确识别。     

模糊神经网络在运动员脚力信息识别中的应用

采用了一种基于模糊神经网络的方法进行运动员脚力信息的识别，该方法利用模糊隶属度函数扩张和收缩以及前向网络的误差反馈原理，构成了一种改进的模糊神经网络结构，采用了分级的训练和学习方法，运用于举重运动员抓举动作的识别中，并获得了较理想的效果。脚力信息的识别是笔者提出的基于计算智能的数字运动员人体模型的前提和基础。     

一种军事图像目标识别神经网络系统

在军事图像目标识别中,目标通常发生比例、平移、旋转变化,有时还处于复杂背景之中或部分被障碍物遮挡,而识别往往要求是实时的。这使得传统的图像目标识别方法不能获得较好的效果。本文提出了一种神经网络目标识别系统,该系统能直接识别图像目标,而无需提取图像中的目标特征,具有目标识别的比例、平移、旋转不变性,具有良好的复杂背景下的目标识别性能,是一种高速、实用、识别率高的军事图像目标识别神经网络系统。文中给出了改进的神经网络模型并针对不同军事目标的识别需要进行了仿真实验。     

引入反向传播机制的概率神经网络模型

既有的概率神经网络模型存在概率函数难以估计和空间复杂度高的缺点,提出引入反向传播机制的改进模型用以弥补以上不足. 改进模型继承了概率神经网络模型的分类原理和结构特征,同时应用了多层感知器神经网络模型的反向传播算法进行函数和参数学习,由此解决了函数估计和空间复杂度高的问题. 通过三组数值实验的验证,结果表明该模型还有着较强入指标重要性的识别能力和较高的分类精度. 该改进模型是一个新的、适用范围较广和准确度较高的模式分类方法,可辅助管理决策,具有实际意义.     

基于HMM和小波网络模型的抗噪语音识别方法

提出一种隐马尔可夫模型(HMM)和小波神经网络(WNN)混合模型的抗噪语音识别方法。该方法首先利用HMM对语音信号进行时序建模，并计算出待识语音对HMM的输出概率评分，再将此概率评分作为小波神经网络的输入，获取分类识别信息，最后根据混合模型的识别算法作出识别决策。实验结果表明，在噪声环境下，由于HMM的强时序建模能力和小波神经网络的强模式分类能力，该混合模型比单纯HMM具有更强的噪声鲁棒性，明显改善了语音识别系统的性能。     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩,为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中,取得了良好的效果。对于数据集较小和数据相似度较高的问题,提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化,并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明,所提方法对SAR图像具有更好的识别效果和更快的识别速度。     

基于模糊神经网络模型对射手的评价

在图像制导导弹中,射手经常参与识别、捕获目标以及控制导弹跟踪、攻击目标.为评价一个射手,通过增加输入和输出论域的模糊子集数,对普通的射手模糊神经网络模型进行了改进.基于改进的射手模糊神经网络模型,提出了两种评价射手的方法.仿真结果表明:两种方法都能够有效地比较和评价射手,为选择和训练射手提供了依据.     

改进免疫算法在预测过程神经网络中的应用

基于过程神经网络（procedure neural network, PNN）建立了具有高精确度的多步预测模型。针对PNN训练过程复杂的特点,提出了一种基于正交基函数展开和矢量矩免疫算法(vector distance based immune algorithm, VD-IA)相结合的PNN训练方法。根据PNN在三角函数正交基展开形式下的数学模型,推导出适用于VD-IA的优化问题模型,采用一种自适应策略加快了VD IA的收敛速度。基于Mackey-Glass混沌序列检验了该方法的有效性,将该方法与BP训练方法、改进粒子群优化（improved particle swarm optimization, IPSO）算法进行了对比分析。仿真结果表明,基于VD-IA的PNN训练方法可以获得较优的结果,且获得泛化性能较好的PNN模型。     

概率神经网络信用评价模型及预警研究

介绍了概率神经网络(PNN)方法及其分类机理,构造了用于识别两类模式样本的PNN结构,用来对我国2000年106家上市公司进行两类模式分类.仿真结果表明,PNN对训练样本有很高的分类准确率,能达到100%;但对测试样本的分类准确率却很低,只达到69 77%.因而使总体的分类效果偏差,分类准确率只达到87 74%.进一步的仿真结果表明,该方法对我国2001年公布的13家预亏公司进行预警分析时,准确率只达到69 23%.所以PNN不太适合用来对新样本的识别和预警研究.研究结果还表明,PNN在分类效果上不如MLP(对相同的样本,多层感知器分类准确率达到98 11%),但和Yang等的PNN分类效果(分类准确率最高达到74%)相比,该文给出的PNN结构其分类效果更好.所以作为一种方法上的探讨,PNN仍不失其研究的价值.     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于概率神经网络的故障诊断方法及应用

针对智能大厦空调系统中发生的各种传感器故障问题 ,提出了一种基于概率神经网络 (PNN)的传感器故障诊断改进方法。该方法采用贝叶斯分类决策理论建立系统的数学模型 ,以高斯函数作为激励函数 ,具有非线性处理和抗干扰能力强等特点 ,可获得对空调系统中各种传感器硬故障和软故障的有效识别和诊断。给出了该方法的理论分析 ,故障特征量的选取 ,神经网络设置和训练的具体步骤。通过仿真和空调系统模型试验证明了该方法在网络训练速度 ,抗干扰能力及各种传感器故障识别准确率等方面的有效性。     

MPSO-RBF优化策略在锅炉过热系统辨识中的仿真研究

提出了基于改进PSO算法的RBF神经网络混合优化（MPSO-RBF）方法，并将其应用到非线性系统的辨识中。该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合，克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点。经典型非线性系统仿真试验，并与GA-RBF和RBF辨识效果进行了对比，结果表明基于MPSO-RBF的混合优化方法较GA-RBF和RBF优化速度快、逼近性能好，可以达到更优的辨识精度。最后，通过对火电厂的过热汽温动态特性的辨识实例，同样证明了MPSO-RBF方法具有更好的性能指标。     

基于模糊神经网络的电梯系统交通模式识别

介绍采用模糊神经网络进行电梯群控系统交通模式识别的方法。用3步混合训练方法对用于模式识别的两个模糊神经网络进行训练,测试结果表明此方法可以准确地辨识出各种交通模式所占的比例,可以指导群控器优化派梯策略,提高电梯群控系统的服务性能。     

过程神经元网络学习算法及软测量方法的研究

研究输入输出以及连接权函数均可为时间函数的过程神经元网络(process neural network,PNN)的学习算法,在基本算法上增加基函数展开系数的规一化处理、权函数动量项调整项,提出学习率自适应调整方法和加速网络收敛速度的改进算法。将过程神经元网络引入到生产过程质量参数的软测量,研究基于正交基展开的过程神经元网络算法,通过分析原网络收敛速度慢等问题,对传统BP算法加以改进,实现了污水处理过程出水水质BOD的预测,仿真取得较好的结果,实践证明这是一种时变过程参数软测量的新方法。     

基于复数卷积-残差网络的雷达杂波幅度统计模型分类

雷达杂波幅度统计模型分类是进行杂波背景下检测目标的重要步骤。雷达杂波原始数据通常是复数数据, 但现有杂波幅度统计模型分类研究都是在实数数据上完成的。复数数据同时包含幅度和相位信息, 更丰富的信息量有助于雷达杂波幅度统计模型分类。为此, 引入复数神经网络, 利用仿真杂波高分辨距离像(high resolution range profile, HRRP)复数数据, 对雷达杂波幅度统计模型分类问题进行研究, 完成了以下工作: 一是为构建复数最大池化层, 定义并改进了复数最大池化算法, 通过复数卷积神经网络(complex-valued convolutional neural networks, CV-CNN) 对杂波幅度统计模型的分类实验, 对比了两种复数最大池化算法和复数平均池化算法的分类效果, 实验结果表明复数最大池化算法的分类效果更好, 分类准确率为97.29%;二是为进一步提高分类准确率, 构建了复数卷积-残差网络(complex-valued convolution-ResNet, CV-CRN), 通过实验对比分析了CV-CRN的性能, 实验结果表明, CV-CRN的分类性能优于CV-CNN, 分类准确率达到98.84%, 并具有较好的鲁棒性。     

无线传感器网络中基于粒子群优化的目标识别方法

针对无线传感器网络在地面目标声振信号识别方面的应用需求,在分析现有算法缺点的基础上,提出了基于粒子群优化(particle swarm optimization, PSO)方法的目标识别算法。利用粒子群算法优化基于模糊逻辑规则的分类器(fuzzy logic rule based classifier, FLRBC),分析了算法中各个参数的设置对算法性能的影响。基于实地采集到的信号的仿真实验表明,该方法在一定程度上提高了目标识别的正确率和稳定性,平衡了分类性能,改善了收敛性质。