基于构造型神经网络的分类算法

提出一种基于构造型神经网络的最大密度覆盖分类算法,以便更加有效地解决模式识别的问题.首先,引入一个密度估计函数,用该函数对样本数据进行聚类分析,找出同类样本中具有最大密度的样本数据点,然后,在特征空间里作超平面与球面相交,得到1个球面覆盖领域,从而将神经网络训练问题转化为点集覆盖问题.该算法的特点是直接对样本数据进行处理,有效地克服了传统神经网络训练时间长、学习复杂的问题,同时也考虑了神经网络规模的优化问题.计算机仿真实验结果证实了该算法的有效性.     

基于结构特征的汉字识别

提出一种基于文字结构特征的神经网络手写汉字识别策略 ,根据所提取的文字笔画方向、基本轮廓和交叉点等特征 ,采用基于自组织神经网络的模式聚类该方法完成正规手写文字的识别 .该方法提取的笔画轮廓十分准确有效 ,对手写汉字的约束少 ,可识别的汉字数量大 ,在仿真实验中有效地识别了绝大多数手写汉字     

蚌埠地区金矿预测中地球化学信息研究

以蚌埠地区金矿资源预测为例 ,探讨了覆盖区及半覆盖区矿产预测中地球化学信息的研究方法 .提出了重砂异常源连线法、化探异常轴线推测法及含矿构造提取法 ,较好地解决了成矿期构造识别问题 ,丰富了构造重砂、构造化探的研究内容 ,取得了明显的效果 .     

纹理特征抽取和纹理识别的神经网络系统

本文提出一个纹理特征抽取和纹理识别的神经网络系统,它含有一基于纹理回归模型的特征抽取网络和一个纹理识别的多层神经网络,尤其是前者是一个能求解回归系数的,神经网络,不仅解决了纹理特征抽取问题,而且解决了一大类采用最小二乘估计的应用问题,因而具有一定通用性.     

纹理特征抽取和纹理识别的神经网络系统

本文提出一个纹理特征抽取和纹理识别的神经网络系统,它含有一基于纹理回归模型的特征抽取网络和一个纹理识别的多层神经网络,尤其是前者是一个能求解回归系数的,神经网络,不仅解决了纹理特征抽取问题,而且解决了一大类采用最小二乘估计的应用问题,因而具有一定通用性.     

计算球覆盖最小半径的神经网络方法

Banach空间中的闭球族称为球覆盖,如果任一元素的内部不含原点,且所有元素之并覆盖了单位球面.本文采用神经网络方法研究Rn中球覆盖最小半径的计算问题,重新给出计算基数为m(≥n 1)的球覆盖最小半径的公式(对于m=2n(对称)和m=n 1给出了解析表达式),然后基于罚函数法建立神经网络模型,该模型的平衡点集具有大范围吸引性且(渐近)稳定平衡点等价于(严格)极大值点.最后给出了数值例子验证该方法的有效性.     

基于判别域界面几何法模式识别的铁路轴承故障诊断

基于最优分类线的概念,提出了一种新的模式识别分类器构建方法——判别域界面几何法.该方法利用BP神经网络的高度非线性,将模式类样本数据从高维输入空间映射至二维判别域空间后,采用多边形中轴提取方法,构造模式类间隙多边形的中轴线,延伸至整个二维判别域空间,生成模式类决策边界.以铁路货车车轮用双列圆锥滚子轴承的故障诊断为例,介绍了判别域界面几何法的应用过程.结果表明,判别域界面几何法能在二维判别域空间上给出各不同故障模式类之间明确的界限,这就给操作者直观判断故障模式类别提供了条件.     

质量控制图中趋势模式的综合识别方法

提出了一种综合模糊技术与神经网络技术对基于控制图的趋势模式进行自动分类识别的智能方法 .将控制图作为信息图用于趋势模式的提取 ,用模糊化的控制图模式数据构造训练集 ,将训练后的BP神经网络用来对趋势模式进行自动分类识别 .该方法为工序状态异常模式识别提供了一种新的方法 ,提高了工序异常状态分类识别的效率和可靠性 .最后用实例进行了仿真实验     

BP神经网络在清洁机器人路径规划中的应用

为了解决清洁机器人完全覆盖路径规划中最大覆盖率和最小重复率的要求,在清洁机器人犁田式全局路径规划算法的基础上,提出了BP神经网络方法作为清洁机器人的局部路径规划.运用基于深度优先遍历的改进型BP神经网络算法.解决清洁机器人的清扫死区问题.仿真的结果表明所提出的BP神经网络方法和改进型BP神经网络算法能够解决清洁机器人在家庭内的完全覆盖路径规划问题.     

基于AP和BP神经网络算法的手写数字识别

针对现有的手写数字识别技术不适合大规模应用的问题,提出了一种基于AP和BP神经网络的快速手写数字识别算法。首先对预处理后的样本通过AP算法(affinity propagation)聚类消除冗余,重新构造样本空间;然后构造BP(误差反向传播)神经网络模型,学习测试集合样本。采用UCI机器学习数据库中的数据进行实验,结果表明,算法的识别正确率可达96.10%,高于BP神经网络算法的识别正确率94.88%,且执行时间约为后者的10%,具有较高的实用价值。     

基于不同分块多特征优化融合的人脸识别研究

针对光照、姿态、表情等复杂情形下人脸识别率较低的问题,提出基于不同分块多特征优化融合的人脸识别方法.首先考虑了局部二值模式、局部相位量化特征和小波变换特征.进一步,考虑单一分块算法会使分割线周边信息不能完整提取,从而丢失对人脸识别的有用特征,提出了人脸灰度图像多重分块的方法.最后,采用遗传算法对不同分块多特征进行权值寻优,得到最优权值.在大规模人脸数据集FRGC2.0数据库上进行实验四验证,验证率达到95.31%(FAR0.1%),首选识别率为99.06%,相比于前期文献,该算法能多方位提取人脸特征信息,提高人脸识别率,且所用特征较少.     

RSOM算法及其应用研究

神经网络以其优越的非线性拟合能力和强大的自组织模式分类能力已被用于许多模式识别问题,并取得了很好结果．但是对于大样本集分类和复杂模式识别问题,大多数常规神经网络在决定网络结构与规模、设计自学习算法和应付庞大的计算量等方面存在诸多困难．为了克服这些困难,在Kohonen自组织映射模型(SOM)的基础上,提出了两种基于类别可分性判据RSOM分类树：非结构自适应的RSOM-Ⅰ分类树与基于奇异值分解方法的结构自适应RSOM-Ⅱ分类树,这两种分类树的每个节点由拓扑有序的自组织映射网络组成．RSOM分类树的优点在于处理大样本集和复杂模式的识别问题时能够自适应地确定网络的结构和规模,最后的数据试验就是很好的佐证．     

进化规划方法在并行多机调度问题中的应用

并行多机调度问题是一类重要的车间调度问题,但迄今为止,在解决工件和机器数较多的大规模并行多机调度问题还存在着许多困难。进化规划方法与遗传算法一样是一种重要的进化计算方法,但与遗传算法相比,进化规划算法的应用还刚刚开始,特别是在调度领域的应用还很少见文献报道,第一次将进化规划方法应用到并行多机调度问题中,并在问题的描述、可行解的表示、变异方法、提高进化规划方法的局部寻优能力等方面作了研究。不同规模的计算实例表明了本文提出的进化规划算法是有效的,能用于解决较大规模并行多机调度问题,且解的质量优于启发式算法和模拟退火算法。     

语音情感特征提取和识别的研究与实现

针对语音情感识别的实时性与可用性问题,提出了利用汉明窗提取语音信号中情感特征的方法,从说话者中采集带有快乐、愤怒、惊奇、悲伤情感的语句,并从语句中提取8个情感特征参数．同时提出采用贡献分析法确定情感特征参数的权值,利用加权欧氏距离模板匹配识别语音情感．实验表明该方法识别率有提高,更适合实时识别的应用。     

一种改进的伪Zernike矩的快速算法研究

Zernike矩因具有正交性和旋转、平移、尺度不变性被广泛应用于模式识别特别是图像分析领域. 伪Zernike矩与Zernike矩相比, 具有更多的特征向量以及更强的抗噪声能力. 但在求伪Zernike矩时, 计算复杂性很大. 针对该问题, 在Chong和Xia等人对伪Zernike多项式的研究基础上, 结合Clenshaw递推公式, 提出了一种改进的快速求解算法. 实验结果表明, 改进后的方法在CPU的时间耗费上有较大的改善, 并初步将其应用于人脸识别中, 在训练和识别的时间上, 获得了较好的效果.     

基于割平面的随机规划分解方法

以两阶段随机规划为例,给出了基于割平面的三种分解方法：L型方法、多切割方法和自适应多切割聚合算法。三种方法都是以割平面为基础,将大规模问题分解为一系列小规模问题进行求解,从而降低了求解的规模。通过分析三种方法的优缺点,得到用自适应多切割聚合算法求解大规模问题时在计算时间方面的优越性,并给出了今后研究的方向。     

Face Recognition Using Kernel Discriminant Analysis

Linear Discrimiant Analysis (LDA) has demonstrated their success in face recognition. But LDA is difficult to handle the high nonlinear problems, such as changes of large viewpoint and illumination in face recognition. In order to overcome these problems, we investigate Kernel Discriminant Analysis (KDA) for face recognition. This approach adopts the kernel functions to replace the dot products of nonlinear mapping in the high dimensional feature space, and then the nonlinear problem can be solved in the input space conveniently without explicit mapping. Two face databases are used to test KDA approach. The results show that our approach outperforms the conventional PCA(Eigenface) and LDA(Fisherface) approaches.     

基于遗传算法和概率神经网络提高脑机接口中脑电信号识别率

针对脑机接口（BCI）研究中存在脑电信号（EEG）识别率低的问题,提出一种基于遗传算法（GA）和概率神经网络（PNN）的GA—PNN识别方法．用该方法对EEG提取时频特征,构成模式识别的初始特征．以训练样本识别正确率为适应度函数,采用GA对初始特征进行组合优化．基于优选后的特征,用PNN对测试样本进行分类．该方法使EEG识别正确率达到92．499／5,与2003年BCI国际竞赛最好的处理结果（88．7％）相比,提高近4％,为BCI中EEG的识别提供了有效的手段．     

一种采用支持向量机和凸包拟合的茄子识别方法

传统的茄子图像识别研究大多数针对单果、无遮挡、自然环境较简单的情况,而解决复杂自然环境下多果、遮挡的茄子识别问题,已经成为茄子采摘机器人急需解决的问题。对于无遮挡的情况,采用支持向量机进行分割,并且应用开运算去除细小连接。为了去除大面积噪声,采用面积法和外接矩形法。针对背景与茄子相似的情况,采用直方图匹配的方法进行分割识别。对于被遮挡的茄子应用凸包拟合的方法进行识别。最后,与其他算法在单果、多果、遮挡、背景复杂、表面反光、总识别率这6种情况下进行比较,结果表明,该算法的识别率较高。     

一种模板匹配和神经网络的车牌字符识别方法

提出了一种基于模板匹配和神经网络的车牌识别方法。该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的优势,可有效地提高车牌字符的识别率、识别速度和识别系统的泛化能力。实验结果表明：大多数情况下,该方法的识别率超过90%,识别时间不超过1200ms,能有效地识别各种车牌中的字符,满足实际系统的要求。