基于概率模型LVQ的改进KNN分类新方法

KNN是基于实例的算法,对于大规模样本算法分类性能不高.针对这一缺点,提出一种基于概率模型的学习矢量量化神经网络的改进KNN分类新方法.考虑到最优参考点训练的重要性,结合概率方法得到最佳参考点的判断准则函数,采用梯度下降最优化算法利用LVQ训练参考点的最佳位置.在对未知样本进行分类时选出样本x的K个近邻,采用"投票选举"机制最后判断样本x的所属类别.新方法减少KNN的计算复杂度和时间,弥补了KNN在处理大规模数据问题上的不足.在UCI中数据集上的仿真实验表明改进算法的可行性.     

基于神经网络的邮件分类识别模型研究

本文综合分析了垃圾邮件和合法邮件的特征,对邮件结构字段信息和邮件正文信息加以离散和特征化处理,提取出7个特征属性来表示成向量代表电子邮件,采用BP神经网络来构造邮件分类识别器.经测试证明,本文提出的基于BP神经网络的邮件分类模型是可行和有效的,并具有良好的效果和智能性、自学习性.     

用极化信息实现雷达目标的分类与识别

利用极化信息，提取表征雷达目标的五个特征参数，并给出了这五个特征参数的显式表达式。运用BP神经网络技术，对选定雷达目标进行学习并分类计算。计算机模拟结果表明，这种利用极化信息和BP神经网络技术对雷达目标进行分类和识别的方法是可行的。     

用于旋转不变模式识别的一种逆滤波算法研究

为简化运算过程，较好地实现旋转不变相关识别的目的，提出了一种将逆滤波与基本的SDF（Synthetic Diserirninant Functions)相结合的改进的逆滤波器算法。该算法用实现旋转不变识别的基本综合鉴别函数方法合成逆滤波器的传递函数，既可识别旋转变化的图像，又具有逆滤波固有的相关峰尖锐、区分能力强的特点。计算机仿真结果表明，平面旋转的图像与传统的SDF相比，该模型具有较好的识别效果。     

基于LVQ神经网络的手写字母识别

提出了一种基于LVQ神经网络的手写英文字母识别方案.介绍了LVQ神经网络的基本原理,并利用LVQ神经网络的结构简单、泛化性能好、收敛速度快的特点,将它应用于复杂的英文字母识别.通过对英文字母图像进行预处理和特征提取,将提取的特征对网络进行训练,并利用训练好的网络对英文字母进行识别.Matlab仿真实验结果表明,LVQ神经网络可以对英文字母获得较高的识别率.     

用自适应谐振网络进行图像纹理的分类与识别

分析了逢适应谐振神经网络模型的模式分类能力，并利用该网络来进行图像纹理的分类和识别，对６类自然景物的纹理图片分类和识别结果难验证了方法的有效性，对心脏超声图片的分类也取得一些初步成果。     

BP网络与LVQ网络在遥感影像分类中的比较分析

遥感影像分类是遥感技术研究发展应用中的一个重要组成部分。基于Matlab平台应用BP、LVQ两种神经网络算法对TM多光谱影像进行了分类研究,最后应用混淆矩阵对这两种网络算法与最大似然法的影像分类结果做了精度评价与对比分析。实验结果表明,神经网络分类器作为一种非参数分类器,进行影像光谱特征分类时能获得较高的分类精度,引入对比度纹理特征后精度有更进一步的提高。两种神经网络算法中,LVQ网络算法的影像分类精度比BP网络要高。     

基于神经网络的语音识别研究

由于具有良好的抽象分类特性,神经网络现已应用于语音识别系统的研究和开发,并成为解决识别相关问题的有效工具.为解决一般语音识别系统准确率较低的问题,本文分别给出了由循环神经网络(RNN)和多层感知器(MLP)组成识别模块的两种语音识别系统,并对二者识别的准确性进行了比较.介绍了特征提取模块的主要工作步骤并讨论了组成识别模块的上述两种神经网络结构.其中,特征提取模块利用线性预测编码(LPC)倒谱编码器,把输入语音翻译成LPC倒谱空间中的曲线;而识别模块完成对某个特征空间曲线之间的联系和单词的识别.实验结果表明,MLP方法准确率高于RNN方法,而RNN方法准确率可达85%.     

应用综合鉴别函数实现畸变不变图像识别

针对传统图像识别方法对目标图像的尺寸、方位敏感问题,采用综合鉴别函数(SDF)实现比例和旋转不变图像识别. 给出了应用综合鉴别函数实现畸变不变图像识别的基本原理,研究了加权系数的计算,提出了用图像序列集{tn(x,y)}合成综合鉴别函数的方法. 通过计算机模拟和光学实验,证明了该方法的可行性.     

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.     

基于人工神经网络的人脸识别分类器设计

为了提高人脸识别系统的自适应性,采用BP神经网络对抽取出的人脸特征进行识别。对人工神经网络、BP网络应用于人脸识别的过程做了简要介绍。并通过仿真实验加以验证。     

基于遗传矢量量化和遗传神经网络的说话人识别系统

提出一种基于遗传神经网络的说话人识别系统.将遗传算法和矢量量化技术结合建立说话人模型,然后利用遗传神经网络进行识别.实验结果表明,这种方法既降低了用户的语音数据采集量,有利于话者模板的建立,又提高了系统的识别性能及鲁棒性,较传统方法有明显的优越性.     

基于径向基神经网络的目标识别研究

本文讨论了传统的径向基(RBF)神经网络聚类算法的基本原理,针对其选取初始中心矢量的不足,提出了一种新的选择初始中心矢量的方法,给出了新的学习算法,并将其应用于目标识别.仿真结果表明,新算法比传统的RBF算法具有更强的聚类能力,使目标识别更加准确.     

一种基于相似度的高效网络流量识别方案

支持向量机(support vector machine,SVM)是分类算法中集高效性、准确率和实时性于一体的分类方案。但由于在SVM分类决策的过程中,无关的分类器也参与了投票,使得方案的实时性和分类可靠性有一定程度的降低。提出了基于相似度的高效SVM网络流量识别方案(efficient SVM based on similarity,ESVMS)。ESVMS通过估算待分类实例可能所属的类别范围,排除SVM中那些无关分类器的投票决策。实验结果表明ESVMS较SVM分类准确度几乎没有降低,但分类实时性进一步提高。     

基于深度卷积神经网络与中心损失的人脸识别

传统人脸识别方法手工设计特征过程复杂、识别率较低,对于开集人脸识别通用深度学习分类模型特征判别能力较弱。针对这两方面的不足,提出了一种以分类损失与中心损失相结合作为模型训练监督信号的深度卷积神经网络。首先,利用构建的应用场景数据集优调从公共数据集获得初始化参数的深度人脸识别模型,解决训练数据过小和数据分布差异问题,同时提高模型训练速度;然后,以传统损失函数和新的中心损失作为迁移学习过程中的监督信号,使得类内聚合、类间分散,提高模型输出人脸特征的判别能力;最后,对人脸特征进行主成分分析,进一步去除冗余特征,降低特征复杂度,提高人脸识别准确率。实验结果表明,与传统人脸识别算法相比该算法可以自动进行特征提取,并且相对于通用深度学习分类模型该算法通过度量学习使特征表示更具判别力。在自建测试集和LFW、YouTube Faces标准测试集上都取得了较高的识别率。     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

基于卷积神经网络的交通标志识别方法

针对卷积神经网络(CNN)在交通标志识别过程中出现的梯度弥散而引起的识别率低的问题,给出了基于改进CNN结构的交通标志识别方法.实验结果表明:该方法能够有效提高识别精度,防止梯度弥散.     

基于Kohonen神经网络的遥感影像监督分类

作为一种自组织网络,Kohonen神经网络在遥感影像聚类中得到了广泛的应用.但Kohonen算法具有初始权值随机化、学习率和邻域难以确定等缺陷,并且作为一种聚类算法,难以直接进行监督分类.对Kohonen非监督学习算法进行改进,用最大最小距离法确定初始权值,利用权值误差作为网络训练收敛条件,并将Kohonen算法与奖惩...     

基于 LVQ 过程神经元网络的储层岩性识别

针对基于取心井岩心分析数据和测井过程数据的储层岩性判别问题, 建立了一类学习向量量化过程神经 元网络模型(LVQ-PNN: Learning Vector Quantization Process Neural Network)。 该模型通过增加输出层, 扩展了 自组织过程神经元网络的深度结构; 采用无监督竞争与有教师示教相结合的算法策略, 提高了多维信号特征的 自适应提取和自组织综合能力。 实验证明, 该方法具有较好的岩性特征综合和辨识能力, 岩性识别率达到了 84. 7%。