利用MLP和FFT实现快速脸部检测

提出了一种对静止图像进行快速脸部检测的方法.通过将多层感知器隐层神经元视为滤波器,利用快速傅立叶变换的性质,把时域卷积转换为频域乘积形式,在保持较高检测率的情况下提高了检测速度.实验证明,利用本文提出的算法可以获得较好的结果.     

Mining the Change of the Quality of Stored Grain

The quality of grain changes continually during its storage, including the change of its physical characteristics and physiological characteristics. This paper presents an approach to predict the change of the quality of stored grain with data mining technology. Logistic Regression, Decision Tree and Muitilayer Perceptron are applied to predict the change of the grains＇ quality control index and to obtain the grains＇ quality change probability. The grain sampling with higher probability can be processed earlier.     

线性化逐层优化MLP训练算法

提出了线性化逐层优化ＭＬＰ训练算法（ＬＯＬＬ）．ＬＯＬＬ采用循环方式逐层对ＭＬＰ的连接权值进行训练．训练连接权值时用一阶泰勒级数表示神经元的非线性激活函数以实现神经网络的线性化,使ＭＬＰ的训练问题转化为一个线性问题．同时,为保证神经网络线性化条件不被破坏,ＬＯＬＬ通过在神经网络的误差函数中计入部分线性化误差限制参数的改变幅度,对神经网络的误差函数进行了修正．实验结果显示,ＬＯＬＬ训练算法的速度比传统的ＢＰ算法快４倍,用它构成的语音信号非线性预测器有较好的预测性能．     

基于优化检测网络和MLP特征改进发音错误检测的方法

该文基于优化的检测网络和多层感知(multi-layerperception,MLP)特征,提出一种可以更加准确地检测出错误发音类型的方法。首先,从第二语言学习的语音库中提取出基本的发音规则以及组合的发音规则,并相应地计算它们发生的先验概率,再将这些具有先验概率的规则用于构建基于多发音的扩展检测网络。然后在检测过程中,引入基于发音特征的MLP特征来描述发音概率,替代了传统的语音声学特征。最后使用基于MLP特征的GMM-HMM框架从检测网络中识别出最可能的发音音素串。实验表明:该方法将音素识别正确率提高了3.11%,错误类型准确率提高了7.42%。     

基于MLP方法的船舶大幅横摇近似解析解

具有一定精度的近似解析解可以将船舶横摇运动特征直接与船体参数相联系,便于分析船体参数对横摇运动及稳定性的影响.文中考虑阻尼力矩和恢复力矩的非线性建立了船舶在规则波中的横摇运动方程;为了克服弱非线性的局限性,采用改进的Lindstedt-Poincare(MLP)方法对横摇运动方程进行摄动求解,经细致推导得到精确至二阶的解析解(静水中)和精确至一阶的解析解(波浪中).最后对一目标船分别采用MLP和数值算法进行求解,验证了近似解析解的正确性.     

神经网络和遗传算法在人脸定位中的应用

人脸是十分常见的复杂模式,在复杂景物图片中自动找出人脸是很困难的,但是却有着重要意义,因为这同时也是自动人脸识别系统的前提．提出了一个基于多层感知器（ＭＬＰ）的用遗传算法实现搜索的人脸定位系统,讨论了系统建立的理论基础,即ＭＬＰ直接感知图象和用遗传算法进行快速搜索．实验结果表明,它尤其适合在复杂背景下的低分辨图象中进行操作,鲁棒性好、定位快、适应面宽．     

基于支持向量机和多层感知器的多病类诊断基因选择方法

超高维基因空间超小样本的基因选择问题是基因芯片技术的挑战性课题之一,对于解决维数发难问题和获得诊断基因具有重要的理论和实际意义.针对DNA微阵列数据的超高维空间和超小样本特性,提出了实现二病类样本有效分类的基于支持向量机(SVM)和leave-one-out的递增基因选择方法,并针对多病类情况的基因选择问题,提出了在区分两两病类所选基因基础上的基于多层感知器(MLP)和leave-one-out/MLP leave-4-out的递减基因选择方法.对于真实MIT数据(7129个基因、两个病类、72个样本)和NCI数据(2308个基因、64个样本、4个病类),用文中方法选择出了11个和6个诊断基因,与传统SNR方法的比较结果表明所选出的这些诊断基因有很好的诊断性能(即推广能力),既可有效诊断相应疾病,同时极大降低芯片和诊断费用,表明了该方法的有效性.     

Gene association study with SVM, MLP and cross validation for diagnosis of diseases

Gene association study is one of the major challenges of biochip technology both for gene diagnosis where only a gene subset is responsible for some diseases, and for the treatment of the curse of dimensionality which occurs especially in DNA microarray datasets where there are more than thousands of genes and only a few number of experiments （samples）. This paper presents a gene selection method by training linear support vector machine （SVM）/nonlinear MLP （multilayer perceptron） classifiers and testing them with cross-validation for finding a gene subset which is optimal/suboptimal for the diagnosis of binary/multiple disease types. Genes are selected with linear SVM classifier for the diagnosis of each binary disease types pair and tested by leave-one-out cross-validation; then, genes in the gene subset initialized by the union of them are deleted one by one by removing the gene which brings the greatest decrease of the generalization power, for samples, on the gene subset after removal, where generalization is measured by training MLPs with leaveone-out and leave-four-out cross-validations. The proposed method was tested with experiments on real DNA microarray MIT data and NCI data. The result shows that it outperforms conventional SNR method in the separability of the data with expression levels on selected genes. For real DNA microarray MIT/NCI data, which is composed of 7129/2308 effective genes with only 72/64 labeled samples belonging to 2/4 disease classes, only 11/6 genes are selected to be diagnostic genes. The selected genes are tested by the classification of samples on these genes with SVM/MLP with leave-one-out/both leave-one-out and leave-four-out cross-validations. The result of no misclassification indicates that the selected genes can be really considered as diagnostic genes for the diagnosis of the corresponding diseases.     

基于神经网络及特征运算的老年人平衡能力分析

针对老年人跌倒现象,提出一定的改善建议;使用多层感知器神经网络对影响老人平衡的身体因素进行权重分析,基于前向传播原理推测出老人的摔倒概率;以标准老人各项实验指标为基准,建立平衡比对模板,测算出度量空间中标准老人和样本老人身体特征点的位移-时刻函数关系,并用MATLAB软件将其绘制成图,通过比较找出影响老人身体平衡的部位所在,针对不同的部位提出改善建议;结果表明:76位样本老人中超过半数的老人身体平衡能力较弱,具有较高的摔倒风险,且异常观测点均涉及肩关节、后脑和脊柱等部位,所得结果对于预防老人摔倒具有一定的参考价值。     

基于多物种进化遗传算法的神经网络进化设计方法

针对神经网络结构设计的问题与一般结构学习方法的不足，提出了多物种进化遗传算法(SEGA)，并以MLP为例给出了基于此算法的神经网络结构进化设计方法。该方法融合了遗传算法与神经网络，具有模型搜索空间广泛、算法适应性强的特点。仿真结果表明该方法是有效的。