多重编码的三维多目标光学模式识别研究

利用Ｋｏｈｏｎｅｎ侧抑制自动组织神经网络算法和改进的增量算法，对三维多目标识别中的同一目标不同训练样本由单一编码改为重编码，减轻了多层级联神经网络中第一级网络权重的学习负担，在不降低网络识别目标正确率的条件下，使权重学习的收敛性及收敛速度得到较大改善。     

基于卷积神经网络的肺炎检测系统

提出一种利用卷积神经网络对胸部X光影像数据进行分析,实现对肺炎这一常见症状进行检测的系统。该方案首先进行图像预处理,然后采用VGG卷积神经网络和改进VGG卷积神经网络分别实现对胸部X光影像的特征提取,得到两种网络对肺炎的检测准确率,最终测试结果显示,改进VGG卷积神经网络在对肺炎检测上具备比VGG网络更好的识别效果,同时,改进VGG网络在标定好的数据集进行训练时能够更快的收敛。通过在公开数据集上进行测试表明,改进VGG卷积神经网络得到了98.5%的准确率,相比于VGG网络提升了2%以上的识别准确率,证明该方案在肺炎识别上具有可行性。     

基于改进BP神经网络的脱机手写文字识别

在MATLAB中构建脱机手写文字识别系统,并利用Levenberg-Marquardt算法对标准BP神经网络的阈值和权值进行优化。经过仿真实验,证明该改进方法克服了在识别过程中BP网络存在的训练时间长、收敛速度慢等缺点,并且提高了系统的识别率,是一种有效可行的BP网络改进方法。     

基于改进的独立分量分析的图像分离的研究

文章对独立分量分析的基本理论和FastICA的算法实现作了简要介绍。为提高收敛速度．对牛顿迭代法加以修正，并证明了修正形式为三阶收敛，提出了一种改进的牛顿迭代法的独立分量分析算法。通过对图像信号分离仿真实验表明。改进算法在与传统FastICA算法分离效果相当前提下，迭代次数减少了14．3％，收敛速度更快。     

基于改进BP神经网络的车牌字符识别

在分析了BP网络学习算法的缺陷的基础上引入动量项和遗传算法对BP网络学习算法进行改进,大大提高了BP网络的收敛速度.对车牌字符图像进行分割并利用sobel算子进行边缘检测来提取字符特征.然后利用改进的BP网络来自动识别车牌字符,提高了识别的速度和正确率.     

基于样本随机均匀分布的BP神经网络改进算法

人工神经BP网络在样本特征的模式识别方面具有很强的分类能力,并且具有较好的泛化能力,但同时也存在不足之处,如收敛速度慢,很容易陷入局部极值,难以确定隐层数和隐层节点数等等。因此本文提出了一种基于样本随机均匀分布的BP网络识别的改进算法,进行了深入的数学分析和实验验证。实验结果表明,改进型算法能够有效的改进传统BP网络收敛速度慢和容易陷入局部极值的问题。     

改进残差网络的多角度车型识别方法

在现实交通场景中,现有车型识别方法主要针对正面或侧面角度的车辆,但由于识别角度相对单一并不适用于多角度的车型识别.为满足实际场景下对车型识别要求,提出一种改进的残差结构特征提取网络,对其结构进行加宽改进,网络使用较少参数提取特征,加快整体网络的收敛速度.其次,结合使用基于可调类间距的Softmax Loss度量学习方法(Large-Margin Softmax Loss)进行车型识别,达到增大类间距离并减小类内距离的学习目标,提高识别的准确率.实验表明,本方法能够在交叉路口、林荫道、园区道路等复杂交通场景下进行多角度车型识别,测试识别准确率达97.4％.     

改进BP神经网络在物体识别中的应用

针对传统BP神经网络容易陷入局部极小、收敛速度慢和确定隐含层的神经元个数比较困难等缺点,从结构和算法两方面对BP神经网络进行改进。改进后的网络具有较快的收敛速度和较短的运行时间,加强了BP神经网络的学习能力和自适应能力,并将其应用于物体的分类识别,取得了良好的效果。仿真结果表明了此改进方法的可行性和有效性。     

车牌图像特征提取及改进神经网络的识别算法研究

针对车牌字符图像进行特征提取与识别算法的研究。使用BP神经网络识别算法建立车牌字符图像的识别。由于常规BP神经网络算法本身存在训练过程容易陷入局部最小值、收敛效率低以及网络结构参数不易确定等缺点。另外,BP网络结构参数的选取对算法的性能影响很大,而参数的选取通常是根据经验公式选取的,存在很大的随机性和盲目性,使算法的性能无法得到保证。因此该文使用收敛速度快、适用于全局搜索的PSO优化算法对BP神经网络算法的性能进行优化,研究一种双粒子群优化的改进BP神经网络算法。最后通过车牌识别实验对识别算法进行研究,结果表明,通过对神经网络算法进行改进,使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型,具有较好的识别性能。     

基于UDP的无线自相似环境下MPEG-4码率自适应控制

对在无线局域网环境下，基于UDP的多媒体流码率自适应控制进行了研究，同时探讨了网络自相似等相关问题，并借鉴通信原理中的自适应滤波方法，解决网络较平稳时码率收敛问题。通过在实验环境下对理论结果加以测试验证，实现了在自相似、多级分形的无线网络状况下，RTP／UDP／IP协议的多媒体码率自适应控制。该方案能更有效地跟踪实时的网络有效带宽，比传统模型的方案更快速、准确，保证服务质量。特别地，采用带收敛特性的自适应算法后，当网络有效带宽趋于稳定时，媒体流的输出速率也收敛并趋于稳定，有利于server和网络效率的改善。     

BP神经网络的发展现状综述

讨论目前人工神经网络领域中BP神经网络的特点、改进算法以及在实际中的应用。主要包括模式识别及分类、故障智能诊断、图像处理、函数拟合、最优预测等方面的应用。最后对目前人工神经网络的存在问题和发展前景做了初步探讨。     

一种改进的BP神经网络模型及其在语音识别中的应用

提出了一种改进的ＢＰ神经网络模型，即多层双并联神经元可学习的人工神经网络，给出了相应的算法。并以异或问题和对称性检测问题为题，对改进算法和传统算法的优缺点进行了比较；对改进的ＢＰ网络在孤立单字语音识别应用作了初步探讨。     

DIFFERENCE FEATURE NEURAL NETWORK IN RECOGNITION OF HUMAN FACES

This article discusses vision recognition process and finds out that human recognizes objects not by their isolated features, but by their main difference features which people get by contrasting them. According to the resolving character of difference features for vision recognition, the difference feature neural network(DFNN) which is the improved auto-associative neural network is proposed. Using ORL database, the comparative experiment for face recognition with face images and the ones added Gaussian noise is performed, and the result shows that DFNN is better than the auto-associative neural network and it proves DFNN is more efficient.     

基于人工神经网络下的图像识别的研究

主要利用人工神经网络的理论知识研究在图像识别中的应用为目的,研究图像识别中图像分割的技术,同时详细分析了多层前馈神经网络的描述及BP算法工作过程。介绍隐层的选择及隐层神经元数选择的一些经验方法。针对BP算法存在的问题,提出加可变动量因子的BP算法,通过对网络训练过程参数调整以及增加可变动量因子等方面进行优化改进,实验证明加快了训练速度,改善了BP网络的学习效果。     

改进非负矩阵分解的神经网络人脸识别

为了提高人脸识别正确率,提出基于改进非负矩阵分解的神经网络人脸识别算法。首先利用改进的非负矩阵分解对人脸图像进行特征提取,提高非负矩阵分解速度。接着将提取出的特征信息作为神经网络学习入口进行特征训练,由于神经网络在学习过程中,容易出现局部最小值且收敛速度慢等问题,为此采用改进的遗传算法对神经网络进行优化处理,获得最终的人脸识别结果。实验结果表明:利用改进的非负矩阵分解方法能够降低神经网络的分类训练负荷量和运算量,提高人脸识别识别率。通过和各种方法比较可知,本方法的人脸识别率都较高。本方法人脸特征分解速度快,提高了神经网络训练前期精度和收敛速度,使得人脸识别正确率高。当特征向量个数达到40以上时,人脸识别正确率保持95%以上。     

低信噪比下的数字调制信号自动识别

提出了一种基于神经网络的数字调制信号识别。首先利用升余弦滤波器滤波,然后提取了5个用于识别的特征参数,利用神经网络分类器进行数字凋制识别。神经网络分类器采用了多层组合的神经网络分类器,不需要设定判决门限,而且在收敛速度、训练时间以及识别率方商都有很大改进。仿真结果表明,在信噪比大于4dB时,系统的正确识别率可达95％以上。这种低信噪比下快速有效的调制识别方法易于实时应用和工程实现。     

基于混合神经网络的车牌字符识别技术

车牌识别是智能交通系统的重要组成部分,其关键是车牌字符识别技术。单一的神经网络难以识别模糊的车牌字符,文中提出了一种混合神经网络实现车牌字符识别技术。该混合神经网络结合联想记忆与BP神经网络,对输入的字符进行两次判别,经过训练、特征提取得到检测结果。通过在不同的噪声和不同的角度实验表明,采用混合神经网络具有更高的识别精度。     

协同式神经网络的识别性能分析

本文对一类全新的神经网络——协同式神经网络的性能进行了研究.在介绍了模式识别协同式神经网络原理的基础上,进一步分析了离散协同网络的识别稳定性及识别率,并与传统神经网络——Hopfield网络在汉字图像识别方面进行了性能比较,进而指出协同式神经网络在真实汉字图像识别性能上具有极大的优势.     

基于GMM说话人分类的说话人识别方法研究

提出了基于高斯混合模型（GMM）说话人分类的分级说话人识别系统,同时将小波神经网络（WNN）引入到子识别系统中。分别对未分级说话人识别系统和分级说话人识别系统进行了比较。仿真实验结果表明,分级网络在保证正确识别率的同时,不仅改善了网络训练速度,亦大大提高了识别响应速度。