基于BP网络的字符模式识别

神经网络理论已经成为解决某些问题的重要手段的方法.但利用神经网络进行解决问题和设计的时候,必定会涉及到大量的有关数值计算等问题,所以利用计算机对神经网络模型进行仿真和辅助设计时,仍是件很麻烦的事情.所以MATLAB的便利受到了青睐,BP网络在人工神经网络中应用最为广泛,而且在理论上十分完善,网络结构也比较直观.在BP网络中,模式识别是应用比较广泛的一个方面.该系统使用MATLAB中神经网络工具箱对英文表中的26个字母进行识别.通过建立网络,训练网络,测试网络,最后进行仿真,完成了正确识别26个英文字母的功能.该系统的操作界面简洁、友好、使用简单方便.     

"弹性"BP神经网络在识别带有噪声字母中的应用

字符识别是模式识别中的一个典型应用,通过训练网络可以教会计算机如何识别字符,这在票据处理方面可以大大地提高效率.该文中所建立的神经网络具有Sigmoid型可微函数的三层BP神经网络,它可以以任意精度逼近任何连续函数,实现输入和输出之间的任意非线性映射.文中分析了BP神经网络的“弹性”学习算法,利用五位二进制数来识别的输出26种状态.建立的一个三层的BP神经网络能对带有噪声的26个英文大写字母进行识别.利用MATLAB编写仿真程序对BP神经网络进行训练,仿真结果表明训练的BP神经网络可以对给定的带有噪声的字母正确地识别.     

Arial字体大写字母的快速识别

探讨Arial字体英文大写字母的快速识别.用画图软件生成Arial字体大写字母样本图像.经过细化、剔除毛刺等预处理之后,再从中提取各字母的拓扑结构特征和端点特征,通过对各字母的特征进行分析,得出Arial字体大写字母的识别算法.应用Matlab软件编程实现了Arial字体大写字母的快速识别.     

基于粒子群训练的人工神经网络应用于多光遥感影像分类研究

为了提高多光谱遥感影像的分类精度,提出一种基于粒子群训练的人工神经网络的多光谱遥感影像的分类方法.该方法先建立一个针对多光谱遥感影像的神经网络分类模型,然后引入粒子群算法对神经网络进行网络权值与阈值的优化,再利用训练好的神经网络对多光谱遥感影像进行分类.该方法不仅利用了人工神经网络在解决多光谱遥感影像混合光谱的优势,而且克服了BP神经网络在训练时候收敛速度过慢、振荡的缺点.实验结果证明:基于粒子群训练的人工神经网络方法能够比较好地提高多光谱遥感影像的分类精度.     

基于一维卷积神经网络的网络流量分类方法

针对传统机器学习算法对于流量分类的瓶颈问题,提出基于一维卷积神经网络模型的应用程序流量分类算法。将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。设计了一种新的一维卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中特征选择问题。通过网络公开数据集进行模型测试,相比于传统的一维卷积神经网络模型,所设计的神经网络模型的分类准确率提升了16.4%,总分类时间节省了71.48%。另外在类精度、召回率以及[F1]分数方面都有较好的提升。     

非线性电路的神经网络故障诊断方法

针对非线性动态电子电路,提出一种基于神经网络的故障诊断方法。通过故障字典的建立,对电路故障响应进行预处理后得到的故障特征作为神经网络的输入,然后利用神经网络对各种状态下的特征向量进行分类决策,对故障类别进行辨识,并对电路进行了可测性分析,从而实现非线性电路的故障诊断。详细的仿真过程及结果表明, 该方法有效地解决了非线性电路辨识难的问题,能较好地对故障模式进行分类,取得了满意的诊断效果。     

一种新的模糊聚类神经网络及其在语音信号系统辨识中的应用

主要解决语音信号模型的系统辨识问题.针对过去的模糊聚类算法进行系统辨识时逼近性能不理想的问题,提出了一种新的模糊聚类神经网络(FCNN).该方法以模糊系统模型为基础,将每个状态看作一个模糊系统,用连续的若干序列作为系统的输入,利用改进的模糊聚类辨识算法构成一种新型的模糊聚类神经网络,对系统的输出进行预测.通过语音信号系统辨识的实验,验证了本网络的有效性.     

基于ART2神经网络算法改进的研究

ART2神经网络是按照自适应谐振理论建立的一种自组织、无监督的人工神经网络.通过分析经典自适应谐振神经网络聚类过程,针对传统ART2神经网络模型对分类的不确定性和网络权值模式漂移等不足,提出了基于算法改进的ART2神经网络模型.最后对改进的ART2神经网络进行了仿真,并与经典神经网络所做仿真的结果比较,验证了改进的ART2神经网络结构大大提高了分类的正确率,有效改善了模式漂移现象.降低了空间存储消耗.     

表面肌电信息融合与动作分类

提出基于多个特征域信息融合的方法,进一步去除不确定性、提高表面肌电分类准确率.选择的表面肌电特征参数分别为时域绝对值积分、AR模型系数和线性倒谱系数.待辨识的6类手部动作肌电信号经各特征域变换,提取特征矢量后由BP神经网络分类,根据D-S证据理论对各分类器分类结果进行证据累积,并得到最终分类结果.实验结果表明,动作分类准确率高于传统的单特征集单分类器的分类方法,且训练、分类效率高于结构化神经网络特征融合方法.     

基于代价敏感卷积神经网络的非平衡问题混合方法

非平衡问题是数据挖掘领域中普遍存在的一个问题,数据的偏态分布会使得分类器的分类效果不理想.卷积神经网络作为一种高效的数据挖掘工具,被广泛应用于分类任务,但其训练过程若受到数据非平衡的不利影响,则将导致少数类的分类准确率下降.针对二分类非平衡数据分类问题,文中提出了一种基于代价敏感卷积神经网络的非平衡问题混合方法.首先将密度峰值聚类算法与SMOTE相结合,通过过采样对数据进行预处理,降低原始数据集的不平衡程度;然后利用代价敏感思想对非平衡数据中的不同类别给予不同权重,并考虑预测值与标签值之间的欧氏距离,对非平衡数据中多数类和少数类赋予不同的代价损失,构建代价敏感卷积神经网络模型,以提高卷积神经网络对少数类的识别率.选取6个不同的数据集,用于验证所提方法的有效性.实验结果表明,所提方法可以提高卷积神经网络模型对非平衡数据的分类性能.