基于Krawtchouk-RBF的印章图像分类识别

为了有效地对印章图像进行分类,提出了一种基于Krawtchouk矩和RBF神经网络的印章图像分类识别方法。首先提取标准印章图像的Krawtchouk矩不变量,将其作为RBF神经网络的原始训练样本;然后提取全部待鉴印章图像的Krawtchouk矩不变量,将其作为RBF神经网络的输入量进行分类识别。实验结果表明,使用Krawtchouk矩来描述印章图像的特征并通过RBF神经网络来对其进行分类识别的方法十分有效,与同类的Brushlet-RBF法和KPCA-RBF法相比,其识别率更高,且更准确。     

改进的Fuzzy—Artmap网络在遥感图像分类中的应用

提出了一种新的神经网络RBF Fuzzy-Artmap网络,该网络由径向基(RBF)神经网络和Fuzzy-Artmap网络构成.因为在Fuzzy-Artmap网络结构中使用了RBF网络的学习方法,因此克服了RBF网络和Fuzzy-Artmap网络的缺点,具有在线增量学习的功能,且不受样本输入顺序的影响.将新型网络应用到遥感图像分类中,得到了满意的分类精度,是一种有效的图像分类方法.     

基于Brushlet和RBF网络的SAR图像分类

针对SAR图像纹理特征丰富的特点,本文提出一种新的SAR图像分类方法:通过提取Brushier变换的能量及相位信息作为SAR图像的纹理特征,然后输入径向基函数RBF网络对图像进行分类.Brushlet变换为复值函数,具有方向信息,因此对分析富含方向信息的纹理图像十分有效,而同时提取其能量及相位特征则更优.RBF网络学习速度快,不易陷入局部极小,是一种有效的分类器.实验表明,基于Brushlet复特征和RBF网络的方法能够获得较高的分类率,性能优于传统方法.     

中心、方差及权值直接确定的RBF神经网络分类器

模式分类是径向基函数(RBF)神经网络应用的一个重要方面,目前大多数RBF网络都采用迭代学习的方法.区别于反复迭代训练而得到网络参数的惯常做法,重新探讨一种基于矩阵伪逆或逆的中心、方差及权值可直接确定的方法.并基于此方法构建一种模式识别分类器,对IRIS分类问题进行计算机仿真验证.结果表明,相对于迭代法,该直接确定方法具有更快的计算速度,构建的RBF神经网络分类器也具有良好的分类性能.     

基于RBF 神经网络集成的三维模型分类和检索

针对单个神经网络难以对复杂的三维模型特征空间有足够的优化能力和泛 化能力的问题,用Boosting 方法变种和基于粒子群训练的RBF 神经网络,形成特征空间对 应的多个神经网络,然后将神经网络集成,给出三维模型的分类信息。在三维模型检索时, 将神经网络集成输出的分类信息和特征空间上的距离信息进行加权计算,得到三维模型之间 的相似度。实验结果表明,基于RBF 神经网络集成的分类方法能有效提高三维模型的分类 准确率;同时,考虑特征空间上模型间的距离和语义分类层次上模型间的距离,能够大大提 高三维模型的检索精度。     

RBF神经网络在遥感影像分类中的应用研究

用RBF神经网络进行遥感影像分类，在网络结构设计上使RBF层与输出层的节点数都等于所要分类的类别数。用Kohonen聚类算法确定RBF中心的时候，用训练样本的均值作为初始中心，并在RBF宽度进行求取的时候进行了改进，以避免内存溢出。所设计的RBF神经网络分类模型具有结构简单、算法简洁的优点。实验结果表明，该方法用于遥感影像分类取得了较高的分类精度，具有实际应用价值。     

基于Bagging算法和遗传神经网络的交通事件检测

提出一种集成遗传神经网络的交通事件检测方法,以上下游的流量和占有率作为特征,RBF神经网络作为分类器进行交通事件的自动分类与检测。在RBF神经网络的训练过程中,采用遗传算法GA（Genetic Algorithm）对RBF神经网络的隐层中心值和宽度进行优化,用递推最小二乘法训练隐层和输出层之间的权值。为了提高神经网络的分类能力,采用Bagging算法,进行网络集成。通过Matlab仿真实验,证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。     

基于改进QPSO和RBF神经网络的文本分类方法

为提高文本分类的准确性,本文提出了一种基于量子PSO和RBF神经网络的新的文本分类方法.首先建立描述样本类别的关键词集合,并采用模糊向量空间模型建立每类样本的特征向量,然后采用RBF神经网络实施文本自动分类,采用改进的量子PSO优化RBF神经网络的参数,以提高其逼近能力.选取中国期刊网的部分文献作为实验数据,实验结果说明本文所提出方法的分类精准度与其他同类方法相比有明显的提高.     

基于小波包的频带能量特征提取及智能诊断

提出一种基于小波包和BRF神经网络的智能故障诊断方法。对滚动轴承故障信号进行小波包分解,选择合适的小波基函数和尺度,将故障信号分解到八个不同的频段上,提取这八个频段上的能量信息,组成特征问量,作为RBF神经网络的输入;建立RBF神经网络模型并进行训练,对三种滚动轴承故障信号进行智能分类与识别。实验结果表明这种智能诊断方法有效可行。     

基于小波-神经网络的汽轮机转子故障诊断

结合小波变换和神经网络技术,本文首先利用小波包对故障信号进行分解,然后将归一化后的数据用于RBF神经网络进行汽轮机转子故障分类.MATLAB实验仿真表明小波分析和RBF神经网络的结合在汽轮机转子常见故障的诊断中是很有效的.     

一种基于RBF-HMM的网络入侵检测方法研究

本文提出了基于RBF-HMM模型的网络入侵检测方法,给出了该模掣的训练和识别方法.因为HMM模型的分类决策能力和对不确定信息的描述能力不理想,而人工神经网络对动志时间序列的建模能力尚不尽如人意,所以将RBF神经网络集成到HMM框架中,用RBF神经网络为HMM提供状态概牢输出.通过RBF神经网络的粗分类,克服了HMM的缺...     

结合小波变换和RBF神经网络进行光谱自动分类

本文提出了一种基于小波变换和RBF神经网络的天体光谱分类方法。首先利用小波变换除去谱线中的噪声、提取特征谱线；然后使用RBF神经网络分类，RBF网络的输入为提取的特征谱线。实验结果显示该方法具有良好的鲁棒性，算法效率很高，正确分类率(CCR)远远高于经常采用的主成分分析特征提取方法，因此特别适合于低信噪比的光谱数据分类。     

基于PCA-RBF神经网络的DoS攻击分类检测研究

为了提高DoS攻击检测的实时性,提出一种主成分分析(PCA)和RBF神经网络相结合的DoS攻击分类检测方法(PCARBF)。PCA-RBF首先通过PCA降低DoS攻击原始数据的维数,实现数据的最优压缩,然后建立RBF神经网络入侵检测模型。实验结果表明,相对于传统的RBF方法,PCA-RBF具有良好的实时性及分类检测性能。     

基于仿生模式识别的构造型神经网络分类方法*

从BP神经元模型和RBF神经元模型几何意义出发,将仿生模式识别理论引入到神经网络分类中,提出了一种基于仿生模式识别的构造型神经网络分类方法,通过构造不同结构神经元结合的神经网络,实现了对不同类样本在高维空间中形成的不同形状几何体的覆盖。实验证明该算法是非常有效的。     

四种分类方法性能比较

对RBF神经网络、支持向量机、贝叶斯及K邻近等四种分类方法进行实验比较,依据分类正确率判别其泛化能力,为实际应用提供借鉴。     

应用RBF神经网络的体绘制传递函数设计方法

提出一种基于RBF神经网络的体绘制多维传递函数设计方法,利用直观的交互界面,通过画笔获得感兴趣体素的特征信息作为训练样本对RBF神经网络进行训练,使用训练后的RBF神经网络实现全部体素的分类识别,对不同的分类结果赋予不同的光学参数进行显示,自动完成传递函数的设计。实验结果表明,所设计的交互界面能直观方便地定义感兴趣的对象,大幅提高人机交互的效率;RBF神经网络的自主学习能力能够避免传递函数设计的盲目性,增强感兴趣区域的绘制效果,实现传递函数设计的自动化和智能化。     

RBF神经网络在断路器故障诊断中的应用

针对RBF神经网络可在系统参数未知情况下自动建立动态模型,快速跟踪非线性函数,且有很好分类能力等特点,在分析高压断路器分闸线圈时间信号的基础上,提出了RBF神经网络对高压断路器进行故障分类的基本方法.与BP神经网络的诊断结果进行对比,RBF神经网络具有收敛速度快,输出误差和离散性小的优点,并借助仿真结果论证了该实验方法对高压断路器故障诊断的有效性.     

基于aiNet聚类和免疫遗传算法的RBF网络

本文通过aiNet人工免疫网络聚类算法对输入数据集合自适应地确定RBF神经网络隐层中心的数量和初始位置,通过自体免疫遗传算法来训练RBF网络,获得全局最优。最后将本文方法应用到隧洞围岩分类中进行仿真,仿真结果表明该RBF神经网络不仅计算量小,而且精度高,具有很好的泛化能力。     

基于RBF神经网络的图形分类方法

采用傅立叶变换的方法提取图形的特征,并用两种确定RBF网络结构的方法进行了分类试验,在MPEG-7使用的数据集Kimia上的测试结果表明两种方法确定的RBF神经网络都能提供较满意的结果,并且用聚类方法确定的网络在网络规模和分类准确率上优于用递增方法确定的神经网络。     

基于EM-EBF模型的遥感影像分类方法研究

椭球径向基函数神经网络(EBF)是在径向基函数(RBF)映射理论基础上的改进。在保留RBF3层网络结构基础上,EBF采用了最大期望算法来估计特征空间的混合密度分布参数,用椭球体集合来分解混合密度分布,从而构造了神经网络的中间层基函数的状态。由于遥感数据在特征空间中通常表现为混合密度分布,EBF模型能够充分利用期望最大(EM)算法获得的最大似然参数估计得到更合理的特征空间的密度分解模型,从而使得EBF模型能够保留RBF非线性复杂映射能力的同时,获得更合理的分类结果。为此提出了基于EBF的遥感分类方法,试验结果表明EBF方法比RBF方法网络连接更简单、分类精度更高。