神经网络语音识别的研究及进展

论述了在语音识别中听觉神经网络模型，ＢＰ网络，时延神经网络，自组织影射，学习矢量量化和神经预测网络的优缺点及神经网络语音识别的发展动态。     

神经网络在雷达信息处理领域的应用

神经网络的大规模并行分布或非线性处理特征为其在雷达信息处理应用奠定了基础。神经网络在雷达信息预处理，多目标跟踪雷达目标识别，下伏面识别，空中交通管制雷达信息分类和反辐射导弹制导方面具有大量应用实例，并且建立了反向散射神经网络模型。本文旨在各种基于神经网络的雷达信息处理方法和结构，详细介绍了利用神经地目标数据进行优化处理，提高目标跟踪分类和识别能力，建立杂波模型等雷达信息处理各个方面的应用，展示了     

基于人工神经网络的雷达体制识别研究

文章系统地论述了雷达信号特征提取和辐射源体制识别的原理和方法。设计了人工神经网络识别器，包括神经网络模型的选择、神经网络拓扑结构和体制识别算法及其流程。     

基于多CPU并行结构的神经网络集成算法研究

给出了一种用于自动目标识别(ATR)的神经网络集成算法，并结合算法设计了基于多CPU并行结构的多目标识别神经网络系统。该算法是运用不同规模和初始条件下形成的同种类型的神经网络分类器，主要运用的网络是BP神经网络，并把每一个神经网络输出映射为后验概率，然后进行加权平均判决，最后利用设计的神经网络系统进行了实时识别。实际测试表明，对9种目标的统计识别率达到95％以上，且在40ms之内给出识别结果，满足了实时性要求，识别率明显比单一的神经网络高。     

小波变换和神经网络在车牌识别中的应用

介绍了车牌识别的背景、意义和一般实现过程，阐述了小波变换和神经网络的基本理论，详细地分析和论述了小波变换和神经网络在车牌识别四个核心阶段（即图像预处理、车牌定位、字符分割和字符识别）中的应用，最后总结并对两者在车牌识别技术中的应用前景进行了展望。     

基于模糊神经网络的声母识别

模板匹配法技术是汉语声母识别中较为成功的算法，但它的缺陷影响了其恢复错误，改善识别性能，神经网络（ＮＮ）和模糊系统的结合，保留了双方的优点，充分利用了模糊神经网络好的容错性能，计算性能，分类性能和决策性能，本文重点研究了两种基于模糊神经网的声母识别方案，通过对其结构，识别率和特点的分析，可看出模糊神经网的声母识别性能明显优于模板匹配法，是更适于语音识别的网络。     

一种面向语音识别的新型神经网络

提出了一种新型神经网络模型，描述了该网络的工作原理和训练方法以及识别算法。为克服神经网络对时序信号建模能力差的缺点，引入了非线性分段处理和代表帧特征提取方法。最后介绍了根据这一模型所设计的一个汉语语音识别系统，试验表明该网络在汉语语音识别方面具有较大的潜力。     

基于GFMM神经网络的雷达目标识别方法

新型的无师训练（General Fuzzy Min—Max，GFMM）神经网络是一种具备无师训练聚类识别能力的新型神经网络，它继承了原有GFMM网络的特点，在网络的拓扑结构和算法方面进行了较大的改进，增加了能够进行自适应在线学习的能力。基于无师训练GFMM神经网络的雷达目标识别方法完整地实现了雷达目标特征学习和识别的一体化过程。在某型对海警戒雷达舰船目标识别仿真应用实验中的结果表明：文中的方法优于其他传统的神经网络目标识别方法，在雷达目标识别方面具有良好的适用性。     

基于过程神经网络的语音识别技术研究

过程神经网络是一种基于过程神经元的新型神经网络,其输入及权值皆为时序函数。针对语音识别的特点,对过程神经网络在语音识别技术中的应用进行了探索性的研究,并与传统的BP神经网络、径向基函数网络进行了比较。仿真结果表明,采用过程神经网络进行的语音识别,识别性能得到了提高。     

气体识别自组织神经网络

本文主要对气体识别进行了介绍以及自组织神经网络在气体识别中的应用。通过对人工嗅觉系统的定义、原理以及基本组成部分的描述,介绍了各种类型的气体传感器,最后重点介绍了神经网络中的BP神经网络、RBF神经网络和自组织神经网络,以及神经网络在气体识别中的应用,并结合MATLAB说明其实际应用。     

基于遗传算法的神经网络集成在人耳识别中的应用

BP神经网络算法存在收敛速度慢和网络泛化能力差的缺点,影响分类识别率。为了提高网络的分类识别能力和泛化能力,在此介绍一种基于遗传算法的神经网络集成方法,即训练出多个个体BP神经网络,利用遗传算法选择差异度较大的个体BP网络进行神经网络集成,再利用该神经网络集成进行分类识别。实验结果表明,神经网络集成可以提高识别率。     

GRNN神经网络在电力系统负荷预报中的应用

为了预报电力系统负荷,采用GRNN（广义回归网络）的方法,通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型,用MATLAB7.0仿真,达到了预测的目的。利用GRNN神经网络预测结果准确率高,避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点,GRNN网络具有更好的预报精度。     

基于卷积神经网络的材质分类识别研究

目前,空间目标中约6%为正在工作的航天器,而约94%的空间目标为太空垃圾,严重干扰和限制了航天器发射、运行等正常的太空活动轨道,在有效清除空间碎片之前,必须对其进行有效识别。本文基于散射光谱,使用卷积神经网络对空间碎片四种材质进行分类识别,并与BP神经网络的识别结果分析比较。鉴于试验所得的材质的原始光谱信噪比低、特征信息弱等特点,需要对光谱信号进行预处理包括去噪、BRDF计算和归一化处理。然后各取四种材质的200帧样本数据进行训练,另各取50帧数据预测,结果表明：卷积神经网络的总体精度比BP神经网络低2%,耗时少101 s;而增加训练样本数据量达到每个材质各500帧时,卷积神经网络的总体精度仅比BP神经网络低0.05%,耗时则少了891 s,卷积神经网络极大的体现了其时间的优越性。该方法对大数据量的空间碎片材质的分类,具有较大的实用性和借鉴意义。     

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。     

一种基于神经网络图像边缘检测的方法

本文提出一种采用组合神经网络对图像边缘检测的方法,该组合神经网络由自组织竞争型神经网络和BP神经网络所组成,结合遗传算法,通过学习与训练,可实现对图像的边缘检测。     

改进的进化神经网络算法及其在入侵检测中的应用

改进的进化神经网络算法是采用双种群的进化规则,同时完成对权值和结构的进化,其特点是加快算法的收敛速度,在一定程度上克服了BP算法陷入局部最小点的不足。将该算法应用于入侵检测领域中,建立一个基于改进的进化神经网络入侵检测系统模型,并用KDDCUP99数据测试了该模型中改进的进化神经网络分类器引擎,与基于BP神经网络和传统的进化神经网络等相比,得到了较高的检测率。     

基于BP神经网络的硬盘播出系统电平诊断的应用及其实现

研究了在MATLAB环境下,利用BP神经网络解决硬盘播出系统电平诊断中的分类问题。首先阐述了BP神经网络的一种故障诊断模型,其次分析了基于集合结构的电平诊断实现原理,最后研究了BP神经网络对电平诊断的求解方法。结论表明:利用在基于BP神经网络的MATLAB环境下解决电平诊断问题时仿真效果明显,有利于实际工程技术的应用。     

基于CRNN混合神经网络的多语种识别

在语种识别过程中,为提取语音信号中的空间特 征以及时序特征,从而达到提高多语 种识别准确率的目的,提出了一种利用卷积循环神经网络(convolutional recurrent neural network,CRNN)混合神经网络的多语种识别模型。该模型首先提 取语音信号的声学特征;然后将特征输入到卷积神经网络(convolutional neural network,CNN) 提取低维度的空间特征;再通过空 间金字塔池化层(spatial pyramid pooling layer,SPP layer) 对空间特征进行规整,得到固定长度的一维特征;最后将其输入到循环神经 网络(recurrenrt neural network,CNN) 来判别语种信息。为验证模型的鲁棒性,实验分别在3个数据集上进行,结果表明:相 比于传统的CNN和RNN,CRNN混合神经网络对不同数据集的语种识别 准确率均有提高,其中在8语种数据集中时长为5 s的语音上最为明显,分别提高了 5.3% 和6.1%。     

基于神经网络的网络流量预测算法研究

网络流量预测有助于网络服务质量的提升和网络资源的合理分配,对优化网络管理与运营、保障用户体验质量至关重要。因特网业务的急剧增加和基础网络的快速发展导致网络流量变得更加复杂多样,传统网络流量预测模型难以保证较高的预测精度,而神经网络作为人工智能的重要分支,在预测复杂网络流量时具有显著优势。简述反向传播神经网络、径向基神经网络和长短期记忆神经网络的模型原理,通过分析这些神经网络预测不同时间尺度的网络流量结果,可总结其预测性能与优缺点,为基于神经网络的故障预测和故障定位的学术研究和实际应用提供技术支撑。     

基于模糊神经网络智能预测模型的设计与实现

针对智能决策支持系统中经常遇到的预测类问题,根据人工神经网络和模糊逻辑系统的各自特点,设计一种模糊神经网络模型,将模糊系统用类似于神经网络的结构表示,再用相应的学习算法训练模糊系统实现模糊推理.并对此模型进行预测验证和编程实现.