灰度位图背景杂质剔除算法的优化

本文主要针对目前痕迹识别中采集的具有背景杂质的灰度位图（.bmp）,通过离散区域与连通区域的数目统计,然后不同灰度级区域进行标识,设计出了两种更为优化的灰度位图（.bmp）背景杂质剔出的算法,并提出了两种算法整合使用的设计思路,算法实现了更高效高准确性的图像结果,在痕迹识别系统、人脸识别系统等应用领域中大大提高了整体程序的运算速度、更高效更准确的剔除图像背景杂质,得到最优化的图像结果.     

位图传输的相关图像处理技术

本文主要介绍了位图在网络传输中的相关技术，其中包括一种新的位图压缩编码方法，一种将住图文件转化为可传输的数据流文件的方法，以及三种高速位图显示技术的特点和应用分析。     

基于图像特征与面向对象BP算法的边缘检测

提出了一种基于图像特征与面向对象BP神经网络的边缘检测方法。首先，在图像特征的选取上，充分考虑边缘和噪声的本质区别，构造具有较强抗噪能力的特征向量；然后用经人工处理的样本对BP网络进行训练，将训练后的网络用于图像的边缘检测。     

位图传输的相关图像处理技术

本文主要介绍了位图在网络传输中的相关技术,其中包括一种新的位图压缩编码方法,一种将位图文件转化为可传输的数据流文件的方法,以及三种高速位图显示技术的特点和应用分析.     

256级灰度位图的扫描输入

如何在自己编写的应用程序中加入图象扫描功能？扫描后的图象以何种格式存储？扫描输入的图象数据是否有误差，需要如何弥补？文章以ＶＣ＋＋５．０为开发工具，叙述了扫描输入２５６级灰度位图的具体过程及我们不能忽视的一些技术细节．     

用VC++处理灰度位图

介绍微软Visual C 6.0环境下处理灰度BMP位图的实现方法。     

基于BMP位图的LSB信息隐藏算法的实现

在介绍BMP（Bitmap）图像文件格式的基础上,以24位BMP位图作为信息的载体,基于VC＋＋6．0开发平台,利用位运算和二进制文件操作功能,实现了在空域的LSB（Least Significant Bits,最低有效位）上对数据信息的隐藏和提取。     

基于VC6.0的灰度位图处理的实现

介绍了一种在微软Visual C 6.0编译环境下处理灰度BMP位图的实现方法，给出了部分关键函数的源代码以及几幅经过处理以后得到的图像。     

基于灰度共生矩阵和BP神经网络的乳腺肿瘤识别

乳腺肿瘤是女性病发率极高的一种肿瘤疾病,但也是一种可以通过早期确诊、提早治疗来降低病死率的一种疾病。提出灰度共生矩阵结合BP神经网络的方法,提高乳腺肿瘤的识别率。首先将红外乳腺图像进行预处理,突出病灶及血管的纹理,利用灰度共生矩阵提取乳腺等灰度曲线图像的纹理特征,然后通过BP神经网络对样本数据训练,得到的BP神经网络模型能有效地将病变区域识别出来。实验结果表明,该方法对乳腺肿瘤病变区域具有较好的识别效果。     

基于Matlab改进BP神经网络算法

本文针对标准BP算法的不足给出了改进算法—Scaled Conjugate Gradien(tSCG算法),利用Matlab语言编制了BP网络的应用实例仿真程序。结果表明SCG算法的学习收敛速度大大地优于标准BP算法。     

基于灰色理论与BP算法的宏观经济预测模型研究

利用灰色预测需要样本数据量少、建模过程简单的特点对宏观经济主要指标进行前期预测，结合人工神经网络对大量非线性、非精确性规律具有自适应和自学习能力的优点，在考虑经济因素的前提下对输入数据进行预处理，采用改进的BP算法最终得出宏观经济预测结果，文中的算例表明了该方法是可行且有效的。     

一种基于并行策略的BP改进算法

介绍了BP神经网络的基本结构及原理,分析了其收敛慢的原因。为加快其收敛速度,结合带动量梯度下降法提出一种新的算法(PBBP),用多个学习速率不同但结构相同的网络进行并行训练,在每次迭代后都根据误差找出处于最佳状态的网络,并使其它网络的训练参数作适当变化再进行下一次迭代,直到整个网络的误差减小到允许范围内或达到训练次数要求,加快了其收敛速度,能够很好地脱离平坦区。通过在Matlab里编程进行仿真实验证明,该算法是可行的。     

基于灰关联度和神经网络的成纱质量预测系统的研究

由于依靠人工的经验的成纱质量预测系统的不可靠和不稳定性，设计了一种基于神经网络的成纱质量预测方案。利用灰关联分析法计算出成纱质量各因素之间的关联程度，从数据库中提取出关联度大的成分作为BP神经网络的训练数据，通过LM训练方法以得到成纱预测质量结果。仿真试验和实际运用效果均证明了方案的可行性和有效性。     

基于分层自适应学习率的改进BP算法

在自适应学习率算法的基础上提出一种新的BP网络改进算法——分层自适应学习率附加动量项算法。仿真结果表明该算法较之自适应学习率算法能进一步提高网络的学习速度。     

一种基于模拟退火的自适应算法

针对常规BP算法收敛速度慢和易陷入局部极小的问题,文章提出了一种新的BP算法———SASSFBP算法。该算法根据训练中最近两个梯度的符号及其相对大小来动态地改变权步因子,提高了神经网络的收敛速度,并同时结合模拟退火算法来避免陷入局部极小。仿真实验结果表明:SASSFBP算法在收敛速度与运算精度,以及避免陷入局部极小的能力等方面均明显优于常规的BP算法。     

基于结构简化的BP网络的多类形状识别

BP算法是目前应用极为广泛的神经网络算法,但它也存在一些不足。文中提出了一种使BP网络结构简化的改进的BP算法,它使得网络的速度得到了提高,减少了迭代次数。最后将传统的BP算法和改进的BP算法进行了比较,仿真结果表明改进的算法在学习次数和收敛速度上比传统的算法有很大的改善。     

基于BMP085气压传感器及BP算法的高度测量研究与实现

采用BMP085气压传感器,研究并实现了采用Back-propagation(BP)神经网络自学习的相对高度测量方法。首先,利用BP算法学习带有测量基点(一般为地面)的训练样本集,得到稳定、精确的测量网络;其次,将测量点的温度与压强作为测量网络的输入,由测量网络计算出垂直方向上测量点与基点的相对高度。实验表明,相比传统的标准气压高度公式计算的相对高度,本文提出的测量系统能更准确地计算出相对高度,且能减少环境因素变化的影响(即,具有良好的稳定性)。     

基于BP神经网络的改进算法研究

BP算法使用优化算法中的梯度下降法,梯度下降法的不足,使BP算法收敛速度慢,计算量比较大,且收敛速度与初始权的选择有关;学习时,无法保证可以得到最小值。BP的改进算法提出权值更新的快速收敛方法,使用MatLab对改进算法进行仿真,结果表明改进算法具有高效性和有效性。     

基于灰色BP神经网络的瓦斯爆炸的预测

瓦斯浓度在很大程度上决定了煤矿井下发生爆炸的可能性,而原有灰色模型预测方法精度不是很高,但是所需的数据较少,而BP神经网络有高度的非线性计算、自学习和自组织能力。本文结合了灰色系统与BP神经网络各自的优点进行预测,使预测结果更加精确,可靠性得到很大的提高。