基于克隆选择算法的Hopfield网络容量提升方法

Hopfield网络容量大小对网络模式识别正确率有重要影响。为进一步提升Hopfield的网络容量,提出了一种基于克隆选择算法优化Hopfield网络容量的方法。首先将克隆选择算法引入到Hopfield网络中,以Hopfield网络的初始输入作为克隆选择算法中的抗原;然后随机产生权值矩阵作为克隆选择算法的初始抗体;最后依据克隆选择算法对初始抗体进行克隆、交叉、变异,根据亲和力的大小选择出网络的优化权值,以提升Hopfield网络容量。将上述方法应用于含噪声的样本识别,实验结果表明:与传统的Hopfield网络相比,所提出的方法能有效地提升Hopfield网络的容量。为提高Hopfield神经网络的记忆容量提供了一种新的思路。     

基于多神经网络分类器的军事目标识别方法研究

对军事目标类型的识别是军事信息处理中的一个重要环节.本文首先对军事目标进行特征提取,以矩和圆度两种不变矩特征向量作为神经网络的输入,分别采用了BP神经网络、自组织竞争网络、Hopfield网络对军事目标进行识别,最后采用了分类器多数投票法对识别结果进行融合,仿真实验结果表明采用多神经网络分类器融合的方法比单一神经网络识别率高,这对提高军事信息处理的准确性具有重要意义.     

一种用于解决TSP问题的新的Hopfield网络

针对Hopfield网络在解TSP问题时出现的存在无效解和收敛速度慢的问题,提出一种正的自反馈Hopfield网络.通过仿真可以看出,该网络在解决TSP问题上易获得有效解,同时还具有收敛速度快和迭代次数少的优点.     

基于Hopfield网络的波分复用网络优化设计

介绍了Hopfield算法的原理、模型和算法实现过程．并采用该算法对波分复用(WDM)网络保护容量数学模型进行了优化设计，优化计算结果表明，基于Hopfield算法的优化设计切实可行，为复杂的网络优化设计提供了新的方法。     

人民币纸币冠字号码字符识别方法研究

以倾斜校正算法和模式识别算法2项核心技术为目标,充分利用霍夫变换法和最小二乘法在直线检测中的优点,采用一种结合霍夫变换法和最小二乘法的直线检测算法来求得人民币纸币图像的边缘直线及边缘直线的倾斜角度参数,并采用图像旋转变换算法实现对原倾斜人民币图像的倾斜校正。采用Hopfield神经网络的联想记忆功能,缩小待识模式与标准模板的差异,再用模板匹配法对Hopfield神经网络的输出结果进行识别,得到最终的识别结果。实验证明,结合Hopfield神经网络和模板匹配法的人民币冠字号码识别方法具备较高的识别率。     

基于神经网络的数字验证码识别研究

验证码是网络上普遍采用的一种用于真人交互证明的有效方法.对验证码识别的研究有助于解决硬人工智能问题,促进人工智能领域的进步.现有的研究多是针对一种验证码,通过多种方法进行识别.这类方法对先验知识的依赖很大,识别方法对其他验证码不一定有效,或者需要大量调整来适应新的验证码.为了研究验证码识别算法的适应性问题,通过选取多个具有代表性的网站的验证码图像,基于分割法和Hopfield神经网络进行分析和试验,取得了较好的试验结果.试验结果表明:利用字符图像灰度信息和Hopfield网络可以有效的对可分割的验证码进行分类识别,算法有一定的适应性,并且仅需字符图像的灰度信息既可适应新的验证码,对先验知识的依赖少.     

基于Hopfield网络的异型螺旋槽管优化设计

运用神经网络的Hopfield优化电路，对一种异型螺旋槽管优化设计模型进行了优化设计，优化计算结果表明，基于Hopfield网络的优化设计切实可行，为复杂的优化设计问题提供了新的思路和方法。     

一种用于时空模式识别的综合神经网络

介绍了一种用于时空模式识别的综合神经网络模型，称为ＴＳ－ＬＭ－ＳＯＦＭ．该网络的顶层是一种称为ＴＳ（ｔｅｍｐｏｒａｌｓｅｑｕｅｎｃｅ）的单层时序识别网络，可以把时序模式转换成抽象的空间模式．该网络的底层是ＳＯＦＭ（自组织特征映射网络），用于空间模式特征检测．ＬＭ（学习矩阵）用于上述两层的联接．在实验中，用移动机器人超声阵列传感器作为输入训练，结果表明，该神经网络输出的模式能够较好地抽象表示输入信号的时空特征．     

基于混沌搜索的神经网络及在优化问题中的应用

在运用Hopfield神经网络求解优化方面问题的同时,引进GCM混沌神经网络,对求解过程进行了改进。通过混沌遍历,可使Hopfield网络在整个相空间进行搜索,从而避免网络在运行过程中陷入局部极小值。通过对一个物流配送的实例进行实验,结果显示Hopfield网络的寻优特性获得了较大改进。     

一种新的联想记忆矩阵在模式识别中的应用

用最小二乘法产生的神经元联系强度矩阵取代 Hopfield 模型中的矩阵后,增强了网络的识别能力,新模型与其它几个模型的实验比较也在文章后面给出.     

一种基于CMAC神经网络的板形模式识别新方法

针对传统的板形识别模型在识别板形时,由于板宽的变化需要不同拓扑结构的神经网络才能完成板形模式识别任务,网络学习工作量大,网络存在收敛速度慢,易陷入局部极小等结构性能不佳的问题,建立了一种新的基于CMAC神经网络的板形模式识别模型。该模型利用欧式距离差得到网络的输入神经元,并在权值更新算法中引入了动态学习率。通过仿真实验表明该方法简单、实用,识别精度较高,克服了传统的识别模型的缺点和不足,有效地提高了板形模式识别模型的速度和精度。     

基于模糊距离的RBF神经网络板形模式识别

针对BP网络在板形缺陷模式识别的应用中,由于网络本身存在收敛速度慢,学习时间长,容易陷入局部极小等结构性能不佳的问题,从而影响板形识别精度;文中提出了基于模糊距离的RBF网络板形缺陷模式识别法.RBF网络是一种局部逼近的神经网络,它在逼近能力、分类能力和学习速度等方面都优于BP网络.为了使板宽变化时网络结构不变,将模糊距离与RBF网络相结合进行模式识别,仿真实验结果表明,该方法与BP网络方法相比,网络收敛速度较快,而且识别精度较高.     

基于模糊神经网络的模式识别方法

讨论了3种模糊神经元和由其构成的模糊神经网络的基本原理及其学习和自适应机制,针对模糊模式识别问题,建立了一种基于BP学习算法的模糊神经网络模式识别系统,该系统兼有模糊逻辑控制和神经网络两种技术的优点,提高了模糊模式识别的准确性。     

基于LVQ神经网络算法的脱机手写数字识别研究

针对BP神经网络进行脱机手写数字识别所存在的问题,提出用自组织竞争神经网络（LVQ）对脱机手写数字识别的方法.介绍了LVQ神经网络算法,并构建了LVQ神经网络的识别模型,用Matlab软件进行了仿真.将获得的仿真结果数据与BP神经网络的测试结果进行对比分析,发现LVQ神经网络对脱机手写数字的识别率明显高于BP神经网络,且收敛速度更快.该方法在脱机手写数字识别领域具有一定的可行性与指导性.     

BP网在多灰度运动目标识别中的应用

介绍了利用ＢＰ网进行多灰度运动目标识别的方法。针对传统的ＢＰ网训练时间长等缺点以及多灰度级目标识别的特点，对传统ＢＰ算法作了适当的改进，提出了训练样本组织和选择的一些方法和技巧，并将以上的改进算法及组织和选择样本的原则应用到多灰度坦克目标识别的ＢＰ网训练的实验中。实验结果表明改进的算法及所采用的原则是合理的，它可以有效地缩短ＢＰ网的学习时间、防止网络的振荡，并且能在一定程度改善ＢＰ网的性能。     

基于遗传算法的神经网络油水层识别

文章研究了基于遗传算法的神经网络油水层识别方法,针对神经计算存在因输入信息空间维数较大而使网络结构复杂、训练时间长,以及因冗余属性使网络拟合精度不高等缺点,提出了基于粗集属性约简方法降低了输入信息的空间维数、减少了运算量和简化了神经网络的拓扑结构,利用遗传算法提高神经网络的训练速度。实验结果表明：将混合智能计算方法应用于油水层识别中效果显著,其学习训练速度和拟合精度远优于传统BP神经网络算法。     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。