基于Elman神经网络的多目标跟踪技术的研究

首先叙述了Elman神经网络的结构、原理和学习方法.针对Elman网络的学习率对网络收敛速度及稳定性影响很大,提出了一种可以自适应调整学习速率的改进的Elman网络学习算法;并基于Elman神经网络,采用模糊推理进行数据关联的方法,结合扩展卡尔曼滤波,提出一种新的多目标跟踪方法.最后应用此方法采用两个传感器对两个运动目标进行跟踪实验,并与BP神经网络对比得出仿真结果,实验结果表明,所提出的方法是一种可行的多目标跟踪方法.     

雷达多目标跟踪的神经网络方法

本文讨论了雷达多目标跟踪的神经网络方法。实验结果表明,此法不仅可以解决传统方法带来的组合爆炸问题,从而实现实时的多目标跟踪,而且还可以解决跟踪精度问题,提高跟踪的准确性。     

运用自组织神经网络进行多目标跟踪的算法

总结了自组织神经网络的结构、训练方法；分析了在多目标跟踪问题中数据关联的重要性及传统的数据关联方法的局限性；研究了在多目标环境下运用自组织神经网络解决数据关联的问题。提出了一种基于自组织神经网络对多个目标实施跟踪的算法，此算法采用自组织神经网络的聚类功能对目标进行数据关联处理，并将经过卡尔曼滤波后的数据信息结合到神经网络的学习训练中。仿真实验结果表明此算法能在多目标环境下取得较好的跟踪效果。     

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。     

结合重识别特征和运动预测的多目标跟踪方法

多目标跟踪是智慧城市交通安防的重要技术之一。为了提高多目标跟踪的准确性并改善真实场景下的遮挡问题，提出了一种结合重识别特征和运动预测的多目标跟踪方法。在多目标检测网络中扩展一个基于卷积神经网络(Convolutional Neural Networks, CNN)的重识别特征分支，提取目标的重识别特征；采用基于置信度的卡尔曼滤波预测模型来预测轨迹的空间分布以改善目标的遮挡问题，结合检测目标和轨迹在重识别特征和位置两方面的相似度来完成目标关联。实验结果表明，所提出的方法在真实行人场景下的跟踪精度优于大多数算法，具备一定的应用潜力。     

小波神经网络预测在住宅市场中应用

利用小波神经网络在非线性建模中的收敛迅速等优越性,提出了利用小波神经网络预测住宅市场需求的方法.通过实例分析说明,他比传统的BP神经网络的收敛速度快、预测精度高,具有较强的函数学习能力和推广能力及广阔的应用前景.     

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     

基于模糊神经网络的执行器故障诊断

针对神经网络在故障诊断中的局限性,提出了一种将模糊理论与BP神经网络结合的故障诊断方法,使其应用到执行器故障诊断中.通过和BP神经网络学习算法对执行器故障诊断的结果比较来证明模糊神经网络算法的优越性.首先介绍执行器常见故障;其次对故障征兆进行模糊化预处理,获得了神经网络训练样本,最后应用Matlab软件进行了系统仿真.仿真结果表明:该方法收敛速度快、诊断精度高、自适应性强,能够有效地诊断执行器故障.     

LabVIEW中BP神经网络的实现及应用

BP(Back Propagation)神经网络是一种具有广泛应用性的前馈神经网络,LabVIEW 是一种图形化编程语言,其为虚拟仪器设计者提供了一个便捷、轻松的设计环境,被工业界及研究实验室广泛接受.介绍了两种在LabVlEW实现BP神经网络计算的方法,即Matlab Script节点和图形编程.Matlab Sxrript节点采用在LabVIEW中直接导入Matlab程序运行,而图形编程采用图形编程的方式实现算法,并分别以神经网络在函数逼近和某设备分类中的应用说明了各自的实现流程,实验结果精确且形象直观,充分体现了LabVIEW作为图形化编程语言的特点.     

神经网络和自适应模糊神经网两种算法在曲面重构中的比较

分析了应用于三维曲面重构中的神经网络和自适应模糊神经网络两种算法,并结合具体的应用例子对两种算法在物体三维模型重建及曲面再现中的优劣进行了比较.试验结果表明,在相同的网络模型训练时间及模型充分收敛的前提下,自适应模糊神经网(ANFIS)算法比神经网络(ANN)算法具有更快的收敛速度和更高的重构精度,而且ANFIS更适合对表面复杂的三维物体进行模型重构和曲面再现.