采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景.     

粒子群进化学习自适应双通道脉冲耦合神经网络图像融合方法研究

针对双通道脉冲耦合神经网络图像融合方法中参数选取不易确定之挑战,提出了一种基于进化学习的自适应双通道脉冲耦合图像融合方法.通过引入自适应学习能力的进化学习算法和构建新的优化目标对双通道脉冲耦合神经网络模型参数来进行优化,提出的新算法能够有效地找到双通道脉冲耦合神经网络模型的近似最优参数,克服了经典双通道脉冲耦合神经网络图像融合方法需要人工交互穷举尝试不同参数来获取较优参数之缺点.实验研究亦表明了上述优点.     

决策层信息融合的神经网络模型与算法研究

本文对信息融合问题中决策层融合方法进行了分析与比较,提出了一种新的决策层信息融合算法,即改进型ＡＲＴ２神经网络融合算法,该融合算法在综合大脑对多源信息融合的特点和优势基础上,提出了将信息进行匹配和调和相融合的处理方式。对实际的决策层信息融合目标识别问题,该算法具有弹性去除信息间相关性以及合理处理矛盾信息的能力。同时,ＭＡＲＴ神经网络模型通过自适应地调整网络参数,对信度的增长有较好的控制能力。     

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.     

基于空间及图像信息融合的目标智能识别技术

目标检测能力在光电侦查、光电监视及导航制导等领域越来越受重视.单纯依靠图像信息进行目标识别存在弱小目标检测困难和易受环境影响等问题.因此,提出一种基于图像信息及空间信息的多源信息融合的目标检测方法.该方法采用改进的MobileNet+SSD的卷积神经网络对图像中的目标进行检测,通过伺服陀螺提供的空间信息对目标类别进行粗略描述,采用Dezert-Smarandache理论对图像源和空间信息源的识别结果进行融合判决.实验结果显示,该方法相对于单纯图像识别的准确率可以提高21.5％,识别速度可以达到24 f·s-1.     

机载雷达和红外数据融合的智能目标识别

为了提高机载传感器目标识别系统的性能,提出了利用机载雷达和红外成像传感器数据融合的智能目标识别算法.对红外成像传感器,采用了基于小波矩特征和BP神经网络的目标识别算法,首先提取目标图像的小波矩特征并进行特征选择,然后通过BP神经网络对目标图像进行识别;对雷达传感器,提出了利用模糊推理的目标识别方法,首先选取适当的雷达特征,然后通过模糊推理进行识别:从雷达和红外传感器识别算法分别得到待识别目标所属类别的基本概率分配函数,用D-S证据组合规则将两个基本概率分配函数组合,最终实现了机载雷达和红外传感器的数据融合.仿真结果表明:融合后的识别效果优于单个雷达或红外传感器的识别效果.     

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.     

粗神经网络在雷达目标识别中的应用

将粗集理论与神经网络结合起来设计出粗神经网络,用于对雷达目标数据进行融合,特别是对雷达目标进行识别。研究表明这种网络可以接受定性输入,即输入是一个范围或在观测时间内输入是变化的,从而大大提高雷达目标的识别率。粗集理论和神经网络结合起来将在雷达数据融合方面有着很好的应用前景。     

局域自适应子波高斯神经网络综合分类系统

本文提出了一种用于船舶噪声分类的局域自适应子波高斯神经网络综合分类系统。该系统融合了两种特征提取和分类方法,即自适应子波神经网络和自适应高斯神经网络分类器,并利用网络局域化使得系统具有追加学习的能力,通过对实际的三类船舶噪声进行分类识别,结果令人满意,证明了该方法的优越性和工程应用前景。     

基于增强超分辨率网络的单对图像时空融合

由于高质量的对地观测需要时空连续的高分辨率遥感图像,故对时空融合的研究广泛开展,并且集中在Landsat和MODIS卫星之间.目前已经提出了使用卷积神经网络进行时空融合的方法,但是网络较浅,故融合性能有限.针对应用最广泛的单对图像时空融合问题,建立了一种基于深度神经网络的新时空融合方法.首先,基本网络框架由两个级联的4倍上采样器构成以近似Landsat和MODIS卫星之间的空间差异和传感器差异.然后,利用卷积神经网络学习重建图像与真实图像之间的残差,使重建图像与真实图像更接近.接着,使用高通调制策略进行时间上的预测.最后,将所提方法在不同的Landsat和MODIS卫星图像上进行了测试,并与多种时空融合算法进行了比较.实验结果表明,与现有融合算法相比,所提方法的重建效果更好,且处理速度更快.     

基于遗传算法和Hopfield神经网络的字符识别方法

分析了Hopfield神经网络和遗传算法的基本原理,探讨了Hopfield神经网络在字符识别中的应用,针对Hop-field神经网络易陷入局部最优的问题,提出了基于遗传算法的Hopfield神经网络的字符识别方法,利用遗传算法的全局搜索能力来弥补Hopfield网络易陷入局部最优解的缺点。并进行了仿真验证。实验结果证明...     

基于Matlab和VC++的神经网络仿真实验设计

仿真实验是"人工神经网络"课程教学中的有效手段,它有助于学生加深对相关概念的理解和对所学知识的深化.但是仅利用Matlab进行仿真实验不够直观.本文提出一种Matlab和VC 相结合的仿真实验开发方法,并结合"基于BP神经网络的图像识别"实验介绍了实验开发步骤.实践证明这种方法开发出的实验具有更加友好的界面,有利于学生对神经网络工程应用的理解.     

基于神经网络的智能手机安全监控系统

针对现有的智能手机杀毒软件和防火墙存在更新滞后的问题,提出利用神经网络的自学功能对病毒进行识别。神经网络在对变种病毒的辨别功能上具有一定优势,能够适应智能手机运算能力较弱的特点。通过神经网络建模,提出了一种基于神经网络的安全监控机制。分析表明,该机制是可行的。     

基于概率神经网络的农作物虫情预测

为了提高对农作物虫情预测的准确度,本文主要采用概率神经网络（PNN）对农作物虫情进行预测．并将预测结果与BP神经网络的预测结果进行比较。结果表明,概率神经网络的预测准确度远远大于BP神经网络,显示了概率神经网络在模式识别领域的优势。     

基于PCNN和DTW的语音识别系统设计

提出了一种基于脉冲耦合神经网络(PCNN)和动态时间规整(DTW)的语音识别方法。首先利用改进后的PCNN提取语谱图图像特征作为语音的特征参数,然后通过DTW来进行语音分类识别。实验表明,论文中所提出的方法与传统的LPCC和MFCC方法相比,所需特征参数量减少约40%,并能达到87.5%识别率,利于系统的硬件实现。     

Recognition of Continuous Digits by Quantum Neural Networks

1　ＩｎｔｒｏｄｕｃｔｉｏｎＱｕａｎｔｕｍＮｅｕｒａｌＮｅｔｗｏｒｋ (ＱＮＮ )ｉｓａｂｕｒ ｇｅｏｎｉｎｇｎｅｗｆｉｅｌｄｗｈｉｃｈｉｎｔｅｇｒａｔｅｓｃｌａｓｓｉｃａｌｎｅｕｒｏ ｃｏｍｐｕｔｉｎｇｗｉｔｈｑｕａｎｔｕｍｃｏｍｐｕｔｉｎｇ[1～2 ] .ＴｈｅｆｉｅｌｄｏｆｃｌａｓｓｉｃａｌａｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ (ＮＮ)ｃａｎｂｅｇｅｎｅｒａｌｉｚｅｄｔｏｔｈｅｑｕａｎｔｕｍｄｏｍａｉｎｂｙｅｃｌｅｃｔｉｃｃｏｍ ｂｉｎａｔｉｏｎｏｆｔｈａｔｆｉｅｌｄｗｉｔｈｔｈｅｐｒｏｍｉｓｉ…     

基于前向对向传播神经网络的信息检索技术研究

提出了一种基于前向对向传播神经网络的信息检索算法。分析了信息检索技术的基本概念、原理、以及检索方式,研究了科技信息检索的流程,研究了前向对向传播神经网络的基本模型和算法,提出了基于前向对向传播神经网络的信息检索的原理和算法,并将这种算法与传统方法通过仿真实验进行对比,在保持100%的查准率的情况下,将查全率由79.63%提高至85.59%,获得了较好的效果。     

改进的基于VQ+WNN的说话人识别研究

VQ+WNN(Vector Quantization and Wavelet Neural Network)说话人识别系统主要利用VQ进行矢量量化,将量化矢量送到小波神经网络进行说话人训练和识别。经过VQ量化后的特征矢量可以大大减少小波神经网络的运算量,提高网络的收敛速度与识别精度。虽然运算量是可以接受的,但如果在矢量量化之前采用分量处理方法,去除对识别精度影响不大的特征矢量,则可进一步减少运算量,而识别精度基本维持不变。     

基于NSCT和PCNN的可见光与红外图像融合算法

提出了一种基于Contourlet变换的非下采样变换(Nonsubsampled ContourletTransform,NSCT)和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的可见光与红外图像融合算法。该算法首先对源图像进行NSCT分解,得到低频子带系数和各带通方向子带系数。然后对低频子带系数提出一种基于可见光与红外图像自身特性的加权平均融合方法,再对各带通子带系数提出基于PCNN的融合方法。最后经过NSCT逆变换得到融合图像。实验证明,该方法优于小波方法和传统的NSCT方法。     

迁移学习在天基红外目标识别中的应用

星载红外传感器对飞行的火箭进行识别时,因为观测数据有限,一般属于小样本甚至单样本学习的分类问题.本文建立了一种以一维全卷积为主体结构的孪生神经网络,将多分类问题转化为比较相似度的验证问题;并利用UCR时间序列数据集的预训练权重,对孪生神经网络的卷积特征提取部分进行知识迁移,最后使用公开文献中火箭红外辐射强度序列数据对网...