基于RBF神经网络的人脸识别研究

针对人脸识别技术中存在的高维问题、小样本问题和非线性问题展开研究.围绕人脸特征提取,采用基于主成分分析和Fisher线性鉴别来克服在人脸识别中的小样本问题,同时将人脸图像从高维空间映射到低维空间从而解决了高维问题;在分类识别方面,采用具有很强的非线性映射功能的RBF神经网络进行模式分类,能够解决人脸识别中的非线性问题.在ORL人脸数据库上进行的仿真实验表明,该方法进行人脸识别具有较高的识别率.     

基于RBF神经网络的ECT图像重建

线性反投影算法是最常用的ECT图像重建算法,该算法将极板电容测量值与成像区域介电常数间的非线性关系作线性化近似.由于神经网络的非线性映射能力可用来避免这种线性化近似,为此探讨了基于RBF神经网络的16极板ECT系统的图像重建方法.采用最大矩阵法确定RBF神经网络隐层神经元数目,用最小邻聚类方法确定径向基函数的宽度和中心,建立了极板电容测量值与成像区域介电常数间的RBF神经网络映射.仿真实验结果表明,基于RBF神经网络的ECT图像重建方法重建速度与线性反投影法相当,重建质量优于线性反投影法.     

电容层析成像RBF神经网络图像重建算法的改进

RBF神经网络图像重建算法在电容层析成像系统中应用广泛,它较好地克服了ECT系统的软场特性、强非线性和不适定性,其成像时间和成像精确度比其他算法都有很多改善.本文从有限元场域剖分、数据归一化和神经网络输入层角度对该算法进行了相关改进.仿真实验结果证明,改进后的算法有着更好的成像时间和成像精确度.     

基于DWT和SVD的改进分块图像水印算法

为同时提高水印不可见性与鲁棒性,提出一种基于DWT和SVD的改进图像水印算法．先将载体进行小波变换,然后在分块后进行奇异值分解,根据自适应原理选取嵌入数据进行水印嵌入．检测水印不需原图像,属于盲检测算法．实验结果表明,该算法增强了水印鲁棒性,且提取水印精确度更高．与单独块奇异值分解量化法作比较．实验证明,本算法具有更好的优势．     

基于图像分割和SVD的数字水印算法

利用图像分割法,提出了基于图像分割和SVD的数字水印算法。该算法将原始图像划分为许多不同的区域,对于不同的区域,分别采用同一区域块用统一的量化步长和同一区域用基于统计特性的自适应量化步长等两种形式对其进行分析。水印的提取不需要原始图像,并受到密钥的控制,不知道密钥就无法正确恢复水印。     

基于奇异向量和奇异值的人脸识别新方法

通过提出一种基于奇异值向量和奇异值的人脸识别新方法——正交奇异值方法,将奇异向量 和奇异值中的信息有效结合,克服了目前基于奇异值分解的识别方法中,要么丢弃了奇异值中的信息, 要么丢弃了奇异向量中的信息,识别效果并不理想的缺陷。在ORL国际标准人脸库上实验显示,与目前 基于奇异值分解的识别方法相较,该方法达到了更好的识别效果。     

加权图像分块人脸识别方法

利用各图像与类内均值图像之间的距离作为加权依据,产生新的加权样本,使新的样本比原有样本更接近真实人脸,并结合图像分块的思想,将加权后的结果进行图像分块,并用PCA对分块后的图像进行特征提取.这种方法能减轻光照和姿态的影响,并能提取图像局部信息,实验证明它比分块PCA有更高的识别率.     

基于RBF神经网络的水处理模型辨识方法

目的使用RBF（径向基函数）神经网络辨识臭氧氧化、生物活性炭水处理过程的机理模型．方法在一定原水CODM条件下,分析臭氧投量和生物活性炭塔停留时间对出水CODM的影响作用,建立神经网络模型．结果仿真结果表明改进自组织算法能够合理配置RBF网络中心点集,神经网络模型输出能够有效逼近实验数据样本．结论RBF神经网络模型能够准确描述臭氧氧化、生物活性炭水处理过程中的参数关系,为水处理过程的深入研究提供了新途径．     

基于粒子群算法的RBF神经网络的优化方法

本文用粒子群算法来优化RBF神经网络的中心值和连接权值,使之具有更强的非线性逼近能力,并将优化后的RBF神经网络和未经优化的RBF神经网络用于非线性函数的逼近,实例证明优化后的RBF神经网络比未经优化的RBF神经网络具有更强的非线性函数的逼近能力。     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

Radial Basis Function Neural Network Based Super-Resolution Restoration for an Underspled Image

To achieve restoration of high frequency information for an underspled and degraded low-resolution image, a nonlinear and real-time processing method-the radial basis function (RBF) neural network based super-resolution method of restoration is proposed. The RBF network configuration and processing method is suitable for a high resolution restoration from an underspled low-resolution image. The soft-competition learning scheme based on the k-means algorithm is used, and can achieve higher mapping approximation accuracy without increase in the network size. Experiments showed that the proposed algorithm can achieve a super-resolution restored image from an underspled and degraded low-resolution image, and requires a shorter training time when compared with the multiplayer perception (MLP) network.     

Radial Basis Function Neural Network Based Super-Resolution Restoration for an Undersampled Image

To achieve restoration of high frequency information for an undersampled and degraded low-resolution image, a nonlinear and real-time processing method the radial basis function (RBF) neural network based super-resolution method of restoration is proposed. The RBF network configuration and processing method is suitable for a high resolution restoration from an undersampled low-resolution image. The soft-competition learning scheme based on the k-means algorithm is used, and can achieve higher mapping approximation accuracy without increase in the network size. Experiments showed that the proposed algorithm can achieve a super-resolution restored image from an undersampled and degraded low-resolution image, and requires a shorter training time when compared with the mulfiplayer perception (MLP) network.     

基于径向基函数神经网络的自适应滤波器

自适应滤波器在信号检测、信号恢复、数字通信等领域中被广泛应用。传统的自适应滤波器主要在时域中实现。通常采用算法简单、稳健性好的自适应LMS算法。但LMS算法对输入信号的自相关矩阵具有很强的依赖性,因而自适应率不高。本文提出利用RBF神经网络实现的自适应滤波,并将其用于语音除噪和脉象信号的除噪。仿真结果表明该方法具有良好的非线性噪声抑制能力。     

基于递归RBF神经网络的MBR膜透水率软测量

针对膜生物反应器(membrane bio-reactor,MBR)污水处理过程中膜透水率难以测量的问题,提出一种基于递归径向基神经网络(recurrent radial basis function neural network,RRBFNN)的软测量方法.首先,基于污水处理过程中的实际运行数据,应用偏最小二乘法(partial least squares,PLS)筛选出与膜透水率相关的过程变量;其次,基于RRBFNN建立膜透水率的软测量模型,利用快速梯度下降算法对RRBFNN的参数进行调整,保证了软测量模型的精度;最后,将设计的膜透水率软测量模型应用于实际污水处理过程中,使用污水处理厂实测数据对模型进行验证.验证结果表明,该软测量模型能够实现膜透水率的准确预测,具有较好的预测精度.     

基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加，构造一个径向基函数神经网络（RBFNN）所需样本及训练时间都急剧增加，得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想，提出了一种基于RBF的混合网络模型，通过最短距离均匀聚类方法划分样本空间，构造合适的子样本集和子网络模型对网络进行训练，与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低，网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景，适合于大样本神经网络的建模和训练问题。     

基于对称性特征分块主成分分析的人脸识别方法

为了进一步提高人脸识别的精度,考虑在分块主成分分析算法中引入对称性思想。首先对图像进行分块并分别求其奇偶对称脸,然后利用主成分分析算法提取图像的主要鉴别特征。该方法充分考虑了光照等多种因素对识别率的影响,利用人脸图像的对称性增加了样本数量,以有效提高识别率。在ORL人脸库上的实验显示,在每类训练样本数为7、提取特征数为20的情况下,基于对称性特征的分块主成分分析方法的人脸识别率为95%,说明该方法是有效的。     

基于径向基神经网络的波达方向估计算法

针对传统的波达方向（DOA）估计算法在实际应用中普遍存在计算量较大,无法实时地跟踪期望信号且无法处理信号源数大于天线阵元数的问题,提出了一种在智能天线中基于径向基神经网络的波达方向估计算法.该算法利用神经网络进行多信号源跟踪（MUST）来完成信号源侦测和DOA估计.通过建立神经网络DOA估计算法模型,并对所建立的神经网络进行训练.通过仿真将该算法与传统的DOA估计算法进行比对的结果表明,基于径向基神经网络的波达方向估计算法能够快速准确的检测到信号源,响应时间明显快于传统的算法.     

基于径向基函数神经网络的机载LiDAR点云空洞填补方法

机载LiDAR技术为地表三维数据的获取和DEM、DSM的构建提供了有利的条件. 由于建筑物和植被遮挡等原因,造成了点云的缺失,形成区域的空洞,给地表建模带来不便,需要对LiDAR点云数据进行插值处理以修复缺失的数据. 对径向基函数(RBF)神经网络构建插值模型进行了研究,利用该模型对点云中缺失的空洞区域进行修复. 通过利用一部分采样点对RBF神经网络进行学习训练,得到模型中参数的具体值,然后利用这些参数值对空洞区进行插值. 实验验证了RBF神经网络模型的有效性及插值精度.     

基于径向基神经网络的参数协同自适应VSG控制策略

采用虚拟同步发电机（VSG）控制策略的并网逆变器可为分布式能源提供必要的惯性阻尼特性,以支撑电网频率。VSG的动态响应特性与惯量和阻尼的设定密切相关。首先,建立VSG控制模型,分析惯量和阻尼对系统动态响应指标的影响,并给出了VSG参数的计算方法。其次,结合径向基神经网络提出了一种参数协同自适应VSG控制策略,自适应调节惯量和阻尼参数来应对系统功率变化、负荷扰动及频率偏移。最后,通过MATLAB/Simulink仿真,验证所提策略的有效性和优越性。     

基于径向基网络的钢管混凝土拱桥承载力评价

在现有桥梁承载力评价方法的基础之上,针对BP神经网络评价方法的缺陷,引入径向基网络理论,提出了钢管混凝土拱桥承载力径向基网络评价方法.以承载力评价为总体目标,从影响承载力的几个方面进行考虑,建立了RBF神经网络评价模型,通过样本学习训练,获取专家经验知识的直觉思维.通过工程实例验证,评价结果较好地反映了桥梁结构的安全性状况,证明了该评价方法的可行性与实用性.