基于自组织特征映射神经网络的矢量量化及其在图像压缩中的应用

对图像和语音等信息的压缩、传输及保存，压缩是极为重要的一环，矢量量化的压缩算法是广泛应用的一种方法。介绍了基于自组织特征映射神经网络的K—means矢量量化前置法和后置法两种复合算法，并将其应用于图像压缩的问题，从数值仿真的结果看，K-means前置法较其他算法表现出良好的效果。     

基于自组织神经网络的特征识别

针对CAD、CAM中的特征识别问题,在特征的属性邻接图表达方法的基础上,根据特征建立的历史过程提出了特征森林的概念,作为识别的启发式信息。采用自组织神经网络识别特征。依据识别特征的规模动态确定自组织神经网络输入神经元的维数,并给出了一种矢量化方法。实验实例证明了本文方法的有效性,从而为特征识别和维护提供了一种新的有效方法。     

自组织映射法在机械故障诊断中的应用

自组织映射是由Ｔ．Ｋｏｈｏｎｅｎ提出的一种人工神经网络模式,它能把高维的信息数据以有序方式映射到低维的网络上,形成一种拓扑意义上序图,由于其有序性,使得信号空间圈成为许多输入信息及其关系的群落图,每个图可用灰度深浅不等的方块阴影表示出来,这种可视的图形表示了机械运行的状态,人们可以非常直观地从图上判断机械运行状态,从而使得机械运行状态的监测和故障诊断更为简便。     

基于改进的自组织映射神经网络的 调制方式识别分类器

为了提高调制方式识别分类器算法的正确识别概率和缩短识别时间,使其有自适应能力,利用自组织映射神经网络自组织、自适应的特点,提出采用自组织映射神经网络作为调制方式中的分类器,以自适应于信噪比的变化。对其学习规则和竞争传递函数进行改进,使每次获胜的输出神经元为2个。这样能减少输出神经元个数,加快神经网络的收敛速率,以较短的时间识别接收信号的调制方式。仿真结果表明改进的自组织映射神经网络的识别概率高于其它的神经网络。并且由于其结构简单,便于工程实现。     

基于自组织特征映射网络的纹理分类研究

提出了基于自组织特征映射网络（ＳＯＭ）的纹理分类方法。采用了适合纹理分析的纹理谱（ＴＳ）的概念，并在分类过程中引入了纹理谱特征向量，纹理谱向量是ＴＳ经过降维处理得到的．该特征向量反映了空间模式的纹理特征．在学习（训练）与分类识别中，采用了神经元网络模型．与ＴＳ相对应的特征向量重复地送入ＳＯＭ网络的输入端，网络的权向量则逐渐地将样本值聚类到各自的样本中心．计算机模拟实验表明，作者提出的纹理分类方案十分有效而且实用．本方案计算量小，学习周斯短，识别率高．本文最后给出了实验结果及分析．     

基于免疫遗传算法的自组织映射网络应用研究

研究了自组织映射网络的初始权值选取问题,提出了基于免疫遗传算法的自组织映射网络.利用免疫遗传算法选取网络的初始权值,优化网络模型的输入参数.应用该方法对员工缺席情况和鲍鱼年龄进行分类.实验结果表明,免疫遗传算法自组织映射网络的分类准确度及训练效率都高于遗传算法自组织映射网络.     

组网雷达自组织最小均方差数据融合算法

研究了组网雷达数据融合的方法 ,提出了一种结合最小均方差的自组织神经网络数据融合算法 ,并用计算机仿真模拟了雷达网对隐身飞行器的跟踪情况 .结果表明所提出的方法改善了航迹的连续性 ,提高了跟踪精度 ,验证了雷达组网反隐身的有效性 .     

自组织映射法在机械故障诊断中的应用

自组织映射法是由Ｔ．Ｋｏｈｏｎｅｎ提出的一种人工神经网络模式,它能把高维的信息数据以有序方式映射到低维的网络上,形成一种拓扑意义上的有序图。由于其有序性,使得信号空间图成为许多输入信息及其关系的群落图。每个图可用灰度深浅不等的方块阴影图表示出来,这种可视的图形表示了机械运行的状态。人们可以非常直观地从图上判断机械运行状态,从而使得机械运行状态的监测和故障诊断更为简便。     

采用遗传算法自组织神经网络模糊控制器

提出一种自组织神经网络模糊控制器的新方案。该方案的一个主要特征是，可获得实现模糊控制器的最小且最优的神经网络结构，而且所获得的模糊控制器同时具有神经网络的广泛映射能力、联想概括能力和遗传算法的快速全局收敛、再励式学习等优良特性。     

有色金属类上市公司财务评价的自组织随机模型

有色金属资源是国民经济的命脉，也是国民经济可持续发展的资源基础，本文建立了分类的自组织特征映射神经网络模型，将其用于对17家有色金属类上市公司的分类，并用随机模型对其进行财务评价，以利于辅助投资决策。最后通过实例验证，该方法可行，分类效果好，避免了人为权重的影响。     

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.     

基于点云数据的三维人体头部分割技术研究

三维人体分割技术是数字化服装、数字化人体测量、计算机动画等应用中最关键的技术,但当前存在着分割不是很精确的缺点。针对头部分割不精确的缺点,对基于点云数据的三维人体头部分割技术进行了研究,提出以最大距离法和近似凸包边法定位分割特征点和分割切面,并引入分割切面倾斜角实施头部分割。实验结果表明：提出的分割方法提高了头部分割的实时性和精确性。     

基于像素统计特性及细胞神经网络的运动目标分割

针对动态图像序列中背景成像过程因各种因素而变化存在复杂性，提出了一种基于像素统计特性及细胞神经网络（CNN）的目标分割方法。首先建立图像每一像素点的高斯分布模型，并根据图像序列中的当前帧及历史帧信息自适应地调整模型的参数。然后结合图像的帧间信息将图像从空间域映射到统计域。最后在统计域中用细胞神经网络方法对其进行目标分割。由于CNN是由局部互连的细胞组成，因此易于用VLSI实现。通过对图像像素建立细胞近邻模型，可以获得较强的鲁棒运动目标分割。实验的结果反映了该方法的有效性。     

基于特征匹配的三维点云粗配准方法

针对无初值情况下点云配准精度不高以及配准效率低下的问题,提出一种基于特征匹配的三维点云粗配准方法。首先,利用点云局部法向量的变化描述其特征,加入特征保留权值筛选突出特征信息,提高配准效率;然后,根据保留的特征信息建立特征直方图,通过比较特征直方图描述的信息获取初始匹配的点对;最后,将刚性不变约束与随机抽样一致性算法结合筛选正确的匹配点对,再利用四元素法得到旋转矩阵和平移向量。实验结果表明,提出的算法与其他粗配准算法相比具有较高的精度和效率,为后续的点云精配准工作提供了良好的初值。     

基于海量点云的复杂曲面重构及误差分析

对逆向重构技术在实践应用中出现的一些技术问题,以海量点云数据为基础对曲面重构方法和技巧进行了探讨研究,并应用3D点云对重构模型进行了误差分析。将该方法应用于工业产品复杂曲面的实际制造中,提高了设计精度,缩短了生产周期,对实际生产具有重要意义。     

基于网格化曲率聚类的点云分割

针对三维散乱点云数据,提出一种基于网格化曲率聚类的点云分割算法．首先对点云进行三维空间动态网格划分建立散乱数据点的拓扑关系,利用坐标转换法,在局部坐标系内拟合抛物面,进而求得高斯曲率、平均曲率等微分信息,然后基于聚类分析的思想利用高斯曲率和平均曲率的相似性进行点云数据的初始分割,再利用空间网格的拓扑关系检查和纠正完成点云数据的区域分割．该方法不需计算出每一个测量点的曲率值,从而提高了计算速度．     

基于稀疏神经网络的说话人分割

提出一种基于稀疏神经网络的说话人分割方法,利用稀疏的单隐层神经网络提取语音的超矢量特征中说话人因子特征,然后通过K均值聚类得到每帧语音的标号来分割不同说话人,在稀疏网络的训练过程中引入了dropout技术以克服过拟合问题.在TIMIT语音数据库构成的多说话人语音数据上的实验结果表明:通过增加稀疏网络中隐层节点的个数可以提高说话人分割的效果,与贝叶斯信息准则(Bayesian information criterion,BIC)方法和稀疏自编码网络方法相比,所提基于稀疏神经网络的说话人分割方法的性能有明显提高.     

基于SOFM网络的雷达装备智能故障诊断

针对雷达装备故障特征,采用自组织映射（SOFM）神经网络构建雷达装备故障诊断模型,通过网络学习,获得可视拓扑映射图,并采用映射图对典型雷达电子装备故障进行了诊断.结果表明：该故障诊断模型具有较高的诊断准确度,具有故障诊断可视化,为雷达装备故障诊断研究提供了新的有效方法.