基于粗糙集-BP神经网络的机车滚动轴承故障诊断

论文提出了一种基于粗糙集理论与BP神经网络相结合的机车滚动轴承故障诊断方法.首先对原始故障诊断样本的连续属性进行离散化处理,然后利用粗糙集理论,对条件属性进行约简,删除冗余信息,最后将约简的最小属性集作为BP神经网络的输入,并设计BP神经网络对滚动轴承进行诊断.仿真结果表明粗糙集-BP模型不仅简化神经网络结构,而且提高了收敛速度和故障诊断正确率.     

基于压力响应的气动肌肉轴径向冲击方向感知

当气动肌肉与环境发生碰撞时,冲击会引起内腔压力变化.首先分析了轴向和径向冲击下内腔压力波的传播;采用主成分分析法降低压力响应信号的特征维数,并将主成分作为BP神经网络的输入;然后搭建实验平台,测试分析了不同负载、内压下、轴向和径向冲击下压力响应曲线;基于测试样本对3层BP神经网络进行轴向和径向冲击方向感知训练.实测表明径向冲击下压力响应比轴向剧烈,BP神经网络方向感知精度高于95％.     

布谷鸟搜索算法优化BP神经网络的网络流量预测

为了提高预测精度,提出一种布谷鸟搜索算法优化BP神经网络的网络流量预测模型(Cuckoo Search BP neural network Flow Prediction,CS-BPNN)。根据混沌理论建立网络流量学习样本,采用BP神经网络对学习样本进行训练,将模型参数当一个鸟巢,通过模拟布谷鸟寻窝产卵的行为找到最优模型参数,最后采用网络流量数据进行仿真实验,测试模型性能。仿真实验表明:所提出模型较好的解决了BP神经参数优化问题,能够获得更加理想的网络流量预测结果。     

基于样条权函数神经网络P2P流量识别方法

样条权函数神经网络是一种新兴的神经网络,克服了很多传统神经网络（如BP、RBF）的缺点：比如局部极小、收敛速度慢等。它具有拓扑结构简单,精确记忆训练过的样本,反映样本的信息特征,求得全局最小值等优点。基于这些优点,文中提出了一种基于样条权函数神经网络P2P流量识别方法。通过提取P2P流量特征,运用样条权函数神经网络结构对P2P流识别。Matlab仿真和模拟实验结果表明了这种方案的可行性,与传统神经网络相比,样条权函数神经网络在时间效率上具有明显优势。     

基于PP-BPNN的黄金价格预测模型

黄金价格受到多种因素影响,是一个复杂的非线性态系统,按传统线性规律建模预测,误差较大.为了提高黄金价格预测精度,提出一种投影寻踪和神经网络相结合的黄金价格预测模型.首先利用投影寻踪算法对影响因子进行筛选,降低特征空间的维数然后根据选择的影响因子对黄金价格样本进行处理,并输入到BP神经网络进行学习,建立黄金价格预测模型,最后通过实验对模型预测性能进行测试.实验结果证明,组合模型能够很好刻画黄金价格变化趋势,简化神经网络结构,加快收敛速度,进一步提高了黄金价格的预测精度和运行效率.     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

应用递归神经网络学习周期运动吸引子轨迹

采用递归神经网络学习非线性周期运动的吸引子轨迹．网络的拓扑结构基于非线性系统的状态空间表达式,网络权值通过时序反向传播算法调整．探讨了不同样本轨迹和网络结构对递归神经网络预测性能的影响．神经网络的性能评估建立在多条测试样本轨迹的基础上,可以更为客观地评价递归神经网络预测性能．对van der Pol方程的仿真结果表明:网络的泛化能力对训练样本轨迹的依赖性较强,从不同训练轨迹上得到的递归神经网络性能差异较大;需要选择合适的递归神经网络结构参数以提高神经网络的泛化能力．     

改进鲸鱼算法及其在浅层神经网络搜索中的权值阈值优化

为设计出简便高效的方法搜索最优神经网络结构,提出一种改进鲸鱼优化算法的浅层神经网络搜索方法.该方法首先通过模拟鲸鱼狩猎的个体偏好行为和鲸鱼群位置移动的非线性权值更新机制对传统鲸鱼优化算法进行改进;然后将改进鲸鱼优化算法作为浅层BP神经网络结构搜索策略,构建基于浅层BP神经网络的最优网络结构的权值阈值搜索优化方法.数值实验结果表明,改进的鲸鱼优化算法不仅在求解不同维复杂函数上具有良好的寻优性能,而且通过改进鲸鱼优化算法搜索得到的最优浅层BP神经网络结构在回归任务中具有更好的预测精度和泛化性能.     

Kernel PCA与BP神经网络相结合的变压器故障诊断*

为了提高变压器故障诊断的准确率和抗干扰能力,提出一种基于核特征量的BP神经网络故障诊断模型。通过核主成分分析将故障样本从低维的特征空间非线性地映射到高维的核空间,提高了样本的可分性,然后以核特征量作为BP神经网络的输入特征量,建立变压器故障诊断模型。实验对比了结构相似、输入量不同的BP神经网络,结果表明采用核特征量的诊断模型具有更好的诊断效果和抗干扰能力。     

一种基于模糊神经网络的信息融合技术

针对船舶所处的复杂环境,以及现代船舶系统对精度的要求越来越高,提出了一种船舶信息融合结构和一种模糊神经的信息融合方法,该方法结合模糊推理和神经网络并行分布处理和自学习能力,采用三层神经网络结构,映射函数为高斯模糊隶属函数,采用改进的BP学习算法.最后通过船舶信息仿真实验,证明了该方法是可行的和有效的.     

基于BP神经网络的彩色温度软测量

基于高温物体的温度不同,与之相对应通过数码相机摄取的高温物体的颜色也不同,提出一种神经网络的图像颜色测温方法.选取RGB模型的R、G和B作为模式特征向量,用BP网络拟合高温物体的颜色和温度之间的非线性关系.实验结果表明,该方法精度高,运行速度快,切实可行.     

基于BP网络的足球机器人视觉系统的标定

摄像机标定是足球机器人 (MIROSOT)视觉系统的基础 .由于实际空间点的三维几何位置与其在图像中对应点之间的是一种复杂的非线性映射关系 ,而 BP网络它可以实现从输入到输出的任意的非线性映射 ,本文将BP网络应用于足球机器人视觉系统的标定 ,采用 L evenberg- Marquardt的学习算法 ,实验结果证明了该算法的可行性     

Characterization for High Dynamic Range Imaging

In this paper we present a new practical camera characterization technique to improve color accuracy in high dynamic range (HDR) imaging. Camera characterization refers to the process of mapping device‐dependent signals, such as digital camera RAW images, into a well‐defined color space. This is a well‐understood process for low dynamic range (LDR) imaging and is part of most digital cameras — usually mapping from the raw camera signal to the sRGB or Adobe RGB color space. This paper presents an efficient and accurate characterization method for high dynamic range imaging that extends previous methods originally designed for LDR imaging. We demonstrate that our characterization method is very accurate even in unknown illumination conditions, effectively turning a digital camera into a measurement device that measures physically accurate radiance values — both in terms of luminance and color — rivaling more expensive measurement instruments.     

应用神经网络隐式视觉模型进行立体视觉的三维重建

针对传统的基于精确数学模型的立体视觉方法过程繁琐的不足，提出一种应用BP神经网络隐式视觉模型进行三维重建的算法。该算法将多个标定平面放置在有效视场内，用神经网络模拟立体视觉由两个二维图像重建三维几何的过程，经过网络训练建模后，无须摄像机标定即可进行三维重建。仿真实验结果证明，该算法比较简单，且能保持较高的精度。     

对抗彩色贴片：一种针对DNNs的对抗攻击手段

深度神经网络（deep neural networks,DNNs）在图像分类、分割、物体检测等计算机视觉应用方面表现出了先进的性能。然而,最近的研究进展表明,DNNs很容易受到输入数据的人工数字扰动（即对抗性攻击）的干扰。深度神经网络的分类准确率受到其训练数据集的数据分布的显著影响,而输入图像的颜色空间受到扭曲或扰动会产生分布不均匀的数据,这使深度神经网络更容易对它们进行错误分类。提出了一种简单且高效的攻击手段——对抗彩色贴片（AdvCS）,利用粒子群优化算法优化彩色贴片的物理参数,实现物理环境下的有效攻击。首先,提出了一个图片背景颜色变化的数据集,通过在ImageNet的一个子集上用27个不同的组合改变他们的RGB通道颜色,研究颜色变化对DNNs性能的影响。在提出的数据集上对几种最先进的DNNs架构进行了实验,结果显示颜色变化和分类准确率损失之间存在显著相关性。此外,基于ResNet 50架构,在提出的数据集上演示了最近提出的鲁棒训练技术和策略（如Augmix、Revisiting、Normalizer Free）的一些性能实验。实验结果表明,这些鲁棒训练技术可以提高深度神经网络对颜色变化的鲁棒性。然后,使用彩色半透明贴片作为物理扰动,利用粒子群优化算法优化其物理参数,将其置于摄像头上执行物理攻击,实验结果验证了提出的方法的有效性。     

一种基于遗传优化的神经网络水印

提出一种新的遗传算法和神经网络彩色图像水印研究,在检测水印的过程中,利用遗传算法来优化BP神经网络的权值矩阵与初值,构建出内在的隐含关系,然后利用训练好的BP神经网络来融合提取水印.实验证明该算法保持不可觉察性,并且水印的鲁棒性比BP神经网络的更强.     

3D交互输入新技术——手势识别

本文从分析人机交互研究的目的出发 ,介绍了用户产生手势到系统“感知”手势的过程 ,包括手势的建模及识别的原理和方法 .本文在对手结构和手关节运动分析的基础上 ,提出了基于数据手套和基于视觉(摄象机 )的手势输入方式 ,通过手势图象的分析 ,采用模糊神经网络方法对手势图象进行识别 ,取得了较好的效果 ,实现了一种在虚拟环境中具有广阔运用前景的 3D交互输入新技术——手势识别     

Camera model identification using a deep network and a reduced edge dataset

Today, the importance of digital images as a medium for social communication is growing rapidly. Sometimes, an image needs to be authenticated by verifying its source camera model or device. Recently, deep networks have become very successful at visual pattern recognition. With this motivation, several investigators have explored the possibility of using convolutional neural networks (CNNs) for camera source identification. In this paper, we use selective preprocessing, instead of a indiscriminate one, in order not to hinder the CNN’s strong ability to learn useful features for this kind of forensic task. To generate a consistent and balanced dataset, we limit the maximum number of original images to 200 per camera model, and we discard vertically taken images. Using a relatively simple deep network structure, the proposed method achieved a better prediction accuracy—95.0%—than GoogleNet and other existing methods. Also, challenging camera models such as the Sony DSC H50 and W170 can be classified with the quite high prediction accuracies of 87.9% and 83.1%, respectively.

     

基于模糊细胞神经网络的彩色图像形态学重构

利用彩色图像的ＲＧＢ空间分解,在模糊细胞神经网络上实现了彩色图像数学形态学的基本算子,并讨论了该实现相对于常规串行计算机算法的优越性和局阴,进一步地利用按分量的灰度重构,实现了彩色重构算法,最后讨论了该重构算法在抑帛镐频噪声中的应用,给出的仿真结果对对于推广模糊细胞神经网络在彩色图像实时处理和硅眼等模拟逻辑中的应用有着重要的意义。     

神经网络在彩色图像压缩中的应用

文中旨在提出一种基于神经网络的图像压缩算法对彩色图像信息进行处理,从而减少大规模彩色图像的冗余度,方便其传输、存储及加密等。该算法通过将BP（Back Propagation）神经网络用于彩色图像压缩,利用其多层前馈网络的模式变化能力,实现了对由RGB编码得到的彩色图像数字矩阵进行的压缩编码。经Matlab仿真实验表明,该算法具有良好的压缩效果,且与灰度编码下的图像压缩结果对比,具有更好的压缩效率及保真效果,并能有效地保留原彩色图像的色彩信息,能够满足彩色图像压缩处理的要求。