一种基于电子鼻的食醋识别新方法

采用6只掺杂纳米ZnO厚膜传感器构成的电子鼻对15种商业食醋进行了测量,采用主元分析法(PCA)对电子鼻信号与食醋种类、配料、发酵方式和产地之间的关系进行了分析,电子鼻信号在上述食醋特征上表现出很强的聚类特性。针对上述特征,结合人工神经网络(ANN)、K近邻法(KNN)对15种食醋进行了识别,识别率为98.3%。研究表明:采用特征识别的电子鼻具有良好的灵活性和强健性。     

神经网络集成的城市道路状态判别模型研究

针对城市道路交通状态影响因素多、判别难的特点,在分析K-均值聚类算法和概率神经网络(PNN)的基础上,利用多源检测信息的互补性,提出一种基于快速全局聚类分析的概率神经网络集成模型,通过聚类提高集成网络间的差异度,同时利用主成分分析(PCA)优化概率神经网络结构,仿真实验表明该模型与传统的集成方法Bagging相比,能够利用更简单的网络结构,快速有效地识别出城市道路交通状态,为交通预警和诱导策略的制定提供数据依据。     

基于概率神经网络的粮食早期霉变识别研究

提出了一种基于概率神经网络的粮食早期霉变识别方法。实验中电子鼻系统采集了4种粮食作物及霉变数据共8类,对这些数据样本进行特征提取,得到了64组训练数据和48组测试数据。利用概率神经网络对特征数据进行分类识别,识别率为93.75%。实验结果表明,该方法对粮食作物种类及其早期霉变的识别是行之有效的。     

气体传感器阵列中的信息融合

在获得传感器与食醋挥发气体反应的整个过程的数据的基础上，提取了传感器与食醋散发的气体反应的特征值。利用分辨率指数来确定所提取的特征参数是否最优，从而决定该特征值在以后模式识别中是否有用。再对那些分辨率指数大的特征参数进行主成分分析和神经网络分析。主成分分析结果表明不同醋之间区分得比较开，神经网络的识别正确率达到100％。该方法也可用于解决其它形式传感器阵列问题。     

基于卟啉传感器阵列系统的肺癌标志物识别算法

卟啉传感器阵列系统可以检测肺癌呼出气体中特定的标志性气体,不同标志性气体检测输出的差值图谱不一样.介绍了一种结合反向传播(BP)神经网络和主成分分析(PCA)的肺癌标志性气体种类识别算法,并将其应用在卟啉传感器阵列系统中.通过计算卟啉传感器阵列中各点的主成分得分选出敏感点,保留各气体敏感点的值,并组成识别模板作为BP神经网络的输入层,达到去除冗余数据的目的.通过实验对比聚类分析结果、未降维数据的BP神经网络识别结果及已经PCA降维后的数据作为输入的BP神经网络识别结果,证明提出的算法可以更加精确地识别不同的肺癌标志性气体.     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

气体传感器阵列中特征参数的提取与优化

用一组厚膜金属氧化锡气体传感器阵列对气味进行分析和识别 ,其中最重要、最难的因素是传感器特征提取技术和特征参数的优化 ,使所用的传感器阵列能快速准确地识别不同气味。然而 ,目前尚无令人满意的方法。本文中研制了适用于传感器阵列反应的试验装置 ,在获得传感器与食醋挥发气体反应的整个过程的数据的基础上 ,提取了传感器与食醋散发的气体反应的特征值。利用分辨率来提取 ,以确定所提取的特征参数是否最优 ,从而决定该特征值在以后模式识别中是否有用。再对那些分辨率指数大的特征参数进行主成分分析和神经网络分析 ,主成分分析结果表明不同醋之间区分得比较开 ,神经网络的识别正确率达到 10 0 %。显然这一方法也可用于解决其它形式传感器阵列问题。     

基于ICA降维的车牌汉字识别研究

针对目前复杂环境下车牌汉字图像识别率较低,识别时间较长等问题,提出了一种基于伪Zernike矩和独立主成分分析(ICA)的改进概率神经网络(PNN)车牌汉字识别方法.该方法是将车牌汉字图像的伪Zernike矩通过独立主成分分析降维,再将降维后的特征输入所提出的一种基于代表点的改进概率神经网络中进行训练和识别,从而有效地实现车牌汉字的识别.将该方法应用于复杂环境下的车牌汉字图像识别实验,实验结果表明,该方法能有效地降低特征维数,减少识别时间,并能显著地提高车牌汉字的识别率.     

非线性PCA在表面肌电信号特征提取中的应用

针对表面肌电信号的特点,提出了一种应用非线性主分量分析(PCA)提取表面肌电信号特征的新方法.该方法在表面肌电信号滤波的基础上,采用非线性PCA方法完成数据压缩,将多路表面肌电信号转换为一维的特征数据主元,并以主元曲线的形式输出特征提取结果.本文采用基于自组织神经网络的非线性PCA对手臂尺侧腕伸肌和尺侧腕屈肌的两路表面肌电信号进行主元提取,试验结果表明,四种手部运动模式(握拳、展拳、腕外旋、腕内旋)对应的表面肌电信号利用该方法处理后,得到的主元曲线具有很好的类区分性,依据所得主元曲线的形状特征可以有效地进行手部动作类别的识别.     

基于PCA与BP混合神经网络算法的电子鼻系统

为了对食物品质进行非接触式评价,基于6种费加罗金属氧化物气体传感器阵列,通过由数据采集模块和微处理器模块组成的硬件设计方案,设计并研制了可对被测食物进行实时、无损检测的电子鼻系统。在软件设计方案上,该系统采用主成分分析(PCA)和反向传播(BP)混合神经网络模式,通过LabVIEW对气体"指纹信息"数据库进行分析。实验结果表明:该设计的电子鼻系统可以很好地区分不同种类的食醋,并提供了一种对食醋品质评价的便利方法。     

基于KPCA和CIPSO-PNN的煤与瓦斯突出强度辨识模型

为了实现对煤与瓦斯突出强度等级的准确辨识,提出将核主成分分析( KPCA)和改进概率神经网络相结合,建立煤与瓦斯突出的强度辨识模型。根据煤层条件和生产条件,确定影响煤矿瓦斯突出的相关基础参数并对其进行测定,采用KPCA对该参数集进行降维处理,提取出可以表征煤与瓦斯突出的敏感参数作为辨识模型的输入值。利用混沌免疫粒子群算法( CIPSO)优化概率神经网络(PNN)的σ参数,以克服PNN中平滑参数σ单一而导致的分类错误,避免了人为因素的影响,提高辨识模型的精度。实例分析结果表明,相比BP、PNN、PSO￣PNN等方法,该方法对煤与瓦斯突出强度进行辨识,结果更为准确。     

主成分分析法与概率神经网络在模拟电路故障诊断中的应用

模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低;针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于主成分分析(PCA)与概率神经网络(PNN)相结合的模拟电路故障诊断方法;通过主成分分析法(Principal Component Analysis)提取特征数据进行降维处理,再结合概率神经网络(Probabilistic Neural Networks)对电路故障进行分类;实例说明采用PCA和PNN结合对故障数据处理,可以大大的提高故障诊断分类的准确性。     

基于Pseudo-Zernike不变矩的PNN车牌汉字识别

基于不变矩理论,提出一种应用概率神经网络作为识别器的车牌汉字识别技术。利用Pseudo—Zernike矩特征的旋转不变性和良好的抗噪性能,将其作为车牌汉字识别的特征矢量,结合Pseudo—Zemike矩的快速算法和概率神经网络识别器快速学习和识别的性能,可适应实时环境下所获取的车牌汉字灰度图像的识别,具有较高的准确率,实验结果表明了该方法的有效性。     

高光谱数据分类新方法研究

传统的独立分量分析（ICA）算法无法确定高光谱数据中独立分量的个数,利用概率神经网络（PNN）训练时间短的优点,根据分类精度可以较快地确定出独立分量的个数。提出了一种在确定高光谱数据的维数之后利用支持向量机（SVM）分类的新算法思想,首先利用ICA对高光谱数据降维,并利用PNN确定出独立分量的个数,而后对降维后的数据利用SVM作交叉验证,并采用混合核函数进行分类的算法思想。通过仿真实验表明,该算法可以在保证分类精度的同时大大减少分类的时间。     

基于概率神经网络的垃圾邮件分类

概率神经网络是由Specht博士在1989年提出的一种径向基神经网络的重要变形。本文提出了把概率神经网络用于垃圾邮件分类,并通过Matlab仿真试验与贝叶斯分类器进行比较,得到了比较理想的结果。     

A comparison of three methods for principal component analysis of fuzzy interval data

Vertices Principal Component Analysis (V-PCA), and Centers Principal Component Analysis (C-PCA) generalize Principal Component Analysis (PCA) in order to summarize interval valued data. Neural Network Principal Component Analysis (NN-PCA) represents an extension of PCA for fuzzy interval data. However, also the first two methods can be used for analyzing fuzzy interval data, but they then ignore the spread information. In the literature, the V-PCA method is usually considered computationally cumbersome because it requires the transformation of the interval valued data matrix into a single valued data matrix the number of rows of which depends exponentially on the number of variables and linearly on the number of observation units. However, it has been shown that this problem can be overcome by considering the cross-products matrix which is easy to compute. A review of C-PCA and V-PCA (which hence also includes the computational short-cut to V-PCA) and NN-PCA is provided. Furthermore, a comparison is given of the three methods by means of a simulation study and by an application to an empirical data set. In the simulation study, fuzzy interval data are generated according to various models, and it is reported in which conditions each method performs best.     

改进脉冲耦合神经网络的语音识别研究

提出了一种改进脉冲耦合神经网络(IPCNN)实现语音识别的方法。首先利用IPCNN来快速提取语音的语谱图图像特征,然后由概率神经网络(PNN)辅助来识别语音。通过训练语音样本来构成语音识别库并建立综合识别系统。实验结果表明,该方法相对于单独使用PCNN和PNN识别率分别提高了22.7%和39.4%,达到92%的识别率。     

Classification of Fatty and Cirrhosis Liver Using Wavelet-Based Statistical Texture Features andNeural Network Classifier

Computational methods are useful for medical diagnosis because they provide additional information that cannot be obtained by simple visual interpretation. As a result an enormous amount of computer vision research effort has been targeted at achieving automated medical image analysis. The study and development of Probabilistic Neural Network (PNN), Linear Vector Quantization (LVQ) Neural Network and Back Propagation Neural Network (BPN) for classification of fatty and cirrhosis liver from Computerized Tomography (CT) abdominal images is reported in this work. Neural networks are supported by more conventional image processing operations in order to achieve the objective set. To evaluate the classifiers, Receiver Operating Characteristic (ROC) analysis is done and the results are also evaluated by the radiologists. Experimental results show that PNN is a good classifier, giving an accuracy of 95% by holdout method and giving an accuracy of 96% by 10 fold cross validation method for classifying fatty and cirrhosis liver using wavelet based statistical texture features.