应用自组织神经网络客观评定织物折皱等级

本文采用Kohonen自组织神经网络客观评定织物折皱等级，首先介绍自组织神经网络的基本算法，再结合自组织神经网络结构实现神经元的竞争和训练，并将结果输出到相应的分类模式中，以此确定试样的折皱等级，最后采用26种真实织物验证该方法的可行性。     

基于SOM网络的织物起球客观评价

提出一种基于自组织映射算法的神经网络,用于织物起球的等级评定。起球织物都包含有重要的纹理信息,首先创建起球图像的灰度共生矩阵,从这些矩阵中提取特征向量,再以这些特征值作为网络的输入信息,建立SOM神经网络对图像的特征值进行训练、分类,也就是将不同等级的起球图像进行分类。本文详细介绍SOM网络的基本原理与学习算法,以及共生矩阵的计算,最后提取7种起球特征参数进行实验,结果表明该方法有效可行。     

基于MATLAB的BP神经网络在猪等级评定中的应用研究*

为了客观评估猪肉各项指标和猪肉等级,采用MATLAB神经网络工具箱中的BP人工神经网络,利用猪胴体图像特征参数和活体猪图像特征参数建立BP神经网络模型。分别用猪胴体图像特征参数样本60个和活体猪图像特征参数样本80个进行了网络训练,并采用不同的BP神经网络隐含层的传递函数和隐含层神经元数量,得到 BP神经网络模型。通过仿真,将仿真结果与人工评估结果进行对比,结果表明BP人工神经网络模型可以评估猪肉各项指标和等级识别。在猪肉胴体图像特征指标下评价猪肉等级准确率达到98%,在活体猪图像特征参数评价猪肉等级准确率达到80%。说明猪肉胴体图像特征比活体猪图像特征参数更能代表猪肉质量品质也符合客观现实;同时也表明MATLAB神经网络工具箱中的BP人工神经网络可以应用在猪的等级评定中。     

基于模糊C均值聚类的织物平整度等级评定

采用模糊C均值聚类客观评定织物平整度等级。首先介绍了模糊C均值聚类的基本原理，模糊聚类可以将输入特征值进行聚类并分组；然后利用模糊C均值聚类对输入特征值进行聚类分析，不同平整度等级的织物模板被分属于不同的模糊聚类中心；最后选取26种不同类型的织物样本进行测试，试验结果表明，客观评价与主观评价的相关系数达到97．38％，评定准确率超过90％。     

基于PCNN的织物起球图像的分割

起球图像的分割是织物起球客观评定方法研究的一个重要步骤,同时也是一个非常困难的问题。针对这种图像的分割,提出了一种基于脉冲耦合神经网络(PCNN)的分割方法,该方法是利用织物表面毛球区域与未起球区域灰度强度的不同,根据PCNN神经元是否点火来分割毛球图像。通过对5种不同起球等级图像进行的分割实验证明,算法是有效的。     

基于改进自适应小波基的织物疵点检测算法

为了改进基于自适应小波的织物疵点检测效果,提出一种基于改进自适应小波基的织物疵点检测算法。首先通过不同限定条件优化得到多个自适应小波基;然后分别对疵点图像进行小波分解,采用最大类间方差法分割子图像;最后将多种自适应小波基分割后的图像进行融合得到检测结果。实验结果证明,该算法能够在较好保留疵点信息的同时,有效地减少检测结果中的噪声点。     

基于二层自适应正交小波的疵点检测

本文提出了基于二层自适应正交小波的织物疵点检测方法。首先介绍了织物纹理图像的二维正交小波变换．在此基础上借鉴Daubechies小波构造过程，阐明了二层自适应正交小波的构造方法，然后对图象进行二层小波分解。分别比较无缺陷图像与待检测图像二层分解后的纬向和径向子图像，得到纬向和径向疵点信息，最后将两个方向上的疵点信息融合．得到检测结果。实验证明该方法是有效的。     

基于傅里叶特征谱和相关系数的织物疵点检测

为提高织物疵点自动检测的准确度,提出一种基于傅里叶特征谱和相关系数的织物疵点检测算法。以平纹、斜纹织物为研究对象,对织物图像进行傅里叶变换,得到织物图像的频谱图;定位频谱中的特征峰点,提取表征图像灰度、纹理的五个特征值;以正常织物为模板,计算待检图像特征值与模板图像特征值之间的相关系数,确定用于识别织物疵点的阈值,来实现织物疵点检测。实验结果表明:当阈值设定为0.80时,该算法能够实现稀密路、断经、吊经、纬缩、破洞等常见疵点的准确检测。     

采用多级参数匹配的图像检索

论文主要提出了一个提取图像特征参数来进行多级匹配的检索方法。首先对图像进行预处理,把图像统一转换成相同的尺寸和色彩空间。然后对图像进行4级Daubechies's小波变换,并在经过小波变换的图像上进行标准差计算匹配,欧氏距离计算匹配,不变矩计算匹配,最后得出检索结果。该方法通过了有9000多张图像的图像库的检验,获得了很好的实验结果。     

一种基于自适应颜色压缩的织物图案提取方法

文章介绍了一种新的基于主成分分析网络PCA与自组织特征映射网络SOFM的颜色自适应压缩技术,并首先将该技术应用到了纹理状织物图案的提取研究中。研究表明:提取主颜色系对消除图像中的噪声污染成分非常有效,能够减少原图像上因噪声干扰引起的纹理分割误差。通过竞争学习的分类识别引入了像素间的空间位置关系,使得经神经网络分类出的图像与原图像最接近,并提高了在图案提取分割中的计算效率。该研究结果在获取织物图案设计与仿制中可减少人机交互量,提高识别效率,在工程应用上具有相当的实用价值。     

Tissue segmentation in ultrasound images by using genetic algorithms

This paper presents a genetic based incremental neural network (GINeN) for the segmentation of tissues in ultrasound images. Performances of the GINeN and the Kohonen network are investigated for tissue segmentation in ultrasound images. Feature extraction is carried out by using continuous wavelet transform. Pixel intensities at the same spatial location on 12 wavelet planes and on the original image are considered as features, leading to 13-dimensional feature vectors. The same training set is used for the training of the Kohonen network and the GINeN.

This paper proposes the use of wavelet transform and genetic based incremental neural network together in order to increase the segmentation performance. It is observed that genetic based incremental neural network gives satisfactory segmentation performance for ultrasound images.     

基于Kohonen网络的小波阈值在遥感图像去噪中的应用研究

传统Donoho非线性小波阈值去噪方法中,阈值的选取一般是根据噪声方差设置的,但在实际的操作中很难对噪声方差的精确值,这种理论上的局限性使得各种基于方差估计的去噪方法并不能获得实际需要的去噪结果;针对阈值选取的问题,提出一种非线性小波变换阈值的kohonen神经网络的自调整学习训练方法对遥感图像进行去噪,该方法在小波变换的基础上结合了神经网络的非线性阈值自组织特征映射算法,阈值的选择根据训练图像进行学习;可以实现自调整寻找最优值,以满足实际,达到最优的去噪效果。     

基于不完全树结构小波变换及模糊聚类神经网络的纹理分割

提出了一种新的不完全树结构小波变换用于纹理特征提取,给出了一种一人类视觉过程相一致的多分辨率多通道纹理分析方法,它由：1）特征提取：使用不完全树结构小波变换抽取纹理特征;2）基于模糊神经 网络的特征粗分类：①基于样本分布密度的模糊Kohonen聚类网络权植初始化,②使用缩减的特征向量对网络进行训练,得到粗分割结果;3）细化粗分割结果等几部分构成。实验结果证明了其有效性。     

基于阴影恢复形状的起皱织物表面形态重建研究

阴影恢复形状算法是计算机视觉中的一个重要研究课题 ,该算法应用于织物三维表面重建 ,为客观评价织物起皱等级奠定了基础 .提出了一种新的阴影恢复重建算法 ,并阐述了该算法的实现步骤和计算方法 .先利用合成图象对算法进行迭代计算并验证 ,获得了较为准确的重建图象 ,然后再结合真实模板进行重建 ,重建准确度较高 .同时说明了该算法可应用于真实织物的表面重建之中 ,并可从获得的织物三维轮廓数据中提取特征值 ,实验表明 ,这些特征值均可从不同侧面表征织物的褶皱程度 ,特征值与织物的褶皱程度基本呈线性相关     

Application of InP Neural Network to ECG BeatClassification

This paper presents an application of a hybrid neural network structure to the classification of the electrocardiogram (ECG) beats. Three different feature extraction methods are comparatively examined: discrete cosine transform, wavelet transform and a direct method. Classification performances, training times and the numbers of nodes of Kohonen network, Restricted Coulomb Energy (RCE) network and the hybrid neural network are presented. To increase the classification performance and to decrease the number of nodes, the hybrid neural network is trained by Genetic Algorithms (GAs). Ten types of ECG beats obtained from the MIT-BIH database and from a real-time ECG measurement system are classified with a success of 98% by using the hybrid neural network structure and discrete cosine transform together.     

基于有监督Kohonen神经网络的步态识别

表面肌电信号随着时间的变化而改变,这将影响运动模式的分类精度.传统人体下肢假肢运动模式的识别算法不能保证在整个肌电控制时间内达到对运动模式的有效识别.为了解决这些问题,本文提取步态初期200ms的信号的特征值,将无监督和有监督的Kohonen神经网络算法应用到大腿截肢者残肢侧的步态识别中,并与传统BP神经网络进行了对比.结果表明,有监督的Kohonen神经网络算法将五种路况下步态的平均识别率提高到88.4%,优于无监督的Kohonen神经网络算法和BP神经网络.     

基于优选小波基和模糊SOM网络的模拟电路故障诊断

为了解决模拟电路故障诊断中的特征提取困难并实现对模拟电路故障模式准确的分类,提出一种优选小波基、模糊理论和自组织特征映射网络(SOM,self-organizing feature map)相结合的模拟电路故障诊断方法.该方法首先对模拟电路故障响应信号进行小波分解、提取能量值、均值和方差组成输入特征向量,同时采用余弦分离度评价小波变换在不同小波基函数下获取故障特征的有效性,据此选择余弦分离度最小的小波基分解的特征向量输入到自组织特征映射网络进行故障分类.仿真实验表明,利用余弦分离度选择的最优小波基能有效提高模拟电路故障特征提取,模糊神经网络能对故障模式进行精确分类.     

利用减法聚类的自适应模糊神经网络客观评定织物起皱等级

本文提出一种基于减法聚类的自适应模糊神经网络，用于织物起皱等级评定。首先利用减法聚类方法确定模糊神经网络的结构，再结合模糊推理系统进行模式识别，并详细介绍其基本原理和学习算法，最后引入四种起皱特征参数对真实织物进行验证，实验表明该方法是有效、可行的。