基于遗传算法和BP网络的文字识别方法

将基于遗传的BP神经网络算法用于文字识别算法结合了遗传算法和BP网络的优点.先采用遗传学习算法进行全局寻优、再利用BP算法进行精确训练、优化BP(Back Propagation)神经网络权重学习和训练的神经网络文字识别算法.实验结果表明该算法完全达到了文字识别要求,识别率达到了98%.并且在识别速度上也明显优于传统的BP神经网络及其他改进算法,具有精确性、收敛性和识别速度快等特点.     

RFID调制信号自动识别方法的研究

提出了一种基于软件无线电的RFID调制识别方法.该方法设计了一种用遗传算法全局优化BP网络拓扑结构的调制识别分类器.与传统BP神经网络方法相比,该方法加快了网络的收敛速度,提高了收敛精度且识别率较高.仿真结果表明,该方法在较低信噪比情况下可达到很高的识别效率.     

基于PSO-BP神经网络的股市预测模型

为解决股市短期预测中BP神经网络法对初始权值敏感、易陷入局部极小值和收敛速度慢等问题,基于全局随机优化思想的粒子群优化(PSO)算法,对BP神经网络的初始权值进行了优化,建立了PSO-BP神经网络股市预测模型.并通过实例分析与传统BP神经网络预测法进行对比,结果表明该方法收敛速度明显提高,有效降低了训练误差,避免了陷入局部极小值,达到了较高的预测精度,在股市短期预测中具一定的实用价值.     

基于CLDNN的调制信号识别方法

调制信号的识别在军用的电子战和民用的智能化无线通信中占有重要的地位,针对现有识别方法识别种类少、整体识别率不高和需要预处理等缺点,设计一个CLDNN端到端深度神经网络.该网络无需人工干预或数据统计,自动提取特征并进行多类调制信号类型识别.实验结果表明,该方法能够同时识别11种信号的调制方式,在低信噪比下识别效率相比现有方法有所提升,当信噪比在-4 dB以上时,整体识别精度达到94％以上.     

基于残差网络和门控卷积网络的语音识别研究

由于传统循环神经网络具有复杂的结构,需要大量的数据才能在连续语音识别中进行正确训练,并且训练需要耗费大量的时间,对硬件性能要求很大。针对以上问题,提出了基于残差网络和门控卷积神经网络的算法,并结合联结时序分类算法,构建端到端中文语音识别模型。该模型将语谱图作为输入,通过残差网络提取高层抽象特征,然后通过堆叠门控卷积神经网络捕获有效的长时间记忆,摆脱了传统循环神经网络对上下文相关性建模的依赖,加快了模型的训练速度。对残差网络进行了优化,并在门控卷积神经网络中加入了前馈神经网络,极大提高了模型的性能。实验结果表明,在Aishell-1中文数据集上,该模型的字错误率降低至11.43%;并且在?5?dB低信噪比环境下,字错误率达到了19.77%。     

基于自注意力孪生神经网络的人脸识别——在家族人脸数据库上的亲属关系预测

人脸识别任务中,孪生神经网络被广泛应用于解决样本过少、类别庞大的项目,通过判别输入的人脸相似度达到较高的鲁棒性。通过设计和改造传统孪生神经网络,提出了基于自注意力机制的孪生神经网络,将经典人脸识别任务衍生到亲属关系预测。网络设计思路结合了近期提出的全局上下文非局部注意力模块(GlobalContextNon-local Network,GC Block),使用自注意力机制融合人脸远距离关键特征,且在保持有效计算精度的基础上减少计算量,同时,使用美国西北大学的SMILE人脸数据集进行训练,并在官方于Kaggle举办的基于人脸亲属关系识别数据竞赛中进入前十名。实验表明,全局上下文模块可以有效融合人脸的远距离关键特征间的依赖信息,结合孪生网络,显著提升亲属关系预测任务的精度。     

基于改进型遗传神经网络的相似重复记录检测

本文提出一种基于遗传神经网络的相似重复记录检测方法,充分利用了神经网络的非线性映射和遗传算法的全局优化特性,将基于学习的思想和进化的思想有效结合并应用到重复记录检测中,避开了传统方法计算属性权重的问题,并对遗传神经网络进行改进。实验结果表明本文方法能够有效地解决大数据量的相似重复记录检测问题,不仅具有好的检测精度,而且具有很好的时间效率。     

结合神经网络和投影波形的二维条码识别方法

本文提出了一种处理矩阵式二维条码图像的新方法.首先对扫描到的图像进行除噪、滤波,然后根据投影波形旋转图像,采用折半查找法确定旋转角度,最后用Hopfield神经网络识别条码的各个矩阵点.实验证明,这种方法可以有效快速的实现二维条码图像的识别.     

PSO-BP网络模型在数据分类中的应用

分类技术是数据挖掘的重要分支,常见的分类方法有决策树、统计方法、机器学习方法、BP神经网络方法等.本文针对标准BP网络存在的一些缺陷,结合一种进化算法微粒群(PSO)算法,建立了一种用于数据分类的网络模型.该模型充分利用微粒群算法的全局寻优特性,优化BP网络的权值和阈值,既保证了BP网络能收敛到全局最优解,加快了BP网络的收敛速度和收敛精度,又提高了待分类数据的识别准确率.仿真实验结果表明此模型较BP网络具有较好的分类识别性能.     

采用双视觉里程计的SLAM位姿图优化方法

后端轨迹优化是视觉同步定位与建图系统的重要组成部分,可以显著地提高定位精度.然而,现有的基于捆集约束法的优化方法在大场景中计算量大,并且无法应用于端到端视觉里程计.针对这个问题,提出了一种在前端采用2个视觉里程计的后端通用位姿图优化方法,可以应用于端到端视觉里程计.该方法采用一个高速低精度的端到端视觉里程计以高频率运行,同时一个低速高精度的视觉里程计以低频率运行,局部优化通过2个里程计提供的约束条件使用高斯-牛顿法迭代优化;在全局优化中基于关键帧进行场景匹配与局部优化同时进行.实验证明,应用该优化方法的同步定位与建图系统可以在KITTI数据集上实时运行,相较于2个视觉里程计都取得了精度上的较大提升,并且对比现今开源的几种应用后端轨迹优化的著名同步定位与建图方法,在轨迹误差、绝对轨迹误差、旋转误差和相对位姿误差上均取得了较低的误差,兼顾了传统方法精度的优势和端到端方法速度上的优点.除此以外,该优化方法还可以适用于其他更多的视觉里程计.