基于Zernike矩、粗集和神经网络的数字识别方法

针对无指针式表盘的数字判读问题,提出一种基于Zernike矩和粗集预处理的神经网络数字识别方法.该方法首先利用Zernike矩的旋转不变性特征提取数字图像特征,再对所提取的Zernike矩进行基于粗集的特征约简,约简后的信息输入到训练好的神经网络进行识别.通过实际的表盘分割截取的带旋转的数字识别中试验,结果表明该方法具有识别率高,速度快的特点,具有较高的实时价值.     

基于神经网络数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法;该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别;实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,具有较高的实用价值;并且该方法在保留神经网络高鲁棒性的同时,为快速准确地进行数字识别开辟了新的途径。     

仪表表盘数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法.该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别.     

无指针式仪表表盘数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出了一种基于特征提取和粗糙集特征约简的神经网络数字识别方法.首先利用数字图像预处理技术处理图像,并利用特征提取方法提取数字图像特征;然后利用粗糙集理论进行特征约简;最后将约简后的信息输入到训练好的神经网络进行识别.实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,实用价值较高.     

Zernike矩在气液两相流流型识别中的应用

根据Zernike矩具有正交性的特点,提出了一种基于Zernike矩和改进BP神经网络的流型识别新方法.该方法利用高速摄影仪获取水平管道内气液两相流的流动图像,并从图像中提取基于zernike矩的统计描述作为特征向量;同时,以此特征向量作为流型样本对改进BP神经网络进行训练,从而实现了对流动图像的流型智能化识别.结果表明,该方法能很好地识别七种典型流型,且其应用Zernike矩特征的分类精度明显高于用规则矩和Hu矩作为特征的识别方法,从而证明了基于Zernike矩的气液两相流流型识别方法的有效性.     

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。     

基于小波包和Zernike矩特征提取的车牌字符识别

提出了一种基于小波包和Zernike矩特征提取的车牌字符识别方法。首先针对数字字符特殊的字体结构,采用了数学形态学方法进行滤波处理。预处理后,对待识别字符进行三层小波包分解,获取第三层各节点小波包系数;同时对小波包分解后的第二层各节点进行重构,并分别计算重构后所得图像的Zernike矩;最后对获得的小波包系数和重构后所得图像的Zernike矩所组成的特征空间进行降维处理,并利用BP神经网络对车牌中的数字进行识别。实验结果表明,该方法效果良好。     

面向手绘军标图形的旋转自由识别方法

目的在笔式态势标绘应用中,识别手绘点状军标图形面临着图形类别多、图形类别之间相似度高、绘制方向可变等挑战。针对这些困难提出一个面向手绘军标图形的旋转自由识别方案,以识别图形类别和方向角为目标。方法首先通过旋转不变的粗分类缩小候选类别范围,然后估计待识别图形与模板图形间的方向夹角并将二者旋转对齐,最后用细化区分方法识别高相似度的图形类别。采用一种结合图形采样点空间分布和局部方向信息的方向Zernike矩特征描述图形样本,通过匹配方向Zernike矩可实现粗分类和旋转角估计。结果实验结果表明本文方法的分类准确率和角度估计精度均明显优于基于传统Zernike矩的识别方法。结论该方法可有效应用于对在线手绘军标图形进行旋转自由识别的场合。     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

基于Zernike矩和前馈神经网络的图像配准

提出一种基于Zernike矩和多级前馈神经网络的图像配准算法。利用低阶Zernike矩表征图像的全局几何特征,通过多级前馈神经网络学习图像所经历的旋转、缩放和平移等仿射变换参数,在一级前馈神经网络的基础上添加二级前馈网络,以提高参数估计精度。仿真结果表明,与基于DCT系数的神经网络算法相比,该算法旋转、缩放和平移估计精度较高,对噪声的鲁棒性较强。     

粗集理论在图像特征选择中的应用

粗集理论是一种新的处理含糊和不确定性问题的数学工具。它作为一种新的软计算方法，与进化算法、神经元网络和模糊方法等一样，是具有发展潜力的智能信息处理方法。本文采用粗集理论知识约简的思想，提出了一种图像特征选择的算法，该算法不仅能够找出有效特征集、降低图像特征空间的维数、减少图像分类的工作量，而且提高了分类识别率。由于粗庥只处理定性数据或概念类的对象，需要进行数据离散化归一化，故本文又利用Kohonen网络，提出了一种属性值的离散化算法。实验结果证明，上述两种算法是有效的和实用的。     

基于粗糙集理论的网络型入侵检测系统

为解决目前大多数入侵检测产品或模型对未知攻击的检测都存在精度低或者虚警率高的问题，建立了一个基于网络的入侵检测实验平台，使用了多种新的攻击工具实施攻击；并在此基础上提取了网络连接的29项实时特征；应用粗糙集理论实现了一个网络连接的检测器。经实验表明，所选取的网络连接特征能较好地反映网络安全状况，粗糙集理论应用于多类分类问题和未知攻击的检测方面是有效的。     

邻域粗糙集在轮对踏面缺陷图像特征选择的应用

邻域粗糙集理论能够直接处理数值性数据,无需离散化,已经被应用在属性选择和分类器设计中;文中在分析了轮对踏面缺陷图像的成像特征的基础上,首先从缺陷样本中提取了16个特征值,然后基于邻域粗糙集知识约简的思想,提出了一种轮对踏面缺陷图像特征的选择方法,实现了对原始特征的优化选择,利用径向基函数神经网络和选择的特征值对缺陷进行分类;实验结果表明,该方法可将识别的原始特征下降到原始特征数目的20%左右,擦伤识别率提高了68%。     

基于粗糙集理论的模式分类样本特征选择方法研究

本文提出了一种基于粗糙集理论的模式分类本特征选择方法，该方法应用粗糙集理论和方法，对给定的学习样本进行特征选择，根据这些特征构造神经网络模型进行训练，并在网络的工作阶段，根据这些特征对待识样本进行分类，在模式分类中，该方法能够减少网络的训练时间并改善网络的泛化能力。     

电信欺诈行为的聚类研究

针对海量电信数据的聚类问题,利用粗集中的知识简化方法,减少属性的数量,提取主要的特征属性,并结合性能优良的模糊Kohonen聚类网络,提出了一种新的电信欺诈行为的检测模型,采用Microsoft SQL2005和VC＋＋6.0技术,利用电信运营商提供的真实数据对该模型进行验证,实验结果表明,基于粗集神经网络方法提出的模型快速有效且具有较高的准确率。     

Rough Neural Network of Variable Precision

In this paper, a new method is described to construct rough neural networks. On the base of rough set model, we present a method to develop rough neural network of variable precision and train it using Levenberg–Marquart algorithm. The method is particularly attractive because it combines the advantages of both rough logic networks and neural networks. In our system, weak generalization in rough sets theory and complexity in neural network are avoided while anti-jamming performance is highly improved and the network structure is also simplified. In experiments, the network is applied to classification of remote sensing images. The results show that our method is more effective and successful than application of rough sets and neural network separately.     

粗糙集下网络大数据混合属性特征检测仿真

由于网络混合属性集的冗余数据量多,影响数据检测的查全率,为此提出结合粗糙集理论的网络大数据混合属性特征检测方法。首先构建一个四元组,利用四元组的任意邻域信息测算其长度函数,以判断信息特征的相似性,结合粗糙集理论求解相似信息特征的邻域熵,以检测并分类重复数据属性。为优化数据分类效率,引入支持向量机分类思想,将大数据混合属性的分类问题变换为线性可分问题,实现网络大数据混合属性特征检测与分类。实验结果表明,所提方法能够有效根据数据特征筛选出无关数据信息,使用经过训练后的分类装置对约简后的特征集进行分类,与基于特征和分类器参数组合优化的网络属性特征检测方法比较,证明了所提方法的有效性,为网络大数据混合特征检测技术提供一种新的有效解决方式。     

基于AGA-RS的故障特征参数提取方法研究

在故障诊断中,将高维特征空间压缩到低维特征空间可以简化故障分类器设计,提高运算效率。研究了自适应遗传算法（AGA）和粗糙集（RS）理论在特征选择和特征约简中的应用,并针对柴油机燃油喷射系统故障提取了简化特征,建立了神经网络模型。试验结果表明,基于AGA-RS的故障特征参数提取方法可使故障分类器输入参数同时具有有效性和简约性,提高了神经网络的运算效率。     

基于粗糙集的神经网络建模方法研究

提出了一种基于粗糙集的神经网络模型,该方法利用粗糙集数据分析方法,从数据中 提取出规则将输入映射到输出的子空间上,而后在这个子空间上用神经网络进行逼近.利用这 种方法对岩石边坡工程中边坡稳定性进行分析建模,并和传统的神经网络建模方法进行比较, 说明了该方法的有效性.     

基于粗糙集与神经网络的故障诊断研究

通过引入粗糙集理论,利用可辨识矩阵约简算法对故障诊断决策表进行属性约简,剔除其中不必要的属性,然后构造改进的BP神经网络作为粗糙集的后端处理机,构造了基于粗糙集与神经网络的故障诊断模型。仿真结果表明,该方法可以有效地减少输入层个数,简化神经网络结构,减少网络的训练时间,在故障诊断中有良好的应用前景。