神经网络分类器的组合

利用神经网络分类器组合,对手写体数字识别问题进行了研究。通过对同一训练样本集抽取不同的特征集合,从而获得不同的神经网络分类器。对这些分类器的分类结果组合得到最终的分类结果。提出性能函数PF（S,T）用来确定阈值S,T,从而获得错误率与拒识率间的最佳平衡,实验结果表明,此种分类器组合方法能根据不同应用的要求,自动地选取性能函数中的参数,减少分类错误率,提高识别的可靠性。     

基于遗传神经网络的图像分割

提出一种基于遗传神经网络的图像分割方法.该方法利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后用神经网络算法迭代实现图像的分割.通过实验证明:该方法与传统的图像分割方法相比,具有更好的图像分割效果;与BP神经网络相比,训练速度得到很大的提高.     

基于多分类器组合的多角度彩色人脸图像检测

提出了基于神经网络和隐马尔可夫模型组合的彩色人脸图像检测方法 .根据归一化后的彩色图像的色度彩色分量直方图将图像粗分割成若干幅二值图像 ;在亮度图像上 ,以上述二值图像为掩模进行多分辨率的旋转不变性人脸检测 .在人脸检测时 ,本文分两步 :第一步先用神经网络来确定人脸的旋转角度 ,然后对旋正后的图像运用识别人脸奇异值特征的隐马尔可夫模型进行验证 .实验结果表明 ,本文算法是有效的     

基于小波神经网络的脑图像分割研究

随着影像学的发展,医学影像设备极大地提高了人类获取自身信息的能力,推动了现代医学的发展.为了更好地获得脑部图像的信息,对脑部图像进行分割研究.首先介绍了脑图像的分割研究背景,然后详细研究了脑图像的分割方法.在分割算法中,给出了脑图像预处理模型,然后通过将小波理论和神经网路相结合提出一种脑部图像分割算法,并将将该算法在脑部图像处理中实现.脑图像分割实验表明算法能够有效地对图像进行分割.实验评估结果显示算法对于脑图像的分割足高效的.     

基于NN多分类器组合的入侵检测方法

本文根据传统的入侵检测方法误报率高、U2R和R2L攻击检测率低等缺点,提出了一种基于神经网络多分类器组合的入侵检测方法.实验结果表明,该方法不仅能够有效地提高检测率,特别是U2R和R2L等攻击具有较好的检测能力.因此,本文提出的基于神经网络多分类器组合的入侵检测方法是有效和实用的.     

基于多尺度颜色小波纹理特征的火焰图像分割

火焰图像分割质量对基于数字成像的燃烧监测十分重要。受炉膛背景及燃烧工况的影响,难以同时满足火焰图像分割速度和准确度（即火焰图像分割结果与真实火焰接近程度）的需求。提出一种基于多尺度颜色特征和小波纹理特征（MCWT）的无监督火焰图像分割方法,用于提高火焰图像分割的质量和速度。结合火焰图像颜色特征及小波纹理特征构建特征矩阵,对特征矩阵进行压缩并初步检测压缩尺度火焰区域。根据压缩尺度火焰边缘确定原始尺度火焰边缘区域并构建火焰边缘区域特征矩阵,进一步分割得到准确火焰图像分割结果。采用该方法对某工业煤燃烧实验炉内不同燃烧工况下的火焰图像进行分割,并与传统分割方法对比。实验结果表明与其他传统分割方法相比,提出方法能够更准确且快速地实现不同燃烧工况下火焰图像的分割,并且其对于含有高斯噪声和椒盐噪声的火焰图像都具有更好的分割效果。     

基于图像块分类器和条件随机场的显微图像分割

针对花粉显微图像处理提出了一种自动分割方法,将有助于花粉识别系统的开发。使用归一化颜色分量训练图像块分类器,并且结合条件随机场和图割进行建模和优化,利用最大化后验概率(MAP)的方法实现花粉显微图像中花粉区域的分割。对于实验中的133幅图像,自动分割同人工分割的结果相比较,统计得到距离误差均值为7.3像素,准确率的平均值为87%。实验结果表明,使用图像块分类器和条件随机场模型可以用于花粉图像的分割。     

基于边缘流的煤电厂炉膛火焰图像分割方法

针对炉膛火焰灰度变化不明显采用传统的分割算法无法达到满意分割效果的问题,采用了基于边缘流的分割方法对电厂炉膛火焰图像进行分割;首先选用高精度的灰度边缘流对图像进行分割,得到边缘流的矢量方向和边缘能量,然后再对图像闭合处理得到初始分割图像;最后,再利用颜色相似度对相邻区域进行处理,得到最终分割图像,该方法不仅避免了单纯边缘流算法提取边界不连续无法检出较弱边界的问题,而且也可以避免过分割问题;通过实验表明,基于边缘流的方法是对炉膛火焰图像进行分割的有效方法。     

基于卷积神经网络的图像分割应用

近年来,计算机视觉领域随着深度学习的发展取得了长足进步,而该领域中卷积神经网络发挥了重要作用。计算机视觉领域的发展与物品识别检测、视频监控分析等息息相关,在日常生活和生产中具有重要作用。作为其最基本的算法之一,图像语义分割更是关键所在,只有保证图像语义分割,才能使后续算法正常执行分类或者识别命令。基于此,探讨了卷积神经网络在计算机视觉领域尤其是图像分割方面的应用,以提升图像分割算法的效率及效果。     

氧化铝回转窑火焰图像分割和特征提取技术

窑内参数难以准确在线检测是氧化铝回转窑自动控制的瓶颈之一;通过CCD工业摄像头采集窑内火焰图像,采用增强FCM算法对图像进行分割,针对不同情况采用有效的滤波方式,并实时准确提取了火焰温度、熟料温度、料高和黑靶子面积等多个参数,为回转窑自动控制奠定了基础。     

用振子神经网络实现二值图象中的多目标分割

利用基于视觉模型建立起来的局部激励、全局抑制振子神经网络 (OSNN)实现二值图象中数字及字母的目标 /背景分割 ;从理论上阐述了该网络实现目标 /背景分割的机理 ,并分析了如何合理选择参数以利于成功分割。     

Predicting Network Security Situation Based on a Combination Model of Multiple Neural Networks

Due to rapidly increasing complex attacks, networks become more and more insecure. How to accurately predict the future security situation of networks is thus an important research issue. Forecasting security situation can improve the awareness of network states and provide decision support to threat analysis and network planning. This paper provides a combination model of neural networks to predict the security situation of computer networks. Our contribution is in two aspects. On the one hand, we select several single neural network models including Backward Propagation (BP) network, Elman network, and Radial Basis Function (RBF) network to construct the combination model. On the other hand, we use the entropy method to determine the weights of each single model in the combination model. Experimental results show that the proposed combination model can predict the security situation of networks more e?ectively than any single neural network.     

基于MATLAB的BP-LVQ神经网络组合分类模型

综合考虑神经网络分类误差率以及训练速率,文中从组合分类器结构出发,提出一种树形多层的BP-LVQ神经网络组合分类器模型。该组合分类器利用BP神经网络独立性以及自适应性解决了一般分类器难以不断学习和适应新攻击的问题,利用LVQ神经网络的竞争性将客观分类信息转变成使用者所定义的类别。利用MATLAB神经网络工具箱对该BP-LVQ神经网络组合分类模型进行仿真实验,实验结果表明,该组合分类器的分类效率明显高于单一分类器。     

基于BP神经网络的隐写分析分类器设计

设计并实现了基于BP神经网络的隐写分析分类器。首先对图像库中的图像进行格式变换,并使用扩展修改方向和钻石编码两种隐写方法进行不同嵌入率的隐写嵌入,然后计算载体图像和载密图像中平面域、DCT域和小波域的一些属性值作为特征。利用Matlab的模式识别工具箱搭建BP神经网络,用已知类别的图像特征训练分类器并进行分类测试。实验结果表明,多域综合特征可以实现良好的分类效果,能以较高的准确率识别出载体图像和载密图像。     

Blood Vessel Segmentation via Neural Network in Histological Images

In this paper we utilize the Kohonen's self-organizing feature map to segment blood vessels from biopsies in tumor tissue. The ability of this kind of neural network to recognize very complex patterns makes it an effective computational tool for the segmentation. We propose a strategy of blood vessels segmentation using a neural network, taking into account the quality of our images and its features: complexity in shape and variability in size. Segmentation results are contingently manually corrected. The proposed segmentation strategy is tested on manual segmentation, where segmentation errors of less than 3.5% are observed. This work is a part of a global image analysis process and these images will be subject to a further morphometrical analysis in order to diagnose and prognosticate automatically malignant tumours.     

Multiple Classifier Fusion in Probabilistic Neural Networks

The main motivation of this paper is to design a statistically well justified and biologically compatible neural network model and, in particular, to suggest a theoretical interpretation of the well known high parallelism of biological neural networks. We consider a novel probabilistic approach to neural networks developed in the framework of statistical pattern recognition, and refer to a series of theoretical results published earlier. It is shown that the proposed parallel fusion of probabilistic neural networks produces biologically plausible structures and improves the resulting recognition performance. The complete design methodology based on the EM algorithm has been applied to recognise unconstrained handwritten numerals from the database of Concordia University Montreal. We achieved a recognition accuracy of about 95%, which is comparable with other published results. Received: 21 November 2000, Received in revised form: 15 November 2001, Accepted: 13 December 2001     

应用BP神经网络分类器识别交通标志

介绍了神经网络特性和BP神经网络分类器的一般原理。针对交通标志识别需要处理的信息量大以及受天气道路等外界条件的影响存在噪声干扰的情况，提出了一种应用BP神经网络分类器识别交通标志的方法。识别分为图像数字处理、BP神经网络的训练、测试与对加入噪声图像进行识别3个步骤，经实验取得了良好的识别效果。     

医学图像自动分割的神经网络算法

提出了一种基于Ｋｏｈｏｎｅｎ聚类神经网络的图像分割算法。首先论述了Ｋｏｈｏｎｅｎ聚类神经网络的基本原理，在此基础上对其进行了改进，将其用于医学图像分割中。针对聚类中心初始值选取的盲目性，提出了初始值优选法，大幅度提高了分割算法的速度。实验表明，本文提出的算法能快速、准确地完成医学图像的自动分割。     

基于条件对数似然的BP神经网络多类分类器

BP神经网络分类器存在收敛速度慢的缺陷,为了提高分类器性能,针对这一缺陷对BP算法进行改进. 提出将条件对数似然（CLL）准则融入到监督性BP神经网络多类型分类过程中,利用CLL的可分解性优势,计算测试样本的条件概率,在误差反向传播时利用条件概率对权值进行相应的加权降权操作,简化误差反馈过程中的计算量. 在实验中对改进算法的收敛速度和准确率进行了测试,说明了该算法的有效性及实用性.     

BP人工神经网络在图像分割中的应用

图像分割是图像处理和计算机视觉的重要研究领域,也是图像识别和图像分析的基础性工作之一。图像分割效果的好坏直接影响图像特征的提取、图像识别的精度。BP人工神经网络在理论上具有实现任意非线性映射的能力,具有自学习、自适应及鲁棒性强的特点,在模式识别、模式分类和模糊控制等领域得到广泛应用。作者将BP人工神经网络成功地运用于印鉴图像分割、车牌号码图像的分割等工作中,取得了良好的图像分割效果。