基于信息融合技术的某新型自行火炮发动机电控系统故障诊断

多传感器故障诊断过程中,由于多方面的原因,如测量噪声的存在、诊断知识的不完全等等,使得故障诊断存在着不确定性,影响到诊断结果的可靠性和准确度;通过分析某新型自行火炮发动机电控系统的故障特点,研究了一种基于BP神经网络及信息融合技术的多传感器故障诊断方法,将该自行火炮发动机电控系统的故障诊断过程分为子系统和系统级两级诊断,子系统采用BP神经网络实现故障模式分类,系统级运用D-S证据理论对整个系统故障进行综合决策评判;应用表明,在某个子神经网络识别存在差异的情况下,采用D-S证据理论进行融合可以有效地提高识别的准确性。     

基于两级神经网络的连续哼唱特征提取

针对用户以任意字词连续哼唱的情况下,哼唱特征提取中音符分割、音符识别难度大的问题,提出了一种基于两级神经网络的哼唱特征提取方法。第一级采用BP神经网络实现哼唱音符分割,得到独立音符;第二级采用RBF神经网络识别分割出的各个音符,获得音符的MIDI音高值。实验结果表明,该方法能较好地完成哼唱特征的提取,适合于实际哼唱检索系统对连续哼唱的要求。     

一种新的车牌字符快速识别方法

针对车牌字符图像的特点,在研究各种特征提取方法适用场合的基础上提出了改进的特征提取方法和字符识别方法。对于英文和数字,使用一种基于模板匹配和神经网络的车牌字符识别方法。该方法采用两级识别,第一级采用模板匹配识别差别明显的字符,第二级采用BP神经网络识别第一级不能确定的相似字符。对于汉字采用小波变换和LDA提取特征。该方法利用小波变换的特性最大程度地提取了字符图像的特征信息。实验结果表明此算法具有较高的识别率和较快的识别速度。     

模糊神经网络在电子鼻系统定量识别中的应用

提出并实现了两种类型的模糊神经网络用于电子鼻系统的定量识别。阐述了模糊神经网络用于电子鼻系统定量识别的基本原理,简要介绍了两种模糊神经网络的结构特点并进行了比较,并通过具体实例说明了模糊神经网络用于电子鼻系统的定量识别的可行性以及识别的效果。在该系统中,基于径向基网络模型的模糊神经网络的预测性能在整体上要优于基于感知器模型的模糊神经网络。     

一种手写数字的多级分类器设计

对手写数字识别技术进行了研究和探讨,提出一种新的多级分类嚣手写数字识别方法.该识别方法以图像预处理和字符特征提取为基础,采用BP神经网络分类器进行第一级识别、结构特征分类器进行有选择的第二级识别,并提出一种全新的端点特征提取法,大大地简化结构特征分类器的设计.实验结果表明,多级分类器较单一的神经网络分类器的识别率有了明显的提高.     

基于神经网络与模糊推理的尿沉渣成分识别

把神经网络应用于尿沉渣有形成分的识别,并在神经网络识别的基础上引入模糊推理系统.当遇到神经网络无法正确识别的不规则有形成分时,由模糊推理系统进行推理识别.专家对不规则有形成分的识别经验通过建立多规则、多输入的Mamdani模糊推理模型,融入到识别系统中,使整个识别系统变得智能化.实验结果表明,该方法提高了不规则有形成分的识别率,达到预期的效果.     

基于内容的可移植图像识别系统研究

介绍了一种基于C／C＋＋编程语言的图像识别系统,该系统通过直接对图像内容进行识别获取图像的完整信息。首先,对输入图像进行预处理,标准化图像内容;其次,输入训练图像集训练BP神经网络,使神经网络获得图像的各种特征;最后,使用测试图像集测试该系统的识别效果。实验表明,该系统具有较好的识别能力和较强的可移植性,是对图像进行识别的一种有效手段。     

基于神经网络的硬币识别与分拣系统

提出基于神经网络的硬币识别与分拣系统的设计方法。硬币传输过程中,根据金属特性的不同利用电涡流技术完成真伪识别;硬币原始图像采集后经灰度变换、中值滤波降噪,由胡氏几何不变矩提取硬币图像特征,将该特征作为三层BP神经网络的输入,实现硬币面值识别。实验表明该设计的硬币识别与分拣系统,能够完成对硬币真伪及币值的分辨,识别速度快,识别精度高,具有应用价值。     

基于多特征融合和卷积神经网络的植物叶片识别

植物叶片识别是植物自动分类识别研究的重要分支和热点,利用卷积神经网络进行图像分类研究已成为主流.为了提高植物叶片识别准确率,提出了基于多特征融合和卷积神经网络的植物叶片图像识别方法.首先对植物叶片图像进行预处理,提取LBP特征和Gabor特征,将多特征相加融合输入网络进行训练,使用卷积神经网络(AlexNet)构架作为分类器,利用全连接层对植物叶片进行识别.为了避免过拟合现象,使用"dropout"方法训练卷积神经网络,通过调节学习率、dropout值、迭代次数优化模型.实验结果表明,基于多特征融合的卷积神经网络植物叶片识别方法对Flavia数据库32种叶片和MEW2014数据库189种叶片识别分类效果较好,平均正确识别率分别为93.25％和96.37％,相比一般的卷积神经网络识别方法,该方法可以提高植物叶片的识别准确率,鲁棒性更强.     

两级传感器信息融合的移动机器人避障研究

针对移动机器人的避障问题,以AS-R移动机器人为研究平台,提出了一种将神经网络和模糊神经网络相结合的两级融合方法。采用BP神经网络对多超声波传感器信息进行融合,以减少传感器信息的不确定,提高对障碍物识别的准确率;采用模糊神经网络实现移动机器人的避障决策控制,使之更适合系统的避障要求。该方法使移动机器人在避障中具有较好的灵活性和鲁棒性。机器人避障实验验证了所提方法的有效性。     

基于卷积神经网络的水稻病虫害识别分类系统设计与实现

为解决人工识别水稻病虫害效率较低、识别精度不高、防治响应不及时的问题,提出了基于深度学习开发水稻病虫害识别方法,搭建了实验平台,利用TensorFlow内置Keras模块构建卷积神经网络的图片识别分类系统.测试数据表明,该平台对八种常见水稻病虫害的识别准确率达到97％以上,可以实现用户上传水稻病虫害图片,系统模型自动对水稻病虫害种类进行识别,并有针对性地进行病虫害的防治,有利于水稻病虫害快速高效的治理.     

基于改进全卷积神经网络的航拍图像语义分类方法

现有的卷积神经网络方法难以对图像的每个像素进行语义识别,较难从像素层面分解出图像的不同类别。为此,提出一种端到端的全卷积深度网络,以实现高分辨航拍图像像素级的语义分割及识别。通过全卷积神经网络对图像强度信息和地理信息系统信息分别采用独立通道进行处理,在全卷积神经网络的最终层合并2个通道,并对每个像素进行全连接像素级标注,利用条件随机场作为后期处理方法平滑相似区域,同时保留图像中的边缘信息。实验结果表明,与传统视觉语义分类算法相比,该算法在航拍图像像素级分类上的准确率更高,识别效果更好。     

基于多分类器组合的一种手写体数字识别方法

提出了一种手写体数字识别系统.该系统由三级分类器组成第一级提取交叉点、闭和圆等结构特征,并用模板匹配的方法进行分类;第二级由两个并行的神经网络分类器组成,每个分类器分别使用不同的统计特征;第三级是综合分类器,它将第二级的输出作为输入,根据投票规则得到最后的输出结果.多分类器组合可以集合分类器的优点,提高整个识别系统的识别精度和可靠性.     

基于3D卷积神经网络的CSI跨场景手势识别方法

手势识别在人机交互中有着广泛的应用前景,近年来随着无线通信与物联网的飞速发展,几乎任何地方都部署了WiFi设备,并涌现了大批关于WiFi信道状态信息(Channel State Information,CSI)的手势识别方法,目前大多数基于CSI手势识别的研究仅针对了已知场景下的手势识别研究,对于未知场景,需要增加未知场景中的新数据进行额外的学习训练,否则识别精度将会大幅下降,限制了其实用性.针对这一问题,提出了一种基于3 D卷积神经网络的CSI跨场景手势识别方法,该系统通过提取与场景无关的特征,并结合3D卷积神经网络学习模型来实现跨场景手势识别,在实验中使用网络公开数据集来验证该方法,结果显示该方法对于6个不同动作手势,在已知场景中的平均识别准确率达到了86.50％,在未知场景中的平均识别准确率达到了84.67％,能够实现跨场景的手势识别.     

双光谱在赤潮生物自动识别系统中的应用

为克服人工识别赤潮生物的困难，利用赤潮生物在一定的激发光下可以产生荧光的特性，采用基于赤潮生物的双光谱技术，研制了赤潮生物自动识别系统．该系统可以自动完成对赤潮生物图像的预处理、图像分割、特征提取、特征选择，并建立赤潮生物特征信息数据库，从而最终实现对赤潮生物识别分类．在分类过程中选用了BP神经网络分类器，与人工识别相比，识别的准确率接近90％．     

基于尺度特征卷积神经网络的高分对地观测系统设计

针对高分对地观测系统使用过程中会受到不同活动项目的 约束影响,出现系统成像、回传及活动完成率低的问题,导致观测效果不佳,为此提出了基于尺度特征卷积神经网络的高分对地观测系统设计;该系统通过管控中心服务器推送系统运行状态信息,实现三维显示任务的功能;利用CMOS图像传感器实现成像面对应点的传送和FPGA控制器控制其数据存储时间;采用BCM5464千兆交换机,实现数据高速传输;构建并训练尺度特征卷积神经网络,利用RPN网络识别目标区域特征,通过划分目标的前景和背景确定了该区域内的训练兴趣区域坐标,从而使RPN网络权值学习达到了预期目标,提升了目标检测识别的准确性,设计对地观测信息管理流程,完成系统设计;由实验结果可知,该系统最高成像、回传概率、活动完成率分别为83％、99.9％和100％,具有良好的观测效果.     

结合深度神经网络的网络监控系统微表情识别

为了提高网络监控系统微表情识别的效果,结合深度神经网络技术提出新的智能监控系统微表情识别算法。将判别能力强的卷积神经网络特征与鲁棒的直方图特征结合,利用卷积神经网络提取目标的空间特征,再将卷积特征表示为直方图,结合直方图和卷积神经网络两者的优势设计新的人体追踪算法;设计跨模态监督的深度神经网络训练方法,将可见光视频数据送入深度神经网络进行训练,利用近红外光视频对训练程序进行监督。基于公开的多模态微表情识别数据集完成了验证实验,结果显示该算法有效地提高了微表情识别的性能。     

神经网络专家系统两级故障诊断方法的研究

本文提出了一种基于神经网络和专家系统的两级故障诊断方法,一级神经网络用于对故障的大致定位;二级神经网络用于故障的精确定位。并以汽车发动机为研究对象,对此方法进行了详细的验证,结果证实,该系统能够实现故障的快速诊断、性能良好。     

一种新的证据组合规则应用于序列图像目标识别*

提出了一种新的证据理论组合规则,并结合BP神经网络和证据推理对序列图像目标识别问题进行应用.以修正的Hu不变矩为图像特征,利用数据融合的思想对来自目标的序列图像进行时间域融合处理.由BP神经网络对目标的初步识别结果构造基本置信指派函数,用该组合规则进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明,新的组合规则结合BP神经网络的融合方法提高了三维飞机目标识别的准确性.     

基于边缘颜色聚类和神经网络的车牌类型识别

汽车牌照自动识别系统是实现智能化道路车辆监控的基础,而车牌类型的识别率是车牌识别系统中重要的技术指标之一。提出了一种基于聚类和神经网络车牌类型识别算法。首先进行车牌的倾斜校正,其次提取车牌的有效区域,最后应用K-means边缘颜色聚类和两级BP神经网络进行车牌类型的识别。对各种条件下采集的500幅车牌图像进行实验,识别率在99%以上。实验结果表明,该算法对光照变化和噪声具有很好的鲁棒性。