视觉导航自动车辆用BP神经网络数字识别方法的研究

为了满足视觉导航自动车辆AGV对阿拉伯数字准确、快速识别的要求,该文提出了基于BP神经网络的数字识别方法。为满足对数字识别实时性、准确性的要求,研究改进了数字识别的算法,考察了隐层节点数对收敛速度、数字识别效果的影响以及学习率η对收敛速度的影响,并选取了较好的学习率对阿拉伯数字进行了网络训练,得到了网络收敛后的权值和阈值矩阵。在有噪声的条件下,进行了实验检验,实验结果表明该方法能够实现对阿拉伯数字的准确、快速识别。     

基于进化计算的中医脉象分类识别研究

为了实现中医脉象的客观、准确分类,提出了一种基于进化计算的脉象识别方法.提出一种改进的GEP算法(IGEP),并对IGEP算法进行了复杂度分析.基于IGEP,设计出了对脉象信号进行自动建模识别的系统.最后用大量临床脉象样本对算法建模的函数进行了检验,实验结果表明该方法能够实现对中医常见脉象的准确、快速分类.     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

BP网络学习算法研究及其图像模式识别应用

BP神经网络的训练性能主要包括收敛速度和收敛精度等方面，该训练性能在很大程度上取决于所选择的网络学习算法。本文针对模式识别应用领域，通过实例，运用Matlab编程对部分较好的网络学习算法的训练性能进行了比较研究．给出了模式识别应用过程中BP网络学习算法的选择依据。在此基础上，运用BP网络编程实现了对常见单位符号图像目标的模式识别，并通过识别算法的实现过程，分析了用BP网络进行图像目标模式识别的具体思路和方法。     

基于深度置信网络的实木板材缺陷及纹理识别研究

针对在现代木材加工企业中,实木板材以缺陷及纹理为主要品质分级要素的需求,提出利用基于局部二值模式、自学习的深度置信网络与softmax分类器组合的深度学习算法,实现对实木板材缺陷及纹理的分类。首先提取实木板材的缺陷及纹理特征,在此基础上利用深度置信网络对经过局部二值化处理的特征进行训练学习,并采用可自学习的学习率算法优化收敛速度、减少训练时间,最后使用softmax分类器获取常见缺陷及直纹、花纹的分类结果。通过与BP神经网络、支持向量机、极限学习机等几种经典算法的比较,采用深度置信网络得到的实木板材缺陷及纹理识别的误差率在3.59%左右,在实木板材缺陷和纹理上取得了更好的识别效果。     

基于朴素贝叶斯分类的网络谣言识别研究

谣言的传播会破坏社会秩序、危害国家稳定、造成大众恐慌,而社交平台的广泛应用使得信息传播速度更快、波及范围更广,加大了谣言造成的负面影响,如何快速准确地识别网络谣言成为信息传播领域的热点问题。谣言识别本质上是一个二分类问题,因而基于贝叶斯分类的思想设计了网络谣言识别的朴素贝叶斯分类算法,利用Matlab软件构建朴素贝叶斯分类器,并采用从微博中收集的数据对该算法进行实验验证,通过控制训练集,对比识别结果的准确率、精确率、召回率和F1值,探究了不同训练条件下的朴素贝叶斯分类器对谣言与非谣言的识别情况和内含规律。研究表明,朴素贝叶斯分类器对于网络谣言识别具有有效性,且训练集的选取与控制对识别结果的影响较大,识别准确率随着训练条件的不同发生波动。     

BP算法收敛性分析及改进

在标准BP神经网络的训练中,将误差函数作为权值调整的依据,使用固定学习率计算权值,这样的结果往往使网络的学习速度过慢甚至无法收敛。对此,从网络收敛的稳定性和速度的角度出发,分析了误差函数和权值修改函数,对算法中学习率的作用进行了具体的讨论,提出了一种根据误差变化对学习率进行动态调整的方法。该方法简单实用,能有效防止网络训练时出现发散,提高网络的收敛速度和稳定性。     

基于降维BP神经网络的高维数据分类研究

为确保高维数据的神经网络分类精度,提出了先降维后分类的方法。采用主成分分析（PCA）法实现高维数据的降维。通过分析传统BP算法,提出分两步来更新网络权值的扰动BP学习方法。采用MATLAB对降维分类算法的分类精度和误差收敛速度进行分析。仿真结果显示：先降维再采用扰动BP网络进行高维数据分类可大大提高数据的分类精度和训练速度。     

不同池化模型的卷积神经网络学习性能研究

目的 基于卷积神经网络的深度学习算法在图像处理领域正引起广泛关注。为了进一步提高卷积神经网络特征提取的准确度,加快参数收敛速度,优化网络学习性能,通过对比不同的池化模型对学习性能的影响提出一种动态自适应的改进池化算法。方法 构建卷积神经网络模型,使用不同的池化模型对网络进行训练,并检验在不同迭代次数下的学习结果。在现有算法准确率不高和收敛速度较慢的情况下,通过使用不同的池化模型对网络进行训练,从而构建一种新的动态自适应池化模型,并研究在不同迭代次数下其对识别准确率和收敛速度的影响。结果 通过对比实验发现,使用动态自适应池化算法的卷积神经网络学习性能最优,在手写数字集上的收敛速度最高可以提升18.55%,而模型对图像的误识率最多可以降低20%。结论 动态自适应池化算法不但使卷积神经网络对特征的提取更加精确,而且很大程度地提高了收敛速度和模型准确率,从而达到优化网络学习性能的目的。这种模型可以进一步拓展到其他与卷积神经网络相关的深度学习算法。     

基于改进学习的BP网络声音特征信号识别

建立了一个三层前向神经网络对四种声音信号进行识别分类,网络采用改进学习的BP算法训练,即在最速下降法训练的基础上,引入了MOBP动量因子和学习率调整.仿真验证结果表明,所设计的BP网络识别分类误差小,识别正确率高.     

基于小波包分析和BP神经网络的中医脉象识别方法*

利用小波变换具有揭示信号时频两域细节和局部特征的能力,提出了将脉象信号的小波包分析和BP神经网络相结合以达到识别中医脉象的新方法。首先对脉象信号作三层小波包分解,利用小波包分解系数重构信号。然后计算第三层从低频至高频八个频带的信号能量,以此能量构造出脉象信号的特征向量送入改进的BP神经网络进行训练。大量样本的实验证实该方法具有识别正确率高、速度快的优点。     

基于概率神经网络的中医脉象识别方法研究

中医脉象客观化研究的关键在于对各种脉象进行客观检测和正确识别。在长期对中医脉象进行临床检测、采集和分析的基础上,针对中医脉象模糊性强、种类繁多、特征复杂的特点,以及传统识别方法和BP神经网络识别方法的不足,提出了一种基于概率神经网络(Probabilistic Neural Network,简称PNN)的中医脉象识别方法;运用所建立的PNN脉象识别模型对中医常见的12种脉象进行了识别和检验,识别正确率平均达93%(而传统模糊聚类方法的为75%,BP神经网络方法的为87.1%)。最后对PNN方法和BP神经网络方法的识别性能做了对比实验,发现在强噪声干扰下PNN方法对脉象的识别正确率远高于BP神经网络方法。     

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.     

基于模糊神经网络的中成药组成药材识别

提出一种用于中成药组成药材识别的模糊推理神经网络。该网络借鉴自适应共振(ART)的思想，参考正规化模糊神经网络而构造。网络采用两阶段工作模式，首先根据中药材样本特征学习网络结构，而后再进行集中批学习网络参数。网络为中成药组成药材识别定制，也可用于中药材识别经实际测试，达到了预期效果，为中成药药方解析、中成药质量控制和鉴定提供了一个新方法。     

基于PCA的3种改进BP算法性能研究

现有入侵检测系统的效率和准确率较低。为此,提出一种基于主成分分析的特征提取方法。对数据源进行特征降维,将获得的主成分作为BP神经网络的输入数据进行识别。分析原始BP算法存在的问题,研究RPBP、CGBP、LMBP 3种改进BP算法,并进行仿真实验,结果表明,与原始BP算法相比,改进算法收敛速度快,漏报率和误报率低,能有效改善入侵检测的识别效果。     

基于深度学习的步态识别算法优化研究

基于深度学习的神经网络,对步态识别算法进行了优化研究。利用粒子群优化BP神经网络阈值、权值,在神经网络中代入优化后的初始值进行训练,避免陷入局部最优。通过Vicon MX系统对角度特征值进行采集,利用基于粒子群优化BP神经网络进行识别,验证其识别步态的可行性;筛选出传感器系统特征值,在对其优化改进时选取粒子群优化BP神经网络。与传统神经网络法、粒子群优化法相比,基于粒子群优化BP神经网络法的识别方式,识别时间短且识别率高。     

基于BP神经网络的手写体数字识别

手写体数字识别是多年来的研究热点,也是字符识别中的一个特别问题。由于手写体数字字体变化很大,传统的识别方法很难达到高的识别率。针对传统的数字识别方法的复杂性和局限性,提出了一种基于BP神经网络的手写体数字的识别方法。该方法在提取手写体数字点特征、笔划密度特征基础上,利用改进的BP神经网络进行训练识别。经实验,识别率达94％。实验结果表明,该方法对手写体数字识别效果良好,不仅简化了传统识别的繁杂性,而且提高了识别的准确性。     

基于LMBP人工神经网络的数字字符识别问题研究

通过对BP神经网络学习和数字字符识别问题研究,提出了一种基于改进的神经网络方法解决数字字符识别问题。试验利用Matlab7.0中的人工神经网络工具箱以及纯数字样本进行网络的学习训练。测试结果表明,该算法与传统BP算法相比,具有结构合理、收敛速度快的特点,能够很好地满足数字识别需求,达到了预期设计目的。