基于三层感知器的人脸检测方法

提出一种基于三层感知器进行人脸检测的方法:首先分割出样本,然后对神经网络进行训练,最后利用神经网络进行搜索,确定被检测的窗口是否包含人脸。     

一种硬感知器的结构设计与EPGA实现

分析了单个神经元神经网络(即感知器)的结构特征；介绍了自顶向下的FPGA的设计方法，并在QUARTUS^TM Ⅱ软件平台上实现了单个神经元的硬件神经网络．     

一类离散递归神经网络的稳定性分析--LMI方法

离散递归神经网络的稳定性分析是目前研究的薄弱环节.通过状态空间扩展法,将一类活化函数满足扇区条件和单调性的离散递归神经网络(即递归多层感知器RMLP)转化为线性微分包含(LDI)形式,而LDI的稳定性分析可转化为一组线性矩阵不等式(LMI)的求解,利用MATLAB/LMITOOLBOX求解LMI,从而判定RMLP的Lyapunov稳定性.该方法也适用于其他类型的递归神经网络(RNN)的稳定性分析.     

基于指数神经元的模型感知器的设计

基于神经元感知器结构并采用最速下降自适应算法，针对电导，温度，湿度，水分，浓度，油粘度等测量问题设计一种基于指数神经元的自适应模型感知器，同时在一定意义上实现了信息融合。分析讨论了学习参数对感知器建模工作性能的影响，给出了电导，温度，水分应用实例的仿真曲线。结果表明，所设计的自适应模型感知器应用于传感器及测量系统的自动建模是有效的。该种建模方法和机制也可作为智能单元（硬件或软件）灵活地应用于实际测量或控制系统，从而取代传统的人工曲线拟和方法。     

模式线性可分时的一种单层感知器算法

在模式识别时常常需要对模式进行分类,线性可分模式的分类是其中最基本的一种.常用的线性分类算法是LMSE算法,它们在本质上都属于几何分类法,当模式线性可分时,一般都能达到令人满意的效果.然而考虑到LMSE算法并非是最简单和有效的线性分类算法,本文基于神经网络中单层感知器的概念,利用单层感知器可以把输入空间划分成两个区域来进行输入向量分类的特点,提出了在模式线性可分时用神经网络中单层感知器进行模式划分的一种新算法.然后对该线性分类算法的原理和算法过程进行了阐述,最后用MATLAB实现了这种分类算法,并解决了两个不同类型的线性模式的划分问题.     

自适应波束形成的神经网络方法

本文回顾了次元分析(MCA)神经网络算法的一些研究结果，并将其用于自适应波束形成。自适应波束形成或称自适应空间滤波，是通过一个感知器阵列接收空间传播的信号并处理它们，其目的是自适应地加强某个方向的信号。现有的波束形成自适应算法郝有一定不足，基于优化有约束的能量函数，本文提出了新的用于自适应波束形成的MCA神经网络学习算法，该算法是全局收敛的。实验结果验证了本文的理论，以及说明了本文算法的实用性和有效性。     

基于PCA与MLP感知器的人脸图像辨识技术

单纯PCA的人脸辨识对未训练样本感知力低的缺点会造成识别率降低。基于PCA与MLP感知器的人脸图像辨识技术是针对该情况提出的,在PCA提取有强特征性的人脸图像后,在辨识精度不变的情况下,利用MLP感知器对简化的特征属性进行训练,加强监督式规则提取,从而提高识别率。     

基于改进型小波基的图像压缩方法研究

利用变分原理和二维非张量积样条小波对原有的Daubechies小波基进行改造,并结合多层感知器建立起图像压缩方案,对标准Lenna图像信号进行实验,计算结果证明恢复图象有良好的效果和较高的压缩比.     

前馈神经网络模式分类器的推广能力

研究了前馈神经网络模式分类器的推广能力．从几何和概率两个方面分析了前馈网络用于模式识别的分类机理，在前人证明的基于误差最小的有导师（１和０）前馈网络输出端输出为模式样本后验概率估计结论的基础上，给出了径向基函数网络推广的核函数定理；对于两层感知器网络，提出使用加性噪声的样本来增加网络的推广能力．最后使用实测的五种飞机目标一维距离（纵向）象实验数据进行了模拟实验．     

基于小波描述子和神经网络的形状识别

提出一种把小波描述子和神经网络相结合的形状识别方法。通过小波描述子提取待识别物体的形状特征,所提取的特征值不受物体位移、缩放和旋转的影响,接着用多层分类器网络对物体的形状进行识别分类,并采用BP算法对神经网络进行学习和训练。最后得出令人满意的实验结果。