一种通过反馈提高神经网络学习性能的新算法

为了有效提高前向神经网络的学习性能，需要从一个新的角度考虑神经网络的学习训练．基于此，提出了一种基于结果反馈的新算法——FBBP算法．将神经网络输入调整与通常的权值调整的反向传播算法结合起来，通过调整权值和输入矢量值的双重作用来最小化神经网络的误差函数．并通过几个函数逼近和模式分类问题的实例仿真，将FBBP算法与加动量项BP算法、最新的一种加快收敛的权值更新的算法进行了比较，来验证所提出的算法的有效性．实验结果表明，所提出的算法具有训练速度快和泛化能力高的双重优点，是一种非常有效的学习方法．     

单灰度图像中眼睛定位的人脸位置矫正算法

人脸位置的矫正作为人脸检测定位的一个环节，在计算机人脸识别中具有重要的意义。本文提出了一种基于单人脸灰度图像中眼睛定位的人脸位置矫正方法，用居中度使图像小块居中，用匹配度求取适些小图像块中的两块眼睛的小块，再在小范围内对鼻子、嘴巴部分进行水平灰度投影，然后进行扶正。实验结果表明，该方法对于双眼可见单人脸灰度图像能实现快速有效矫正，并能在矫正结果中精确给出双眼瞳孔位置。     

一种基于能频积实现连续语音端点检测的方法

端点检测是语音识别中重要的一环。传统的连续语音的端点检测主要是利用短时能量和过零率。本文把传统的方法加以改进，利用短时能量和过零率把连续语音进行第一次提取，然后利用能频积对不是独立的字进行第二次提取。利用两次提取的方法实现了在连续语音中把每个字提取出来。     

一种边缘点特征图像配准算法

为解决图像的精确配准问题,提出了结合LoG算法的特征点的提取方法,并将尺度不变特征算法(SIFT)应用到图像的特征描述中.首先利用LoG算法计算边缘点,对边缘点的梯度值进行排序,选择梯度较大的点作为特征点;然后采用SIFT计算特征点的特征向量,利用最小距离算法找到两幅图像的匹配点对;最后利用最相关点和次相关点比例的方法排除错误的点对.实验结果证明,算法对具有光照、角度不同的两组图像能够实现精确的配准,准确率超过90％.     

用前馈神经网络进行带噪声信号的去噪声建模

本文提出了一种用前馈神经网络对带噪声样本的去噪声建模的实验方法,能获得合适的网络模型,并具有较好的去噪声能力。实验对比ＢＰ网络和ＲＢＦ网络去噪声能力上的差别,结果表明,ＲＢＦ网络去噪声能力优于ＢＰ网络。这一结论已被用于为半导体生产工艺控制参数优化的去噪声建模中。     

基于双重超像素集的快速路径相似度图像分割算法

为克服基于路径相似度计算时间复杂度高以及基于单一过分割区域集的聚类方法 容易导致误合并的缺陷, 提出一种结合均值漂移和路径相似度的谱聚类算法. 该算法使用超像 素构建基于路径相似度的模型来实现加速. 首先, 利用均值漂移算法对图像进行两次预分割(不同参数), 将这些过分割区域视为两组超像素集合, 构建基于双重过分割区域集的加权图; 之后, 使用各超像素的色彩均值和超像素间存在的交叉像素计算初始相似度, 再利用路径相似度模型得 到基于路径的相似度; 最后, 采用Multiway Ncut算法进行聚类. 通过算法自身参数和图结构实验, 测试算法的鲁棒性和稳定性; 通过多幅彩 色图片的分割实验, 表明本文的方法在准确性和时效性方面都具有很好的性能.     

基于知识规则的构造性优先排序神经网络算法

从高维空间样本点覆盖的角度,讨论了基于知识规则的构造性优先排序神经网络(PONN)算法的原理,提出了网络构造过程的一般算法以及基于随机取样规则和重心点规则的两个实例算法。实例算法对螺旋线识别和语种识别进行了仿真。实验结果证明了算法的有效性。语种识别实验结果也表明基于重心规则的PONN算法在一定条件下优于SVM。     

一种基于极值中值的新型滤波算法

提出了一种新的利用局部统计信息（极值）的自适应中值滤波方法－－极值中值滤波算法,该方法可以有效地去除图偈中的椒盐噪声,并保留图象的细节,本文首先给出了一个噪声判别标准,然后描述了滤波算法的执行过程,对本算法与标准中值滤波算法,以及近几年出现的几种改进型中值滤波算法进行了分析与对比,最后给出了一组实验数据,实验结果表明,与其他算法相比,本算法招待速度快,去除噪声与保留细芤的效果好。     

基于同源的同类事物连通本性的模式分类神经网络模型

根据同源的同类事物连通的本质特性,本文提出保同类事物正确连通通路的模式分类神经网络模型.该模型包括同源的同类事物样本连通连网排序技术、改进的前向掩蔽神经网络模型拓扑结构的连接权值排序学习算法和改进的增量学习算法.本模型解决了原来排序学习前向掩蔽神经网络模型和许多传统的模式识别方法存在的共同隐患——把同源的同类事物的个别局部连通通路割断,提高了分类能力.而且,该模型还能对新增样本进行快速增量学习,从而能够在较短的时间内提高该网络模型的分类推广能力,能够在大规模模式识别场合发挥其优势.实验结果表明基于同类事物连通本性的模式识别模型的正确识别率高.本文最大意义在于,用本文思想方法可以改进一些传统的模式识别方法.     

优先度排序RBF神经网络在与文本无关说话人确认中的应用

该文介绍了优先度排序径向基函数(PORBF)神经网络的结构与算法,并提出了将其应用于与文本无关说话人确认时的训练算法、似然度的计算方法以及识别规则。为了增强PORBF网络的泛化能力,该文用压缩矢量构造抑制样本集,提出了顺序选取、最近邻选取和最远距离选取等3种选择抑制样本集中说话人的方法,并对PORBF神经元的输出进行了等比递减加权.在相同条件下的与文本无关说话人确认实验中,传统的矢量量化方法的等差错率可达10.56％,而基于PORBF网络的确认系统使用最近邻选择方法构造抑制样本集,其等差错率可达6.83％;性能提高很多。