带有神经网的文字识别系统

1.引言 神经计算学(Neurocomputing)是近年被神经学工作者、计算机、数学工作者极为重视的一门新兴科学,它将根据当前为止人们所了解到的生物神经的基本原理、结合电子技术和其它物理方法以及数学知识,企图解决现代计算机较难解决的一些信息处理、模式识别等问题。另外也企图通过对实际问题的模拟,反过来认识和发展神经学,解剖学。 在神经计算学中所描述的神经网包括大量的处理单元和联接这些单元的链,处理单     

用PNN人工神经网对水泥28天抗压强度分类

研究了用ＰＮＮ人工神经网对水泥２８ｄ抗压强度分类的问题，以及提高分类精度的方法，最后，给出实验结果，说明了方法是可行的。     

基于SOM的模糊聚类在Web日志挖掘中的应用

将自组织映射神经网络（SOM）与FCM结合,利用SOM的并行计算能够减少模糊C均值算法在处理海量数据时的聚类时间,可以提高聚类算法的速度和效果,同时使用该算法对校园网Web日志进行数据挖掘,能够对用户行为进行分析,从而提出相应的方法,更好地提高服务效率和管理质量。     

基于强跟踪滤波器训练的前向神经网络及其在系统辨识中的应用研究*

给出基于强跟踪滤波器训练前向神经网络的新方法。由于强制残差序列保持相互正交,强跟踪滤波器相对扩展Kalman滤波的收敛速度更快,同时精度更高。最后通过系统辨识仿真实例验证该方法的有效性。     

基于SOM-PCA-RBF的过程质量预测与整体调优

为实现过程输出质量的预防性改进,提出一种将SOM(self-organized map)神经网络、PCA(principal component analysis)法和RBF(radial basis function)神经网络集成的过程质量预测和多因素整体调优方法。采用SOM神经网络对过程数据进行分类;采用主成分分析法对分类后的过程输出进行评价,建立过程因素备选库;采用RBF神经网络建立过程预测模型,通过预测判断过程输出质量的符合性,给出过程多因素整体调优的方案。实例分析结果表明,该方法能够有效实现预防性质量改进。     

基于SOM神经网络的移动客户细分研究

利用基于RFM模型的自组织特征映射神经网络(Self-Organizing Feature Map,SOM)对移动客户进行细分,可以有效地解决各类别特征不明显、特征参数相互交错、非线性分布的类型识别问题。研究过程中将客户的属性划分为近度、频度、值度三个指标,模拟专家分类的功能,根据各个客户簇的特征进一步分析客户的终身价值,量化分析客户的重要性。最后利用相关的市场营销知识对各个客户类别提出相应的营销策略方案。     

基于SOM神经网络聚类的车牌号码倾斜校正算法

经过摄像机摄入的图像会发生倾斜,给车牌的准确识别带来了困难.针对此问题,利用SOM神经网络良好的聚类性能,在水平倾斜校正时,把车牌号码图像中的像素坐标聚成两类,拟合成一条直线,计算出该直线倾斜角,完成水平校正;按照以上同样方法进行垂直倾斜校正.实验结果表明,该方法能准确获取车牌号码的倾斜角,算法结构简单,抗干扰能力较强,符合汽车牌照图像的特点,具有较好的处理效果.     

基于HLA的陆军分队作战仿真系统研究

高层体系结构（HLA）仿真体系结构是分布式仿真系统研究的重点和热点,在军事仿真领域有着广泛的应用前景。为此首先对基于HLA的陆军分队作战仿真系统进行了总体设计,提出了系统仿真的框架结构,具体介绍了系统联邦成员的构成及功能,并对联邦主要成员进行了对象类、交互类以及相关属性和参数设计,最后给出了整个系统的仿真流程及主要关键代码实现。实验表明,该仿真系统设计能够满足分队作战模拟的需求,为分队训练和作战理论研究提供了研究平台。     

人工神经网络在并行计算机集群上的设计研究

人工神经网络在集群上的并行化设计和实现能够充分发挥ANN并行处理的特点,缩短训练时间,降低算法复杂度。随着并行技术的日益成熟,在并行集群上以软硬件相结合的方式设计神经网络的重要性也不断提高。从软硬件平台的多方面讨论了并行集群技术对人工神经网络设计的支持,提出了一种SOM神经网络在并行集群上的设计方法和基础框架,并就并行集群上神经网络训练效率的问题进行了深入讨论。该方案可广泛应用于多种神经网络模型的并行计算机实现。     

基于粗糙集和模糊神经网络的空气质量评价

针对概率神经网络的输入量过多会影响其训练速度的问题,采用了基于分辨矩阵的粗糙集属性约简方法,删除不相关或不重要的指标.鉴于空气质量分级标准的模糊性,将模糊数学和概率神经网络结合起来,构建了模糊概率神经网络空气质量评价模型(FPNN),然后将约简后的指标值进行模糊化处理后输入到PNN神经网络进行智能训练.实例表明.该方法提高了收敛速度,评价结果客观可靠,具有一定的实用价值.