关于单体模糊神经网络感知机收敛定理的讨论

考虑单体模糊神经网络模型,讨论了单体模糊神经网络的感知机收敛定理与传统神经网络感知机收敛定理的关系,指出了在证明单体模糊神经网络的感知机收敛定理时存在的问题,提出了两种修改方案,即给出了两个改进的感知机收敛定理,并给出相应的证明和说明.     

灰度级信息的目标边界精确周长估算

目的 针对图像目标边界不连续或具有模糊性导致的目标周长无法精确估算这一问题,结合边界跟踪,提出一种基于灰度级信息的目标边界精确周长估算方法。方法 该方法利用目标边界的灰度级信息,同时结合边界跟踪得到的内外边界来估计目标图像的边界周长,从而提高边界周长估计的精确性和鲁棒性。为了获得目标物体真实周长,实验采用人工合成图像。结果 实验应用所提方法和3种传统周长估算方法分别计算合成目标对象的周长,并与真实周长比较。为了验证所提方法的有效性和鲁棒性,实验中对目标对象的边界进行不同程度的加厚模糊化;并在边界加入噪声,使边界不连续。当边界变得复杂时,本文所提方法的优势得到极大体现。结论 实验结果表明,在边界模糊和边界不连续的情况下,本文所提的算法具有更好的适应性和稳定性。     

分段式过程神经元网络

研究分段式过程神经网络模型及其学习算法.在过程神经元网络基础上提出分段式过程神经网络模型,并给出在已知和未知各阶段期望输出两种情况下的学习算法,目的是模拟分段目标规划和评判系统.最后给出大学生综合评价系统的应用实例,模拟仿真结果说明模型和算法是有效的.     

缩放延迟系统数值解稳定性

研究变延迟缩放微分方程初值问题数值解稳定性，考察了求解此类问题的线性θ－方法稳定性，给出了θ－方法渐近稳定的充分条件为。     

分段延迟微分方程线性-方法数值解渐近稳定性

This paper deals with the stability analysis of numerical solutionof linear -methods for delay differential equations. We focuson the linear test equation x(t)=ax(t)+bx(［t］), where a,b areconstants and ［t］ is the largest-integer function. Sufficent conditionsare given for the numerical solution to be asymptotic stable     

基于层次关联边条件随机场的Web对象抽取

提出一种基于层次关联边条件随机场(HCC-CRFs)模型的Web对象抽取方法.将数据块检测和属性标注合并为标签分配问题,避免误差传播现象.通过在数据块之间增加条件依赖关系,使HCC-CRFs模型能充分利用Web页面的内容层次结构.实验结果表明,该方法具有较好的抽取效果.     

基于Kinect骨骼跟踪技术的人机交互

基于Kinect提供的深度信息和骨骼跟踪技术进行手势识别,利用手势代替鼠标实现人机交互.首先,引入以人体为参考系的人体坐标系统,将手势位置通过坐标系变换映射到计算机屏幕,实现计算机屏幕上光标的位置显示和跟踪.其次,研究计算机操作系统响应鼠标事件的工作模式,设计固定的手势静态及动态工作模式,通过一定的映射关系将特定的一组手势与计算机系统基本操作指令进行对应.并定义状态机,根据手势状态触发系统操作事件,从而达到对计算机系统的体感控制.实验表明,该人机交互系统自然、合理、有效.     

复杂背景下快速车牌定位算法

提出了一种复杂背景下的快速实时车牌定位算法。车牌定位的实时性和精确性是车牌识别系统高效运行的保障。提出了一种整型特殊核并利用差分运算来实现车牌定位。在分析了混合高斯函数卷积的车牌定位方法上的基础上,针对二维高斯核计算复杂度较高的问题提出了改进,直接在获取的垂直边缘图上进行混合高斯卷积,重新提出了一种整型的特征核,并用差分的方法代替了卷积,即用少量的加法操作代替了卷积大量的浮点乘法操作。对比分析了两种不同方法的定位效果和时间复杂度。实验结果表明在保持定位精度不变的情况下运行效率有较大提高,达到了实时性的要求。     

一种改进的深度学习的道路交通标识识别算法

针对复杂的环境,结合图像预处理与深度学习神经网络,提出了一种道路交通标识识别算法。该方法不仅利用图像分割技术,而且利用卷积神经网络模型对道路交通标识进行了更准确的识别。首先,通过调节光照影响、去除复杂背景、数据增强和归一化等批量预处理操作,形成一个完整的数据集;然后,结合squeeze-and-excitation思想和残差网络结构,充分训练出自己的卷积神经网络模型;最后,将优化的网络模型用于道路交通标识的识别。实验结果表明,该方法使训练时间缩短了12%左右,识别精度可达99.26%。     

基于HEVC的车辆异常事件检测

当前传统交通事故检测和查阅主要通过人工监测的方法,这种方法效率低且实时性差,本文提出一种基于最新压缩域视频编码标准HEVC（High-efficiency video coding）的车辆异常事件检测方法。首先对HEVC码流中提取出的运动矢量信息进行运动矢量累积迭代和中值滤波的预处理,之后根据提取出的块划分信息和运动矢量信息计算运动对象的运动强度,然后根据运动强度值和八连通区域法提取出运动对象,最后根据空间距离法和运动强度判别法检测出视频序列中发生的车辆异常事件。实验证明,该方法可以准确地检测出视频序列中发生的车辆异常事件;对于有着快速移动的运动目标以及多个运动目标的视频效果更好。