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.     

基于改进伪中值滤波器的道路图像滤波算法*

针对已有的细胞神经网中值滤波器滤波时,收敛速度慢、稳定性不好以及滤波图像比较模糊的缺点,设计一种差值控制细胞神经网的改进伪中值滤波器。提出了改变取值空间、引入随机扰动、扩大中值滤波窗口尺度和引入Mask掩图的改进方法。实验结果表明：该算法具有去除各种强度脉冲随机噪声能力,又能保护图像细节信息,而且具有良好的实时性。     

综合信息的多神经网系统应用于引擎故障诊断

在数据层和决策层综合信息,采用多人工神经网络系统诊断故障.通过对全互连、前馈、BP人工神经网的学习训练,可识别不同类型的故障;将诊断任务分解为多个子任务,对每个子任务训练相应的神经网,最后将多个神经网的结果综合起来,以提高系统性能.     

应用人工神经网与遗传算法进行短期负荷预测

针对ＢＰ网络的缺陷，提出了基于拟牛顿法的自适应算法和改进的遗传算法，以提高神经网的学习效率，克服ＢＰ网络的局部收敛性的缺点，形成一种新的神经网与遗传算法相结合的短期负荷预测模型，实测结果表明该模型和算法具有良好的性能和较高的预测精度。     

一种前馈神经网的快速算法

前馈神经网已经被大量用于非线性信号处理． 经典反向传播算法是一种标准的前馈网络学习算法,但是,对许多应用,反向传播算法的收 敛速度却很慢．本文根据对网络的非线性单元进行线性化而提出一种新的算法,该算法在非 线性信号处理中在精度和收敛速度方面都优于传统的反向传播算法．     

轨迹分布模式学习的层次自组织神经网络方法

提出一个层次自组织神经网络模型，并将其应用于基于事件识别的轨迹分布模式学习中。该文利用神经元的侧向连接将神经元连成若干条线，每条线对应一个“内部网”。对应于层次神经网络模型，建立了两个领域，即神经元领域和“内部网”领域，两个领域内的神经元都要不同程度地改变权值，从而完成运动轨迹分布模式的学习。还给出了利用轨迹分布模式检测出局部可能的异常现象、检测整个运动轨迹所表示的事件是否为异常事件和目标行为预测的方法。实验进一步说明了该方法的可行性和有效性。     

更有效的非线性系统辨识新方法

介绍了一种基于量子粒子群算法构造径向基函数神经网络进行非线性系统辨识的新方法.在确定径向基函数网络的 隐层结点数后,将相应网络的参数,包括隐层基函数中心、扩展常数以及输出权值和偏移编码成学>-j算法中的粒子个体,在全 局空间中搜索具有最优适应值的参数向量.实例仿真通过和标准粒子群算法进行比较,表明了该方法的有效性和优越性.