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。     

基于数字图像处理的矿石鉴定方法研究

随着数字图像处理技术的高速发展,计算机图像处理技术在科学研究应用越来越广泛。矿产、资源、环境,等领域,图像处理技术也得到了广泛的应用。文章正是应用数字图像处理技术实现对矿石特征的学习和矿石的自动判别,探索将模式识别方法应用到矿物识别与检测领域,从而实现对目标矿物的鉴定。     

数据挖掘预测模型在脑损伤患者认知功能康复中的应用

为了更好地预测后天性脑损伤ABI(Acquired Brain Injury)患者认知功能康复的影响因素,提出基于决策树(DT)、多层感知器(MLP)和广义回归神经网络(GRNN)的三种预测模型。借助于10折交叉验证测试算法,通过专一性、灵敏度和精度分析以及混淆矩阵分析对模型的性能进行测试,从而获得新的知识以评估和改善认知功能康复过程中的有效性。实验结果表明,基于DT的模型的模拟结果明显比其他模型更为优越,预测平均精度可高达90.38%。     

利用模糊感知器解决模糊可分样本的分类问题

针对一类用于解决分类问题的模糊感知器,提出完全随机输入的模糊δ-规则,并给出训练样本模糊可分的定义。实例表明,利用该算法可以有效地解决模糊可分样本的分类问题,在有限步迭代后就达到收敛,即有限步训练后网络能将所有样本正确分类。     

基于推理的上下文感知RBAC模型设计和实现

为了解决现有基于角色的访问控制（RBAC）模型缺乏对上下文约束条件的动态调整和生成,无法根据调整后的感知条件对用户权限实时进行调节的问题,在融合上下文感知RBAC模型和基于推理的RBAC模型基础上,提出了基于推理的上下文感知RBAC扩展模型.该扩展模型采用逻辑推理方法实现了上下文约束条件的动态调整,启用相应的公共感知器和自定义感知器感知约束条件的属性值;利用感知获得的动态上下文值进行角色和权限规则的推理,实现了访问主体对客体控制权限的实时更新.应用实例表明,该模型能提高分布式环境中用户动态访问控制的灵活性,并降低实时访问控制管理的复杂度．     

基于蚁群优化多媒体传感器的网络服务感知器路由器的计算方法

随着检测环境的逐渐复杂,人们对监测水平和质量的要求也在不断提高。通过一般无线传感器得到的数据信息已经逐渐无法满足用户的需求。因此,将多媒体引入到传感器网络的环境监测领域中是必然趋势。本文通过对蚁群优化多媒体传感器的相关研究,针对网络服务感知器路由器的计算方法进行探索与研究。     

基于深度自编码器网络的压盖缺陷检测

口服液压盖过程,会出现压盖不良等情况,瓶盖可能会出现划痕、刮花、表面卷曲、压盖破损等缺陷,为保证食品药品安全必须在出厂前进行检测.在基于深度学习的口服液瓶压盖缺陷检测的研究过程中,使用传统卷积神经网络对口服液压盖缺陷数据集进行训练,需要进行人工标注,效率较低.为有效解决上述问题,设计出一种无监督学习的深度卷积去噪自编码...     

多裂缝有水气藏动态预测方法探讨

人工神经网络计算是一门崭新的建立在神经生理学和认知科学研究成果基础之上的信息处理学科,它采用数学的方法来研究并行分布的、非程序的、大脑风格的信息处理的本质和能力。利用人工神经网络中三层感知器及BP学习算法,根据日常生产资料,对多裂缝有水气藏的动态预测进行了探讨和偿试。有验预测结果表明,历史拟合和预测精度都非常高,有很好的应用前景。     

基于RF-MLP的烘丝出口含水率预测

针对烟丝烘丝出口含水率预测精度不足导致水分控制参数难以准确设置的问题，提出了基于随机森林和多层感知器的烘丝出口含水率预测方法。首先，采用随机森林方法提出烘丝出口含水率的相关特征，构建含水率特征矩阵。其次，将特征矩阵作为多层感知器的输入，建立特征量与烘丝出口含水率的5层隐含层预测模型。最后，通过网格搜索算法进行预测模型的结构优化。结果表明，在烘丝含水率预测中，文中方法的模型决定系数达到了0.97,优于对比方法。文中方法提高了烘丝出口含水率预测精度，可辅助含水率控制策略的制定，进而提高烟丝品质。     

多层感知器三种学习算法的比较

多层感知器是一种多层前馈神经网络，常用的快速训练算法有共轭梯度法、拟牛顿法。通过模式分类实验对这两种算法和BP算法进行比较，并由试验数据得出这几种算法的复杂性、可靠性，以及由算法产生的多层感知器的泛化能力。