基于卷积神经网络的多尺度融合特征图在人群密度估计中的应用

提出了一种以Unet++为基础的卷积神经网络,适用于人群密度估计。该网络的优点是用并行连接的方式进行多尺度融合结合浅层网络的细节信息和深层网络的高阶语义信息来消除两者之间过大的语义鸿沟。此外,还引入了膨胀卷积来提高网络性能。在Shanghai Tech和UCF_CC_50两个通用人群密度估计数据集上进行实验选取平均绝对误差(MAE)和均方误差(MSE)作为评价指标。实验结果表明在这两个数据集上该网络均有效降低了MAE和MSE,说明其在人群密度估计方面有较好的准确度和鲁棒性。     

自适应小波概率神经网络损伤识别方法

目的 为了提高大型结构健康监测系统的监测能力与损伤诊断率，降低误报率．方法 以小波变换作为动力信号处理工具。利用其可以降低噪声以及在时域-频域表征信号特征的强大能力。提取小波能量作为特征参数；以贝叶斯推理作为模式识别原理的概率神经网络（PNN）为损伤识别分类器，利用遗传算法来优化PNN模型中的圆滑参数σ，提出自适应小波概率神经网络（AWPNN）损伤识别方法．并对ASCE的基准结构模型进行损伤识别研究以验证该方法的有效性．结果 研究结果表明，在噪声程度达40％时，AWPNN的识别正确率高达98％．结论 AWPNN具有较强的抗噪声能力和较高的损伤识别率。在结构健康监测与损伤识别领域具有很大的潜力．     

基于概率神经网络的高校毕业生学位评审预测

客观地、高效地、准确地对高校毕业生获得学位进行评审,是高校面临的一个重要问题.本文首先提取影响毕业生学位的评审五大指标：学习成绩、实习成绩、论文成绩、英语四级、计算机等级,然后建立了概率神经网络的高校毕业生学位评审模型.Matlab仿真实验表明,该方法评审学位简单快速且准确率较高,具有良好应用前景,也为今后高校学位评审提供一个新视角.     

基于概率神经网络的地下工程围岩稳定性预测

随着开采深度的增加,影响卷道围岩稳定性的因素更多,更复杂,并且更具有随机性.为了对深井巷道围岩稳定性进行有效的分类,考虑影响围岩稳定性因素的随机性,建立了围岩稳定性判定的概率神经网络模型(PNN),并利用MATLAB实现其识别过程.根据样本数据对所建模型进行训练后,将其运用于实际工程中的深井巷道围岩进行稳定性判定.研究表明:利用概率神经网络模型可对地下工程深井巷道围岩稳定性进行分析,概率神经网络模型为地下工程围岩稳定性分类提供了一种方法.     

基于概率神经网络的资源型城市界定

针对城市可持续发展中城市分类问题，在建立了城市分类指标体系基础上，对于资源型城市界定，应用概率神经网络方法，提出了以分类指标数据为输入矢量，城市类型为输出矢量的网络模型，开发了相应的计算机程序。以此模型对黑龙江省地级以上城市进行了分类，分类结果与实际情况相符。     

基于神经网络与遗传算法的纹理图像分割

运用两维自动回归模型、分形维数、均值和方差从每一小区域的数据中抽取纹理特征，把纹理特征作为自组织特征映射神经网络的输入层进行训练确定最优的纹理区域分割数，最后运用遗传算法优化图像分割。实验结果证明神经网络和遗传算法相结合能有效地分割纹理图像。     

基于模糊概率神经网络的城市空气质量评价

将模糊数学方法和概率神经网络结合起来,用模糊概率神经网络（FPNN）评价城市空气质量。阐明该网络模型的构建方法,并用实例加以验证,经仿真表明该法切实可行,评价结果客观可靠。     

应用概率神经网络预测股市的方向变化

预测股票价格的方向变化是一个分类问题，可以有效的指导投资决策，获取投资利润。运用概率神经网络能够有效的进行模式识别，具有训练速度快，可以实时更新数据的优势，因此在金融时间序列的分析预测中有一定的应用价值。通过概率神经网络提供的贝叶斯分类器，应用概率神经网络作用原理，对上证180指数的变化方面进行了预测，结果表明了概率神经网络在预测股标市场的方向变化方面具有实用性。     

基于AdaBoost和概率神经网络的入侵检测算法

将AdaBoost算法和概率神经网络结合,提出了一种新的概率神经网络模型ABPNN,基于此模型提出一种新的入侵检测算法.该算法对接收到的网络数据进行分析判断,实现入侵方式的自动分类,并且能对新的入侵行为进行分类和记忆.实验证明该算法在入侵检测系统的检测率和误报率方面都有优越的性能表现.     

基于概率神经网络板材纹理分类识别的研究

为了实现对板材纹理识别的自动化,提出了一种基于概率神经网络的板材纹理分类识别方法。首先,获取板材的灰度共生矩阵特征参数,并进行特征选择。然后,根据研究对象设计PNN分类器,进行分类实验,识别率为88.00%。结果表明,该方法是有效的,用其对板材纹理进行分类是基本可行的。     

基于径向基神经网络的波达方向估计算法

针对传统的波达方向（DOA）估计算法在实际应用中普遍存在计算量较大,无法实时地跟踪期望信号且无法处理信号源数大于天线阵元数的问题,提出了一种在智能天线中基于径向基神经网络的波达方向估计算法.该算法利用神经网络进行多信号源跟踪（MUST）来完成信号源侦测和DOA估计.通过建立神经网络DOA估计算法模型,并对所建立的神经网络进行训练.通过仿真将该算法与传统的DOA估计算法进行比对的结果表明,基于径向基神经网络的波达方向估计算法能够快速准确的检测到信号源,响应时间明显快于传统的算法.     

基于改进粗糙集理论与概率神经网络的变压器故障诊断研究

提出了一种基于改进粗糙集理论与概率神经网络的变压器故障综合诊断方法.利用了粗糙集理论的决策表约简技术,去除冗余信息,并引入可辨识矩阵,更加快速地去除故障冗余属性,减小了约简过程的复杂度.将得到的最小决策表作为改进的概率神经网络的训练样本,提高了PNN的训练速度和诊断的准确率.实例证明,该模型不仅能在信息不完备的情况下进行有效诊断,而且可以提高诊断速率及正判率.     

基于改进社会力模型的密集场景目标方向预测

通过改进传统的社会力模型,建立了一种适用于密集场景中个体目标方向预测的目标预测模型.该模型详细定义了个体在人群中受到的驱动力、躲避力和排斥力,以及3种力的合力对个体运动状态的影响,并由此实现对个体运动目标方向的预测.将该模型应用于大量密集场景视频进行实验测试.结果表明,该模型能够对个体目标方向进行正确估计;同时,该模型能够为更多密集群体行为的相关应用提供研究基础.     

改进 BP 神经网络的磷酸铁锂电池 SOC 估算

以磷酸铁锂电池为研究对象,根据电池的充放电特性,在Matlab上建立合适的神经网络模型,提出组合训练法,通过大量试验,在比较了10多种训练函数的基础上,得出效果比较好的4种训练函数,兼顾估算精度和训练时间,找出了网络隐含层较优节点数为20,隐含层和输出层的传递函数分别为trainsig和pure-lin。训练结果表明,所建立的BP神经网络模型估算精度高,普适性好。     

基于BP神经网络的立铣加工振动快速预估

结合研制的立铣加工过程虚拟仿真系统和实验测量铣削力信号,训练并建立优化的1-20-1型BP神经网络模型,快速实现铣削加工过程刀具-工件系统振动状态的预估.对比神经网络模型预估的振动结果与实验测量振动信号可以看出,二者数据吻合较好,表明铣削虚拟仿真系统与神经网络技术的结合能够高效低耗地用于不同铣削加工条件下铣削振动状态的快速预估和加工过程监测.     

基于小波变换与BP神经网络的声发射信号识别

针对现有声发射信号识别参数分析法的不足,提出利用小波变换特征提取与BP神经网络结合的声发射信号识别方法。利用db2小波对声发射信号进行6层分解,将细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计和训练BP神经网络,通过实验确定隐层神经元数;用BP和RBF神经网络分别对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,提取的声发射信号特征具有较好的区分性能,BP网络在识别声发射信号方面优于RBF网络,这对储油罐安全状况的定量分析具有一定意义。