一种改进的类别依赖型特征选择技术

特征选择是模式识别领域的重要环节。本文提出了一种改进的类别依赖型特征选择技术，通过事先选定参数m，自动选择出在文中准则下各个类各自最能区别于其他类的kx维特征。将各类所选择特征的并集作为BP神经网络的输入结点，进而用待识别样本进行分类识别。实验结果说明，该类特征选择方法能够选择出对每一类而言最能区分于其他类的特征。与选择所有特征相比，用该法进行特征选择以后的BP神经网络分类识别有着较高的正确识别率。此外，本文还利用相关分析方法在预处理过程中剔除了线性相关的冗余特征。     

一种基于拟牛顿法的大类别分类算法

支持向量机利用接近边界的少数向量来构造一个最优分类面。然而当两类中的样本数量差别悬殊时，PSVM算法则会过度拟合样本量大的那一类，而对样本量很小的那一类的错分率相当高。为解决此问题，本文提出了一种改进的支持向量机算于拟牛顿法的大类别分类算法。同时，这个问题也是大类别分类问题所采用的留一法面临的问题，在DFP-PSVM的基础上，提出了基于拟牛顿法的大类别分类算法。通过仿真实验证实了此算法在精度上优于PSVM算法。     

一种基于证据理论与神经网络的遥感影像分类方法

把影像的空间信息融入分类决策，提出了一种基于证据理论与神经网络的遥感影像分类方法。对原图像作平滑处理．得到原图像的平滑图像；利用神经网络对原图像及其平滑图像分别进行训练、分类；利用证据理论对它们的分类结果(决策)进行融合；最后，把融合结果(决策)作为原图像的最终分类结果。实验结果与性能比较表明．新方法是有效的．提高了影像的分类精度。     

时序模式的一种神经网络分类方法

时序模式是指其特征空间分布在时间轴上的一种模式，如语音信号，雷达信号等，文中提出了一种改进的递归神经网方法－时间标签递归神经网方法，以此来对时序模式进行分类，克服了传统方法的缺点，取得了较好的分类效果，初步的实验结果不仅证明了时间标签递归神经网方法对时序模式的很好的分类能力，而且证明了时间标签对于时序模式分类的重要性。     

神经网络用于多模式分类

本文叙述一种改进型HAMMING网在印刷汉字文本识别实用系统中作为粗分类的应用.给出了以3755印刷汉字为多模式分类对象的神经网络分类器的结构及其相应的算法.该方法在微型机上用软件仿真得以实现.取得令人满意的结果.     

一种图片分类的序列构造神经网络方法

针对图片数据的分类问题,从动态构造网络的思想出发,讨论了序列构造神经网络的基本方法,并且把其应用于图片分类中,最后给出标准测试集的分类测试结果,并对其进行了比对、分析和讨论,实验结果表明此方法适合多维数据分析,取得了满意的效果。     

一种基于信息熵的金融数据神经网络分类方法

讨论一种基于信息熵的神经网络数据分类方法,通过所有神经元的统计权重信息对输入数据进行投票分类.这种多层网络结构以及基于信息量的分割算法,使得它在数据分类问题上比现有的多数神经网络具有更好的表现.其并行的可扩展结构适合硬件实现,能够提高实际运算速度,适合用来处理金融方面高维度、复杂的海量数据问题.     

一种基于多进化神经网络的分类方法

分类问题是目前数据挖掘和机器学习领域的重要内容.提出了一种基于多进化神经网络的分类方法CABEN(classification approach based on evolutionary neural networks).利用改进的进化策略和Levenberg-Marquardt方法对多个三层前馈神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,最后根据绝对多数投票法决定最终分类结果.实验结果表明,该方法可以较好地进行数据分类,而且与传统的神经网络方法以及贝叶斯方法和决策树方法相比,在     

快速神经网络分类学习算法的研究及其应用

提出了一种快速神经网络分类学习算法FTART2,该算法结合了自适应谐振理论和域理论的优点,学习速度快、归纳能力强、效率高,用UCI机器学习数据库中的两个数据集对FTART2与目前最流行的BP进行比较测试,实验结果表明前者的分类精度与学习速度均优于后者,还将FTART2算法应用于石油地质储层分析领域,取得了很好的效果。     

一种新的基于构造型神经网络分类算法

该文提出一种基于构造型神经网络的最大密度覆盖分类算法,该算法直接从样本数据本身入手,通过引入一个密度估计函数对样本数据进行聚类分析,找出同类样本中具有最大密度的样本数据点,然后在特征空间里作超平面与球面相交,得到一个球面领域覆盖,从而将神经网络训练问题转化为点集覆盖问题．该算法有效地克服了传统神经网络训练时间长、学习复杂的问题,同时也考虑了神经网络规模的优化问题,实验证明了该算法的有效性．     

基于神经网络的汽车牌照提取研究

汽车牌照的提取是牌照识别的前提,本文主要采用BP神经网络在灰度图像中提取汽车牌照。算法包括在个部分：神经网络的训练,图像的预处理,用训练出的神经网络来提取汽车牌照。     

一个基于模糊神经网络的模式分类系统

目前,基于神经网络的分类系统在许多领域得到了越来越广泛的应用。但是,该系统大多采用的是离线自适应机制,即神经网络需学习新的分类知识时,要重新训练神经网络,从而大大增加神经网络的训练时间;对于重叠分类,一般是构成一个贝叶斯分类器。然而,贝叶斯分类器的构成需要关于分类数据的概率密度函数的先验知识,而这些知识常常在模式分类前是难以获得的。为了解决这些问题,文中根据模糊集合理论,提出了一种基于模糊神经网络     

基于BP神经网络的人脸识别方法

人脸自动识别是计算机模式识别领域的一个活跃课题,有着十分广泛的应用前景。文中提出了基于ＢＰ神经网络的人脸识别方法,论述了人脸图像矢量的特征压缩问题、网络隐含层神经元数选取问题、网络输入矢量的标准化处理问题以及网络连接权值选取问题。对于１８人、每人１２幅图像组成的脸图像数据库做识别实验,实验结果表明文中所设计的神经网络分类器比常用的最近邻分类器有效地降低了识别错误率。     

一种非线性优化的神经网络

本文提出了用人工神经网络求解具有约束条件的非线性优化问题的具体方法，分析了神经网络能量函数的构成形式，并在常规的Ｈｏｐｆｉｅｌｄ网络模型的基础上构造了一个非全局连接的神经网络动力学模型。这种修改的Ｈｏｐｆｉｅｌｄ网络克服了常规的Ｈｏｐｆｉｅｌｄ网络在求解非线性优化问题时权值不好映射的困难，具有结构清晰，易于软件模拟和硬件实现的优点。     

一种基于纹理域神经网络的彩色卫星图像分析方法

描述了一种利用纹理域神经网络,通过监督的学习方法来调整和权重,将预处理后成的彩色卫星图像中的纹理信息块进行分类,从而达到在彩色卫星图像中将有用的色彩块分析出来的目的,给出了纹理域的预处理过程,阐述了对原彩色图像进行颜色映射和量化的目标和方法;讨论了纹理域神经网络的构造方法及算法;最后给出了用以上方法对彩色卫星图像进行分类的实验结果,实验证明该方法对彩色卫星图像有较好的分类作用。     

多神经网络在高维数据分类中的应用研究

针对BP神经网络在高维数据分类中存在训练时间长的缺点,提出一种新的多神经网络分类模型,该模型采用自组织特征映射(SOFM)网络对训练样本集进行无监督聚类,通过优化竞争层神经元权值,并以此训练BP神经网络实现数据分类.最后对自由手写数字样本进行识别,仿真实验表明,这一模型具有较强的分类能力和泛化能力.     

一类非线性不确定系统的神经网络控制

针对一类非线性不确定系统,提出了一种自适 应神经网络控制方案．被控系统是部分已知的,其中系统已知的动态特性被用来设计保证标 称模型稳定的反馈控制器,而基于神经网络的动态补偿器则用于补偿系统的非线性不确定性 ,从而可以保证系统输出跟踪误差渐近收敛于0．     

基于小波神经网络的光谱数据压缩与分类研究

文中介绍了一种基于小波分析而构造的神经网络模型－小波神经网络,利用它并适当选取网络结构和小波基。实现了对化学物质红外光谱数据的压缩表达和分类,实验表明,网络在大幅度压缩数据的同时能很好地恢复原始光谱,较准确地反映吸收峰的和强度。在分类方面它比其它网络具有更高的分辨率和特征提取能力。