卷积神经网络在图像分类和目标检测应用综述

卷积神经网络具有强大的特征学习能力,随着大数据时代的到来和计算机能力的提升,近年来卷积神经网络在图像识别、目标检测等领域取得了突破性进展,掀起了新的研究热潮。综述卷积神经网络的基本原理,以及其在图像分类、目标检测上的研究进展和典型模型,最后分析了卷积神经网络目前的问题,并展望了未来的发展方向。     

轻量级神经网络与遥感图像目标检测

为解决深度神经网络在对遥感图像进行目标检测时网络参数庞大、计算效率低下的问题,本文提出了一种轻量级神经网络模型G-YOLOv3.G-YOLOv3算法网络的主要构件为嵌套残差块,每个残差块中都包含了本征特征图与相似特征图,且残差块中添加注意力机制,增强了网络的学习能力,降低了网络所需参数和计算复杂度,提高了目标检测速度....     

基于结构上下文的模糊神经网络自动目标检测方法

提出了一种基于结构上下文的模糊神经网络(SCFNN)自动目标检测方法。模糊神经网络方法既具有神经网络的自适应性、并行性、鲁棒性、容错性、优化等优点，又集成了模糊集理论运用知识、规则描述解决系统不确定性的优点，因此成为图像处理和模式识别的一种强有力工具。使用模糊测度作为神经网络的目标函数可以有效地描述像素类别的不确定性，从而通过使其最小实现图像分类优化。对网络神经元加权过程进行结构上下文信息约束可以充分减小图像信息尤其是目标边缘等特性包含丰富信息的损失，有效地保持目标的轮廓和形状等属性，改善目标检测的误检率。针对目标遥感图像的实验，验证了SCFNN方法具有很好的自动目标检测能力，而相对于传统神经网络方法，具有有效的不确定性解决能力和更好的目标形状保持能力。     

红外目标图像尺度自适应检测算法

针对红外目标尺寸不定的实际情况,提出了对基于数学形态学的红外目标检测方法的改进。首先,对数学形态学进行了介绍,然后提出了一种红外目标检测的改进算法,最后给出并分析了该算法的仿真结果。实验结果表明,该算法是一种有效的红外目标检测算法。     

模糊神经网络在入侵检测中的应用

目前绝大多数误用检测系统均不能检测已知攻击的变种 ,对未知攻击的检测也十分有限 ,而基于用户行为的异常检测系统对攻击检测的误报率太高 ,且不能发现攻击者通过慢慢改变其行为躲过检测的欺骗行为 .将模糊神经网络应用于入侵检测领域 ,并采用基于进程行为的检测方法 ,能有效的解决上述问题 ,较好地改进入侵检测系统的性能 ,降低漏报误报率 .     

随机模糊神经网络在目标状态信息融合中的应用

提出了一种新的基于随机模糊神经网络的多传感器状态信息融合方法。研究和比较了基于单值模糊神经网络和基于随机模糊神经网络的雷达与红外传感器状态信息融合。仿真结果表明，当输入被噪声污染时，基于随机模糊神经网络的方法离线学习次数更少，能更有效地防止噪声的干扰，并且融合误差更小。     

面向遥感图像实时目标检测任务的轻量级神经网络设计与实现

神经网络的表征能力给遥感图像目标检测任务提供了一个的便捷工具。然而,目前主流神经网络模型计算代价高限制了其在遥感图像实时目标检测任务的应用。提出一种轻量级神经网络模型用于遥感图像实时目标检测。实验结果表明,文中提出的方法在保持与Yolov3检测精度相当的情况下,模型大小约为Yolov3的十五分之一,网络模型在目标检测精度以及计算开销上可达到更好的均衡。     

模糊神经网络在转台系统中的应用研究

在自动飞行控制系统与惯性导航系统模拟试验中,飞行仿真转台控制系统性能的优劣严重影响了试验结果.为了研究自动飞行控制系统和惯性导航系统,将模糊神经网络自适应控制方法应用于飞行仿真转台中.该方法通过神经网络来实现模糊推理,利用神经网络的学习能力调整模糊隶属函数和控制规则,从而克服模糊控制精度不高和自适应能力差的缺点.仿真结果表明,该方法可以使飞行仿真转台具有高的定位能力和控制精度,操作失真度小及具有良好的动态性.     

模糊神经网络控制器在伺服系统中的在线应用

基于神经网络的结构,结合模糊控制的理论,提出了一种模糊神经网络在线学习自适应结构,针对模糊神经网络控制器一般存在着在线修正权值计算量大。权值过度修正容易导致系统振荡等缺点,采用变结构变速率的学习方法对网络结构参数权值进行修正。将参数调整后的控制器模型应用于伺服系统中,并与传统的ITAE三阶无静差最优控制进行比较,仿真试验表明该控制器不但能够提高系统的控制品质,同时可以消除输出力矩对被控对象的扰动,具有很好的控制效果。     

自适应模糊神经网络控制在电阻加热炉中的应用

提出一种自适应模糊神经网络控制器,着重讨论了自适应模糊神经网络的混合学习算法和自适应动量解耦的最速下降。人出了适于非线性时滞、基于径向基函数网络和自适模糊神经网络控制器的控制方案,并把它用在电阻加热炉中。实际应用表明,模糊神经网络控制器 具有良好的控制效果。     

基于小波滤波背景预测的红外弱小目标检测方法

红外弱小目标检测是红外图像研究领域的热点与难点。有效地从背景中检测出弱小目标对于后续的跟踪、识别工作具有十分重要的意义。针对现有检测方法的不足,提出了一种基于小波滤波背景预测的红外弱小目标检测方法。该方法利用小波滤波去噪的优良特性将目标作为噪声滤除,然后构建近似的前景分布图与背景分布图,最后基于连通体筛选与对比度门限完成弱小目标的提取。采用实测光电图像对该方法进行了验证,结果表明,提出的方法能够有效抑制噪声,完成背景预测以及红外弱小目标的检测。     

FNN在欺骗检测中的应用研究

欺骗检测(DD)的不确定性是由于检测中具有暧昧和不严密性。在实验中,通过构建一个不确定的模型发现(MUDD)而且选择模糊-神经网络分类器预测欺骗。该模型与传统的机器学问题模型相比较,较好地实现了以经验为主、以欺骗数据测试收集为目的不确定性问题的检测。而且,该模型具有有较好的可理解性、稳定性和可信度。     

红外弱小目标预处理及检测方法研究

本文针对红外弱小目标检测问题，通过分析研究多种红外小目标检测的预处理方法。提出了一种能有效检测出低信噪比条件下运动小目标的算法，并给出了相应的实验结果。     

—种基于自适应模糊神经网络的VSLMS算法及应用

本文设计了一种基于自适应模糊神经网络的变步长LMS算法，该算法采用了一种新的模糊控制规则．按照该规则改变LMS算法的步长。文章最后给出了非线性噪声抵消的仿真结果。     

一种基于神经网络的模糊方法研究

模糊系统设计中,模糊规则的建立是系统设计的瓶颈问题。针对这一问题,该文提出了一种用于监督神经网络自动生成模糊规则并实现模糊推理的方法。网络训练分为两个阶段,首先是结构学习,确定系统的规则总数和前提的有关参数;其次是参数学习,即调整权值,使系统输出接近理想输出。仿真实例证明使用该方法建立模糊系统具有较好的效果。     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

模糊神经网络在商业规则数据挖掘中的应用*

利用模糊系统对规则提取的优势弥补了神经网络可解释性差的缺点,并使用模糊神经网络来进行商业规则数据挖掘。通过建立模糊神经网络对训练好的网络进行剪裁,最后提取模糊商业规则,说明了商业规则数据挖掘的全过程,并对其中重点算法进行了描述和改进。给出的实例证明了该方法的有效性。     

实时模糊神经网络应用于核电站运行控制

介绍了人工智能技术应用于核电站运行控制中的实际意义,分析了典型系统及实时模糊神经网络方法在系统开发中的应用,提出了系统实施中的相关安全事项,介绍了系统组成及功能。     

复杂背景下红外图像弱小点目标自动识别仿真

传统识别方法受到低信噪比、低对比度、缺乏弱小点目标的形状及纹理信息等因素影响,尤其在复杂背景下,弱小点目标自动识别准确率较低,针对此问题,提出一种基于BEMD(二维经验模态分解算法)的红外图像弱小点目标自动识别方法,根据待识别图像的频谱特性,并结合分频段处理方式。对比了不同滤波器的性能,并建立了图像滤波器组,采用滤波器组将弱小点目标图像分解到不同子频域中;对子频段图像进行罗宾逊滤波处理,提取弱小点目标。采用多层经验模态分解算法对原始弱小点目标图像输入函数分解为二维本征模态函数,通过微分计算来获取原始图像与背景区域之间的差,分割出弱小点目标区域。通过局部逆熵分割弱小点目标区域的高频信息来获取各个模态函数的弱小点目标识别结果。实验结果表明,所提方法能够高效且准确地提取出弱小点目标,更好地抑制复杂背景。     

基于顺序形态滤波的外运动小目标检测

针对约外图像中运动弱小目标的检测问题,本文提出了基于顺序形态滤波的小目标检测方法,并给出了具体算法。目标检测分两步进行,首先利用顺序形态滤波抑制背景,检测出候选目标的位置,并对候选目标进行区域分割,最后利用序列图像中目标运动的连续性和轨迹的一致性筛选出真正的目标,作者通过实验比较了该方法与传统高通滤波方法在抗噪声性能,背景抑制性能以及抑制虚警目标性能的差异,实验结果表明,顺序形态滤波法在这三个方面都优于高通滤波法,它能够快速、可靠检测出低信噪比的运动小目标。