Estimation of rock-aggregate volume based on PCA and LM-optimized neural network

In granule processing industries, acquisition of particle size and shape parameters is a common procedure, and volumetric measurement is of great importance in dealing with particle sizing and gradation. To eradicate the major drawbacks with manual gauge, this paper proposes an optical approach using Back Propagation (BP) neural network to estimate the particle volume based on the two-Dimensional (2D) image information. To achieve the better network efficiency and structure simplicity, Principal Component Analysis (PCA) is adopted to reduce the dimensions of network inputs. To overcome the shortcomings of generic BP network for being slow to converge and vulnerable to being trapped in local minimum, Leven-berg-Marquardt (LM) algorithm is applied to achieve a higher speed and a lower error rate. The real particle data is utilized in training and testing the presented network. The experimental result suggests that the proposed neural network is capable of estimating aggregate volume with satisfactory precision and superior to the generic BP network in terms of performance capacity.     

Aggregate image based texture identification using gray level co-occurrence probability and BP neural network

Classifying the texture of granules in 2D images has aroused manifold research attention for its technical challenges in image processing areas.This letter presents an aggregate texture identification approach by jointly using Gray Level Co-occurrence Probability (GLCP) and BP neural network techniques.First,up to 8 GLCP-associated texture feature parameters are defined and computed,and these consequent parameters next serve as the inputs feeding to the BP neural network to calculate the similarity to any of given aggregate texture type.A finite number of aggregate images of 3 kinds,with each containing specific type of mineral particles,are put to the identification test,experimentally proving the feasibility and robustness of the proposed method.     

基于PCA的贝叶斯网络分类器研究

针对基于信息论的贝叶斯网络结构学习算法中结点集越大计算效率越低的缺点,采用主元分析（PCA）对样本数据降维．减少构造网络的结点数量,提高贝叶斯网络结构构造算法的效率。应用基于PCA方法构造贝叶斯网络,其结点少、结构简单,较传统贝叶斯网络具有较高的学习效率和分类准确率。     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

基于BP神经网络的OFDM系统信道估计

针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中传统信道估计算法复杂度高或估计精度低的问题,给出一种基于反向传播(Back Propagation,BP)神经网络的信道估计方法.采用Simulink仿真工具构建OFDM信号采集平台,建立了基于BP神...     

基于改进BP神经网络的数字识别

针对BP(Back Propagation)神经网络易陷入局部极小、收敛速度慢的缺点,提出了一种新的BP神经网络改进算法.与标准BP算法比较,该系统通过结合附加动量法和自适应学习速率形成新的BP改进算法.附加动量法虽然可以使BP算法避免陷入局部极小,但是对初始值的选取比较敏感,而且选取合适的学习速率比较困难.而自适应学...     

采用KPCA和BP神经网络的单目车载红外图像深度估计

提出一种基于监督学习得到深度估计模型的单目车载红外图像深度估计方法。首先用核主成分分析法（KPCA）筛选红外图像特征。将最初提取的红外图像特征用核函数非线性映射到一个线性可分的高维特征空间,再完成主成分分析（PCA）,得到降维后的红外图像特征。然后以BP神经网络为模型基础,对红外图像特征和深度值进行训练,训练后的深度估计模型可对单目车载红外图像的深度分布进行估计。实验结果证明,利用该模型估计的单目车载红外图像的深度信息与原红外图像的深度信息一致。     

基于PCA和BP神经网络算法的车牌字符识别

文章采用了双重PCA算法链接BP神经网络的方法对车牌字符进行识别.先由主成分分析法对原始样本数据进行分类,然后由BP神经网络法对拒识样本进行识别.研究结果表明,与传统的单一识别方法相比,提高了识别正确率,减少了训练时间.     

基于BP神经网络的数字识别研究

为了提高数字识别的准确性和可靠性,将BP神经网络应用于数字识别,并考察了网络结构对系统实时性、识别效果的影响以及初始权值对收敛速度的影响,选取了最佳的隐层节点数和权值初始化函数,实现了基于BP神经网络的数字识别系统。利用MATLAB进行仿真实验,实验结果表明该系统能够实现对数字的有效识别。     

基于UPF-BP神经网络的视频跟踪研究

本文提出一种UPF粒子滤波与BP神经网络相结合方法用来跟踪运动背景下的视频多运动目标,该方法可以处理尺寸变换问题,从而可以鲁棒地跟踪目标。这种算法可以把最新的观测考虑进去,跟踪目标既可以是刚性目标,也可以是非刚性目标,并且跟踪算法可以实时实现。     

基于BP神经网络算法的入侵检测技术

在入侵检测中应用神经网络技术,可以大大提高入侵检测的检测率,有效提高网络数据的安全。本文分析了BP神经网络应用于入侵检测的实现方式及存在的问题,并对现有的BP神经网络算法进行改进,阐述了基于BP神经网络入侵检测系统及仿真实验。     

基于量子—BP神经网络的教学评价研究

将量子计算和BP神经网络相结合,产生一种新的量子—BP神经网络的方法,并将该方法应用于教学评价中,应用量子—BP神经网络的方法构建教学评价系统模型,进而对教学质量进行评价。通过实证分析,得到了满意的评价结果,说明该方法具有一定的可行性和实用性。     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

基于CPLD的BP神经网络模型的硬件实现

神经网络模型的硬件实现已成为人工智能的一个重要的研究方向,本文提出一种基于CPLD的硬件实现方式,来实现BP三层神经网络模型方法,并对该模型进行了MAX+Plus II仿真验证.     

人工神经网络的BP算法及其应用

在一般人工神经网络的BP算法的基础上,研究了BP算法所遵循的数学基础,指出其存在的缺陷和不足,并给出改进方法。探讨了MATLAB环境下实现人工神经网络BP算法的编程方法及方法改进比较的例子,得到了良好的结果。     

基于BP神经网络的食品价格的预测

针对目前食品价格上涨的问题,提出了一种基于神经网络的食品价格上涨的预测方法。借助于Matlab建立食品价格上涨数学模型。利用Matlab对各食品价格的数据进行分析,计算相应的食品价格,对结果进行对比。运用BP人工神经网络的多层神经网络对食品价格的实测值进行训练学习,建立模型。借助于此模型来对食品价格上涨进行预测和预报,以达到对食品价格预测预警的作用。应用实例表明：人工神经网络应用于食品价格的预测预警是比较理想的。     

基于BP神经网络的雷达干扰效果评估

雷达干扰效果是衡量雷达干扰措施是否有效和雷达干扰设备性能优劣的重要指标,如何准确、客观、快捷地评估雷达干扰效果,对雷达干扰双方均具有重大的现实意义。本文主要研究一种了基于人工神经网络的雷达干扰效果评估的方法,并进行了举例说明。     

基于改进BP神经网络的脱机手写文字识别

在MATLAB中构建脱机手写文字识别系统,并利用Levenberg-Marquardt算法对标准BP神经网络的阈值和权值进行优化。经过仿真实验,证明该改进方法克服了在识别过程中BP网络存在的训练时间长、收敛速度慢等缺点,并且提高了系统的识别率,是一种有效可行的BP网络改进方法。     

基于BP神经网络的红外透过率计算

针对实时条件下中红外波段平均大气透过率的计 算,提出了一种基于贝叶斯正则化BP神经网络的方法。 利用BP神经网络良好的非线性拟合特点,建立大气参数与中红外平均透过率之间的关系 模型,从而可以准确迅速 地得到计算结果。此网络模型是以实测温度、压强、湿度和气溶胶的后向散射系数作为输入 向量,分别以水蒸气和CO₂吸收透过率、气溶胶散射透过率和大气透过率作为输出。仿 真结果表明:在相同的大气参数下,本方法的计算 结果与期望值之间的相对误差较小,且远小于经验公式法,验证了本方法的可行性与有效性 。因此,本方法对大气透过率的准确地快捷计算提供了有益的借鉴。     

基于神经网络和SVM的GPS干扰类型识别

全球定位系统（GPS）干扰信号类型的识别是采取有效抗干扰手段的先决条件。针对7种典型的GPS干扰信号,提取了包括高阶统计量在内的8个特征,设计了反向传播（BP）神经网络分类器和多项式支持向量机（SVM）分类器,实现了干扰信号类型识别。仿真结果表明,两种分类器均具有较高的正确识别率和较好的热噪声鲁棒性,特别是在干噪比（JNR）为3dB时,平均正确识别率可保持在94％以上。