基于视觉监控的操作手势轨迹分布模式研究

为准确学习飞行员操作手势的轨迹分布模式,提出一种改进的层次自组织映射方法。引入 秩和检验技术,结合编辑距离判断内部网的匹配程度,通过交叉验证使验证集获得误差最小,从而自适应取得判断异常的阈值。根据训练得到的轨迹分布模式检测操作过程中的局部异常,判断运动轨迹所表示的事件是否为异常事件,并预测手势将来行为轨迹。实验结果验证了改进方法的有效性。     

基于Hopfield神经网络的交叉线识别算法

提出了一种利用Ｈｏｐｆｉｅｌｄ神经网络进行交叉线识别的算法。在本算法中，一个含有交叉线的图象被映射到Ｈｏｐｆｉｅｌｄ神经网络之上，每一个象素与一个神经元相对应，神经元间的权重由其对应的象素间的关系（包括距离、斜率等）所决定。在Ｈｏｐｆｉｅｌｄ神经网络的收敛过程中，神经元的状态根据一定的规则不断地被调整直到收敛；同时随着神经元状态的确定，交叉线段也被识别出来。在实验模拟中，此算法显示了优越的性能。     

基于分层次多粒度语义融合的中文事件检测

事件检测是信息抽取领域中一个重要的研究方向,其主要研究如何从非结构化自然语言文本中提取出事件的触发词,并识别出事件的类型。现有的基于神经网络的方法通常将事件检测看作单词的分类问题,但是这会引起中文事件检测触发词与文本中词语不匹配的问题。此外,由于中文词语的一词多义性,在不同的语境下,相同的词语可能会存在歧义性问题。针对中文事件检测中的这两个问题,提出了一个分层次多粒度语义融合的中文事件检测模型。首先,该模型利用基于字符序列标注的方法解决了触发词不匹配的问题,同时设计了字符-词语融合门机制,以获取多种分词结果中词语的语义信息;然后,通过设计字符-句子融合门机制,考虑整个句子的语义信息,学习序列的字-词-句混合表示,消除词语的歧义性;最后,为了平衡“O”标签与其他标签之间的数量差异,采用了带有偏差的损失函数对模型进行训练。在广泛使用的ACE2005数据集上进行了大量实验,实验结果表明,所提模型在精确率(Precision,P)、召回率(Recall,R)和F1值这3个指标上比现有的中文事件检测模型至少高出3.9%,1.4%和2.9%,证明了所提方法的有效性。     

迭代学习神经网络控制在机器人示教学习中的应用

示教学习是机器人运动技能获取的一种高效手段.当采用摄像机作为示教轨迹记录部件时,示教学习涉及如何通过反复尝试获得未知机器人摄像机模型问题.本文力图针对非线性系统重复作业中的可重复不确定性学习,提出一个迭代学习神经网络控制方案,该控制器将保证系统最大跟踪误差维持在神经网络有效近似域内.为此提出了一个适合于重复作业应用的分布式神经网络结构.该神经网络由沿期望轨线分布的一系列局部神经网络构成,每一局部神经网络对对应期望轨迹点邻域进行近似并通过重复作业完成网络训练.由于所设计的局部神经网络相互独立,因此一个全程轨迹可以通过分段训练完成,由起始段到结束段,逐段实现期望轨迹的准确跟踪.该方法在具有未知机器人摄像机模型的轨迹示教模仿中得到验证,显示了它是一种高效的训练方法,同时具有一致的误差限界能力.     

机械臂轨迹跟踪控制--基于EC-RBF神经网络的机械臂模型参考自适应控制

针对机械臂运动轨迹控制中存在的跟踪精度不高的问题,采用了一种基于EC-RBF神经网络的模型参考自适应控制方案对机械臂进行模型辨识与轨迹跟踪控制。该方案采用了两个RBF神经网络,运用EC-RBF学习算法,采用离线与在线相结合的方法来训练神经网络,一个用来实现对机械臂进行模型辨识,一个用来实现对机械臂轨迹跟踪控制。对二自由度机械臂进行仿真,结果表明,使用该控制方案对机械臂进行轨迹跟踪控制具有较高的控制精度,且因采用EC-RBF学习算法使网络具有更快的训练速度,从而使得控制过程较迅速。     

基于运动轨迹的监控场景分析模型

所提出的模型通过层次分类聚类过程学习运动轨迹信息结构。用拓扑先验分类轨迹的相似性运动空间,然后结合混合模型拟合各运动特征的统计分布,得到潜在运动规则;最后基于规则模型检测监控场景中的异常运动行为。轨迹多维运动线索的统计模型对噪声具有较强的鲁棒性,同时利用先验分类使运动规则具有较明显的语义结构。实验结果验证了模型的有效性。     

一种新的非线性规划神经网络模型

提出一种新型的求解非线性规划问题的神经网络模型.该模型由变量神经元、Lagrange 乘子神经元和Kuhn-Tucker乘子神经元相互连接构成.通过将Kuhn-Tucker乘子神经元限 制在单边饱和工作方式,使得在处理非线性规划问题中不等式约束时不需要引入松弛变量,避 免了由于引入松弛变量而造成神经元数目的增加,有利于神经网络的硬件实现和提高神经网 络的收敛速度.可以证明,在适当的条件下,文中提出的神经网络模型的状态轨迹收敛到与非 线性规划问题的最优解相对应的平衡点.     

基于遗传神经网络的相似重复记录检测方法

为了有效解决数据清洗领域中相似重复记录的检测问题,提出了一种基于遗传神经网络的相似重复记录检测方法.该方法计算两条记录对应字段间的相似度,构建基于神经网络的检测模型,利用遗传算法对网络模型的权值进行优化,使用遗传神经网络组合多个字段上的相似度来检测相似重复记录.在不同领域数据集上的测试结果表明,该方法能够提高相似重复记录检测的准确率和检测精度.     

智能神经网络及其在天气预报中的应用

将符号推理，数值计算融合于神经网络中，提出了智能神经元模型，利用智能神经元模型理论设计一个天气预报系统，该系统性能有较大提高。     

TMLNNs：三值／多值逻辑神经元网络

本文提出了具有三值／多值逻辑表达能力的神经元模型,即三值／多值“逻辑与”神经元和三值／多值“逻辑或”神经元,由这种逻辑神经元连接而成的多层神经网络能够实现三值／多值逻辑推理系统。本文还给出了ＴＭＬＮＮｓ的学习算法,从ＴＭＬＮＮｓ网络中容易抽取到三值／多值逻辑规则知识,可以将ＴＭＬＮＮｓ用于三值／多值逻辑规则知识的自动获取,ＴＭＬＮＮｓ模型为神经网络表示逻辑知识提供了理论基础。     

Context in temporal sequence processing: a self-organizing approachand its application to robotics

A self-organizing neural net for learning and recall of complex temporal sequences is developed and applied to robot trajectory planning. We consider trajectories with both repeated and shared states. Both cases give rise to ambiguities during reproduction of stored trajectories which are resolved via temporal context information. Feedforward weights encode spatial features of the input trajectories, while the temporal order is learned by lateral weights through delayed Hebbian learning. After training, the net model operates in an anticipative fashion by always recalling the successor of the current input state. Redundancy in sequence representation improves noise and fault robustness. The net uses memory resources efficiently by reusing neurons that have previously stored repeated/shared states. Simulations have been carried out to evaluate the performance of the network in terms of trajectory reproduction, convergence time and memory usage, tolerance to fault and noise, and sensitivity to trajectory sampling rate. The results show that the model is fast, accurate, and robust. Its performance is discussed in comparison with other neural-networks models.     

位移不变的视觉模式在线学习和识别

提出了一种二维模式识别的神经网络模型ART-Cognizer,该模型采用新认知机的 结构和自适应共振网络的自顶向下的注意和匹配机制,因此对模式在视野中的缩放和平移有 容忍能力,并对自组织学习过程有自稳定能力,它可以在线学习新的模式而不损伤其原有记 忆.     

基于Kohonen神经网络的B样条曲面重构

探讨了三维散乱数据点的自由曲面自组织重构方法。建立了基于自组织特征映射神经网络的矩形网格重构模型及其训练算法。所建模型利用神经元对曲面散乱数据点的学习和训练来模拟曲面上点与点之间的内在关系,节点连接权向量集作为对散乱数据点集的工程近似化并重构曲面样本点的内在拓扑关系。通过该方法不仅能够对无规则散乱数据点进行逼近,并且通过该方法得到的曲面也可以作为后继曲面重构的初始曲面。仿真实验表明,所建神经网络模型可实现三维密集无规则数据点的曲面自组织重构集自压缩于一体。     

一种基于多目标的自组织神经网络学习方法

自组织神经网络又称为无教师指导学习网络，可以自动地从环境中学习、获取知识、从而具有较强的自适应能力。目前，自组织神经网络在图象理解、模式识别、智能机器人控制等领域得到越来广泛的应用。但是，由于目前大部分组织神经网络都采用单准则无教师指导学习方法，从而导致了神经网络学习效率低等问题，这在一程度上影响了自组织神经网络更加广泛的有效应用。为此，本文提出了一种基于模糊熵准则和误差平方和准则的多目标（准则）自组织神经网络学习算法，该算法可以克服单准则无教师指导学习方法所存在的局限性，实验结果表明：该算法是有效的，并且较其它自组织神经网络学习方法，无论在学习效率上，还是在网络优化上，都具有很大的优越性。     

应用自组织神经网络客观评定织物折皱等级

本文采用Kohonen自组织神经网络客观评定织物折皱等级，首先介绍自组织神经网络的基本算法，再结合自组织神经网络结构实现神经元的竞争和训练，并将结果输出到相应的分类模式中，以此确定试样的折皱等级，最后采用26种真实织物验证该方法的可行性。     

拓扑特征映射神经网络的学习收敛性分析

本文利用神经交互作用函数描述拓扑特征映射神经网络，探讨了这种网络的学习收敛性。本文首先给出一个网络收敛的一般性结论，并利用该结论证明网络输入满足平均分布时的收敛性。     

Self-organization of behavioral primitives as multiple attractor dynamics: A robot experiment

This paper investigates how behavior primitives are self-organized in a neural network model utilizing a distributed representation scheme. The model is characterized by so-called parametric biases which adaptively modulate the encoding of different behavior patterns in a single recurrent neural net (RNN). Our experiments, using a real robot arm, showed that a set of end-point and oscillatory behavior patterns are learned by self-organizing fixed points and limit cycle dynamics that form behavior primitives. It was also found that diverse novel behavior patterns can be generated by modulating the parametric biases arbitrarily. Our analysis showed that such diversity in behavior generation emerges because a nonlinear map is self-organized between the space of parametric biases and that of the behavior patterns. The origin of the observed nonlinearity from the distributed representation is discussed. This paper investigates how behavior primitives are self-organized in a neural network model utilizing a distributed representation scheme. Our robot experiments showed that a set of end-point and oscillatory behavior patterns are learned by self-organizing fixed points and limit cycle dynamics that form behavior primitives. It was also found that diverse novel behavior patterns, in addition to previously learned patterns, can be generated by taking advantage of nonlinear effects that emerge from the distributed representation.     

Collective behavior of a small-world recurrent neural system with scale-free distribution.

This paper proposes a scale-free highly clustered echo state network (SHESN). We designed the SHESN to include a naturally evolving state reservoir according to incremental growth rules that account for the following features: (1) short characteristic path length, (2) high clustering coefficient, (3) scale-free distribution, and (4) hierarchical and distributed architecture. This new state reservoir contains a large number of internal neurons that are sparsely interconnected in the form of domains. Each domain comprises one backbone neuron and a number of local neurons around this backbone. Such a natural and efficient recurrent neural system essentially interpolates between the completely regular Elman network and the completely random echo state network (ESN) proposed by Jaeger et al. We investigated the collective characteristics of the proposed complex network model. We also successfully applied it to challenging problems such as the Mackey-Glass (MG) dynamic system and the laser time-series prediction. Compared to the ESN, our experimental results show that the SHESN model has a significantly enhanced echo state property and better performance in approximating highly complex nonlinear dynamics. In a word, this large scale dynamic complex network reflects some natural characteristics of biological neural systems in many aspects such as power law, small-world property, and hierarchical architecture. It should have strong computing power, fast signal propagation speed, and coherent synchronization.