基于最优分类面的神经网络模式分类方法

用一组训练样本对神经网络进行训练后，网络对训练阶段未曾见过的样本也能正确分类。但传统的神经网络模式分类方法泛化能力不十分理想，而且不稳定。对同一个分类任务，训练样本改变，分类器泛化能力的大小也会改变。该文提出一种基于最优分类面的神经网络模式分类方法。通过寻找并训练最优分类面，提高网络的泛化能力，增强泛化能力的稳定性。用异或问题和双螺旋线问题验证该新方法的有效性和泛化能力，取得了令人满意的结果。     

可逆线性变换的整型化及其应用

对可逆的线性变换进行了改造,使之成为整数到整数的变换.首先介绍了3类基本的整数可逆变换,在此基础上,通过对给定线性变换的矩阵分解,给出了一个可逆线性变换整型化的充要条件及其构造方法.该整型变换是可逆的,因此非常适合于无失真的数据处理,如语音或图像的无损压缩.     

基于粗糙集理论的模式分类样本特征选择方法研究

本文提出了一种基于粗糙集理论的模式分类本特征选择方法，该方法应用粗糙集理论和方法，对给定的学习样本进行特征选择，根据这些特征构造神经网络模型进行训练，并在网络的工作阶段，根据这些特征对待识样本进行分类，在模式分类中，该方法能够减少网络的训练时间并改善网络的泛化能力。     

TVGA模式下利用二维变换形成动画效果

本文介绍采用基本的二维变换包括图形的比例变换、旋转变换、错切变换以及平移变换配合TVGA卡的256色形成极佳的动画效果,并出示程序实例。     

训练模式摄动对模糊形态学神经网络的影响

在构建神经网络时,采集的训练模式总存在摄动,如何度量这种摄动,提出模糊集摄动度量的新方法.众多学者研究的两类形态学联想记忆网络的存储能力和抗腐蚀/膨胀噪声的能力等性质几乎都相同,但基于这种模糊集摄动的度量方法,研究训练模式摄动对两类模糊形态学联想记忆网络的影响时发现,两类网络对训练模式摄动的鲁棒性差异很大,其中一类模糊...     

基于HEVC压缩域的镜头边界检测方法

镜头边界检测是智能视频检索的一个重要环节。现有的检测方法主要是在像素域进行处理,切变检测精度不高,计算复杂度过大。针对这些问题,文中利用解析HEVC码流得到的编码信息,提出了一种基于HEVC压缩域的镜头边界检测方法。首先统计每帧编码信息中各类预测模式的PU个数,并根据CU深度对运动矢量进行幅值滤波;然后采用PU预测模式、运动矢量和帧比特数对切变候选帧进行两级筛选,再对其进行自适应阈值的镜头切变检测;接着根据切变帧对视频序列进行分段,并在时域上对帧比特数进行平滑滤波;最后使用PU预测模式和经滤波平滑后的帧比特数对分段视频进行镜头渐变检测。实验结果表明,该方法具有良好的镜头边界检测效果,并具有较低的计算复杂度。     

LPR中两个问题的MATLAB解决方案

变形车牌矫正和复杂牌照的文字区域提取是LPR中两个比较重要的问题，本文运用MATLAB,通过Radon变换检测牌照的角度,使用旋转与错切变换相结合的方法来解决变形牌照矫正问题;通过对牌照区域进行颜色提取从而消除非牌照颜色的干扰,解决复杂牌照的文字区域提取问题。     

模糊联想记忆网络对模式摄动的鲁棒性分析

在实际问题中,所获取的模糊神经网络的训练模式对总与客观真实的模式对存在一定的小幅误差（摄动）,从而可能导致对某些输入网络的实际输出与期望输出有很大的误差．为此,本文提出了训练模式集摄动对模糊联想记忆网络(FAM)的鲁棒性概念,并具体讨论了采用一种新的权值学习算法时FAM的这种鲁棒性及其控制方法。最后通过实验证明了采用这种新的权值学习算法时,FAM对模式摄动不会拥有好的鲁棒性。     

基于统计分析的分阶段进行神经网络方法

基于统计分析和分阶段进化，提出一种新的进化神经网络设计方法，本文方法的进化过程分三个阶段：第一阶段，首先按训练样本统计特性设计较小规模的神经网络，第二阶段，引入所有训练样本，在第一阶段的基础上，逐步扩展网络结构，天加的神经元总是单独训练并以抵消原网络的输出误差为其训练目标，直至训练网络达到误差要求，第三阶段，利用统计方法，将网络中非线性变换作用相似的神经元合并，简化网络结构，本文方法一方面减轻了进化算法的压力，另一方面指出了网络进化的方向使得进化网络的学习过程不再是黑箱问题，计算机仿真实验表明，该方法是有效的。     

基于统计分析的分阶段进化神经网络方法

基于统计分析和分阶段进化，提出一种新的进化神经网络设计方法．本文方法 的进化过程分三个阶段：第一阶段，首先按训练样本统计特性设计较小规模的神经网络；第 二阶段，引入所有训练样本，在第一阶段的基础上，逐步扩展网络结构，新添加的神经元总 是单独训练并以抵消原网络的输出误差为其训练目标，直至训练网络达到误差要求．第三阶 段，利用统计方法，将网络中非线性变换作用相似的神经元合并，简化网络结构．本文方法 一方面减轻了进化算法的压力,另一方面指出了网络进化的方向使得进化网络的学习过程不 再是黑箱问题．计算机仿真实验表明，该方法是有效的．     

基于小波神经网络的通用多变量非线性系统辨识算法和应用

在分析小波函数对L2(R)空间的逼近原理的基础上,给出了仅使用尺度函数的神经网络模型和网络学习方法,使得用于逼近低通系统的小波基函数大大减少,并给出逼近的理论依据.提出的小波神经网络模型的学习为线性LS参数估计问题,具有通用性和易用性,并具有线性系统中线性LS参数估计的优良性质,保证了在训练数据受噪声污染时的网络模型的推广能力.理论分析、仿真实验和实际应用结果都说明该辨识方法具有好的辨识精度和推广能力.     

DPCM与整数小波变换相结合的图像无损压缩

论文讨论了将DPCM变换与整数小波变换相结合的方法来实现图像的无失真压缩。在论文压缩算法中,首先对图像进行DPCM预测,将差值图像经过整数小波变换,然后再用无损SPIHT算法进行压缩编码,最后再经过相应的逆变换即可以得到重构的无失真图像。该方法简单易懂,硬件实现方便。仿真结果表明,这是一种效果很好的图像无损压缩方法。     

浮选生产过程经济技术指标的软测量建模

依据浮选过程的工艺机理和操作经验,初选了浮选过程经济技术指标神经网络软测量模型的输入变量,运用主元分析法对输入变量进行主元分解,降低输入变量维数且消除了输入变量之间的线性相关性,再通过基于最近邻聚类学习算法的径向基函数神经网络进行建模。仿真结果表明,该模型具有较快的训练速率和较高的预测精度,可以满足浮选过程实时控制的在线软测量要求。     

在线变结构模糊神经网络的自适应内模控制

本文提出一种在线变结构补偿模糊神经网络训练算法.该在线变结构算法,使得出的网络结构简单.并且由于该网络引入了补偿模糊神经元,使网络能对模糊规则进行在线的训练.将此算法应用到仿射非线性动态系统和大时滞线性动态系统的内模控制中.仿真结果表明,该方法能有效的控制动态过程,具有较好的自适应性和鲁棒性.     

基于小波系数聚类的特征提取分类方法

神经网络是一种普遍采用的模式分类方法,当对样本的抽样数目较大时,神经网络结构复杂,训练时间激增,分类性能下降,针对这一问题,提出一种基于快速小波变换特征提取的分类方法。着先对婆婆以系数矩阵的每行进行聚类,表达重要频率范围内小波系数矩阵的行有较多的聚类数,从而大大减少了神经网络的输入数,而同时保留了有用的信息。特征提取后,采用小波系数的能量值特征量,应用径向基函数网络识别肺发出的各种不同的声音,实验证明：该方法有较高的识别率。     

Spatial Point-Data Reduction Using Pulse Coupled Neural Network

Many data mining algorithms are often found to be sensitive to the size of dataset. It may result in large memory requirements and very slow response time to execute tasks on large datasets. Thus, data reduction is an important issue in the field of data mining. This paper proposes a novel method for spatial point-data reduction. The main idea is to search a small subset of instances composed of border instances from original training set by using a modified pulse coupled neural network (PCNN) model. Original training instances are mapped into some pulse coupled neurons, and a firing algorithm is presented for determining which instances locate in border regions and filtering noisy instances. The reduced set maintains the main characteristics of original dataset and avoids the influence of noise, thus it can keep or even improve the quality of data mining results. The proposed method is a general data reduction algorithm, which can be used to improve classification, regression and clustering algorithms. The method achieves approximately linear time complexity, and can be used to process large spatial datasets. Experiments demonstrate that the proposed method is efficient and effective.     

利用改进整数变换实现图像无损信息隐藏

为了在图像中实现无损信息隐藏,并提高数据嵌入容量和隐蔽性,给出一种基于改进整数变换的无损信息隐藏方法。首先对图像块采用改进算法进行整数变换,使得变换前后图像块引入失真较少,然后自适应选择整数变换后引入失真较小的可修改图像块进行整数变换,并嵌入较大数据量的机密信息,在公共信道进行传输后接收端能正确提取机密信息,并无损恢复原宿主图像。实验结果表明,该方法具有较大的数据嵌入容量和较好的隐蔽性,可用于医学图像中隐藏病历信息及遥感、军事图像的无损隐秘传输等领域。     

线性神经网络在周期信号傅立叶变换中的应用

提出一种利用线性神经网络进行周期信号傅立叶变换的方法.首先介绍傅立叶变换和线性神经网络的基本原理以及线性神经网络权值的确定方法;然后给出使用线性神经网络对周期信号进行分解的具体步骤.最后给出仿真实验结果.     

一种基于脊波变换的图像去噪方法

Ridgelet是继小波变换(Wavelet)后提出的一种新型的多尺度分析方法,它特别适合于具有直线或超平面奇异性的二维信号的描述,而且具有较高的逼近精度.利用脊波变换的方法,设计了一种基于脊波变换的改进的图像去噪算法,该算法采用指数型阈值函数,利用SureShrink自适应阈值.试验结果表明,该方法比起Wavelet全局硬、软阈值,Ridgelet全局硬、软阈值,具有明显的优越性.