基于卷积神经网络的霉变烟叶图像识别方法研究

针对人工在线精选霉变烟叶时,存在效率低下、容易漏检等缺点,提出了一种基于卷积神经网络模型对霉变烟叶图像进行筛选、分类识别的方法.首先建立烟叶数据集,然后搭建卷积神经网络模型,利用卷积神经网络先初步提取特征,再筛选提取主要特征,然后进行各部分的特征汇总;最后实现图像的分类,从而实现了快速、准确的识别霉变烟叶图像和正常烟叶...     

基于径向基概率神经网络的气象参数状态识别

局部气象参数实时数据是船舶航行、飞机起降所需要的非常重要的海洋气象参数.这些参数实时数据中的奇异数据对航行导航可能会导致危险后果.提出了一种基于径向基概率神经网络的气象重要参数状态识别方法用来识别奇异数据.将气象参数实时数据作为神经网络的输入,参数对应状态作为输出,通过对径向基概率神经网络模型训练,实现数据状态识别,将故障奇异数据进行有效识别.保证了气象观测系统输出数据的可靠性.实验结果表明,该方法可靠,且具有较好的泛化能力,能够实现气象参数实时数据状态的有效识别.     

基于EMD进化概率神经网络的纹理图像识别

论文提出了一种基于EMD进化概率神经网络的纹理图像识别方法.首先,对原始信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和;再从各IMF分量中提取主要能量特征作为进化概率神经网络的输入参数来识别纹理图像.对不同的自然纹理图像进行了实验,并将结果与小波进化概率神经网络的结果做了比较.实验结果证明,论文方法的正确识别率和识别精度高于小波进化概率神经网络.     

基于电子鼻技术的花椒品种鉴别方法研究

本文针对不同花椒品种的快速鉴别方法进行研究,以花椒的气味信息检测为研究对象,利用自行研制的电子鼻系统采集了6类花椒样品气味数据,对这些数据样本进行特征提取,得到了56组训练样本和32组测试样本。利用BP神经网络、概率神经网络和支持向量机对特征数据进行鉴别,正确识别率分别为89.58%、93.23%、94.27%,相对于BP神经网络和概率神经网络识别,支持向量机具有更好的分类效果。 本文研制的电子鼻系统能能无损、快速、准确鉴别花椒的品种,为农产品无损检测的研究提供了一种新的思路。     

基于听觉感知和概率神经网络的语音识别模型

提出了一种基于Bark子波变换和概率神经网络（PNN）的语音识别模型。利用符合人耳听觉特性的Bark滤波器组进行信号重构并提取语音特征,然后利用训练好的概率神经网络进行识别。通过训练大量语音样本来构成语音识别库,并建立综合识别系统。实验结果表明该方法与传统的LPCC/DTW和MFCC/DWT方法相比,识别率分别提高了14.9%和10.1%,达到了96.9%的识别率。     

基于深度学习的电池片缺陷识别研究

基于TensorFlow框架搭建卷积神经网络对电池片电致发光图像进行缺陷识别。选取公开的数据集,其中包含了电池片的不同种类缺陷。在传统的VGGNet网络的基础上使用全卷积神经网络进行训练,并分析不同损失函数和dropout概率在数据集上的训练效果。经过实验证明,该算法实现了对电池片是否有缺陷的准确识别。研究还得出压缩网络结构对算法训练速率能有大幅提升,这使得简化的模型更具有可迁移性,为大范围的实时缺陷识别提供了一种有效方案。     

基于神经网络和证据理论的图像目标识别研究

提出了一种基于BP神经网络和D-S证据推理的多传感器数据融合图像目标识别算法,利用数据融合的思想对来自目标的多幅图像进行空间域融合处理.首先提取图像的Hu不变矩作为待识别目标图像的特征,尔后针对DS证据理论基本概率指派函数构造困难的问题,用BP神经网络对目标的初步识别结果构造基本概率指派函数,最后用Dempster组合规则对BP网络的初步识别结果进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明了融合识别方法的有效性和鲁棒性,识别率达到100%.     

基于径向基概率神经网络的工程图纸图形符号识别

基于径向基概率神经网络，提出一种扫描工程图纸图像分割后的图形符号识别方法，针对已分割的扫描工程图纸图形符号图像，首先进行二值化处理，然后对二值图形符号图像进行Hu不变矩特征提取，再使用一种新型的径向基概率神经网络进行分类，从而实现图像识别．为加快径向基概率神经网络的收敛速度，采用递归最小二乘算法进行训练．实验结果表明，径向基概率神经网络在识别性能与速度等方面非常适合于工程图纸的图形符号识别。     

基于HMM和WNN的心音信号身份识别研究*

将隐马尔可夫模型（HMM）与小波神经网络（WNN）相结合,提出了一种基于心音信号的身份识别方法。该方法首先利用HMM对心音信号进行时序建模,并计算出待识别心音信号的输出概率评分;再将此识别概率评分作为小波神经网络的输入,通过小波神经网络将HMM的识别概率值进行非线性映射,获取分类识别信息;最后根据混合模型的识别算法得出识别结果。实验采集80名志愿者的160段心音信号对所提出的方法进行验证,并与GMM模型的识别结果进行了对比,结果表明,所选方法能够有效提高系统的识别性能,达到了比较理想的识别效果。     

电子鼻传感器阵列优化与谷物霉变程度的检测

研制一套适合对谷物霉变进行检测的电子鼻系统,对6个霉变程度的稻谷进行了检测.主成份(PCA)分析结果显示6个霉变程度的稻谷是可以区分的,对前三个主成分的载荷因子进行分析去掉冗余传感器,PCA分析结果显示去掉冗余传感器并不影响分类结果.最后用BP神经网络对所得的数据进行模式识别,30组测试样本对霉变菌落总数的预测结果平均相对误差为1.010 30,最大相对误差为3.942 57.实验结果表明系统对稻谷霉变程度的检测具有很高的分析精度.     

基于协议分析与PNN组合的网络异常检测

提出了一种基于协议分析与概率神经网络结合的网络异常状况检测方法。该方法首先基于网络协议分析,对网络运行中的敏感数据进行捕获及状态扫描;然后结合Baycs最小风险准则和基于Parzen窗的概率神经网络（PNN）,对网络特征数据与网络基线数据进行比较判断,从而及时、准确地检测出网络发生的异常状况。     

基于双概率神经网络的纹理图像识别

为提高纹理识别速度,在文献1纹理图像识别正确率较高的基础上,提出一种基于双概率神经网络（DPNN）的纹理图像识别方法。首先构造两个概率神经网络A和B,如果纹理特征明显,以较少的纹理特征能量特征作为网络A的输入参数即可识别,否则再加入统计特征和能量特征一起作为概率神经网络B的输入参数以达到较高的识别率。实验结果表明：采用双概率神经网络的纹理图像识别较文献1有更快的识别速度。     

基于差异演化概率神经网络的纹理图像识别

引入差异演化（DE）算法来弥补基本概率神经网络的不足,从而提出一种基于差异演化概率神经网络的纹理图像识别方法。首先用树形结构小波包变换提取纹理图像的能量特征,用基于统计的纹理特征方法提取统计均值、平均能量、标准差和平均残余特征,得到纹理图像的特征矢量;然后用差异演化概率神经网络训练纹理图像的特征矢量,从而实现纹理图像的识别。实验结果表明：该方法较BP神经网络、RBF神经网络和基本的PNN有更高的识别正确率,且收敛更快。     

基于改进概率神经网络的纹理图像识别

引入差异演化（DE）算法来弥补基本概率神经网络的不足,从而提出一种基于改进概率神经网络（MPNN）的纹理图像识别方法。首先用树形结构小波包变换提取纹理图像的能量特征,用基于统计的纹理特征方法提取统计均值、平均能量、标准差和平均残余特征,得到纹理图像的特征矢量;然后用改进的概率神经网络训练纹理图像的特征矢量,从而实现纹理图像的识别。实验结果表明：采用基于改进概率神经网络的纹理图像识别方法较BP神经网络、RBF神经网络和基本的PNN有更高的识别正确率,且收敛更快。     

基于神经网络和傅氏变换的指纹自动分类系统

本文介绍了一个基于两种傅氏变换进行图谱增强,用概率神经网络进行指纹分类的指纹自动分类系统,又称ＡＦＣＳ（Ａｕｔｏｍａｔｉｃ Ｆｉｎｇｅｒｐｒｉｎｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）。该系统运用了一种新的图谱增强方法及不均匀的特征表示方法,用ＰＮＮ（Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｎｅｔｗｏｒｋ）进行分类,实现了提纹的自动分类。     

基于双向长短期记忆循环神经网络的网络流量预测

针对长短期记忆循环神经网络在对时间序列进行学习时存在早期特征记忆效果差、难以充分挖掘整个网络流量特征等问题,提出一种基于双向长短期记忆循环神经网络的网络流量预测方法,以提高网络流量预测的准确性。对网络流量序列进行双向学习,避免单向学习导致较早学习部分特征提取和记忆效果差的问题。同时双向学习可以充分挖掘网络流量天与天之间双向的特征,完整地学习到网络流量的整体特征。仿真实验结果表明,改进后的方法相比原方法具有更好的预测效果。     

基于神经网络的机动多目标数据关联问题研究

本文通过对联合概率数据关联的性能特征的分析,将其归结为一类约束组合优化问题,在此基础上,利用Hopfield神经网络求解典型的约束组合优化问题(旅行推销员问题)的方法,解决了传统的联合概率数据关联中出现的计算量组合爆炸现象,仿真结果表明,该方法效果良好,在密集多回波环境下,其优越性能更为突出。     

基于特征选择的概率神经网络胃癌计算机辅助诊断

应用信噪比和概率神经网络的方法,结合实验数据,提出胃癌分类模型。它是利用已知信息对胃癌样本进行分析和判别。其方法是首先对数据进行分类信息指数信噪比分析,根据分类信息指数信噪比大小排序,然后采用特征向量递增的方法,将特征向量输入概率神经网络进行分析,采用留一法对PNN训练和检测,找出训练效果最好的特征向量子集。这种模型用MATLAB软件实现,具有可操作性,可推广到其它相应的疾病辅助诊断中去。     

Sentence alignment using P-NNT and GMM

Parallel corpora have become an essential resource for work in multilingual natural language processing. However, sentence aligned parallel corpora are more efficient than non-aligned parallel corpora for cross-language information retrieval and machine translation applications. In this paper, we present two new approaches to align English–Arabic sentences in bilingual parallel corpora based on probabilistic neural network (P-NNT) and Gaussian mixture model (GMM) classifiers. A feature vector is extracted from the text pair under consideration. This vector contains text features such as length, punctuation score, and cognate score values. A set of manually prepared training data was assigned to train the probabilistic neural network and Gaussian mixture model. Another set of data was used for testing. Using the probabilistic neural network and Gaussian mixture model approaches, we could achieve error reduction of 27% and 50%, respectively, over the length based approach when applied on a set of parallel English–Arabic documents. In addition, the results of (P-NNT) and (GMM) outperform the results of the combined model which exploits length, punctuation and cognates in a dynamic framework. The GMM approach outperforms Melamed and Moore’s approaches too. Moreover these new approaches are valid for any languages pair and are quite flexible since the feature vector may contain more, less or different features, such as a lexical matching feature and Hanzi characters in Japanese–Chinese texts, than the ones used in the current research.