基于小波变换和ART网络的手写数字识别

由于小波变换能有效地提取字符的结构特征，自适应共振(ART)网络有很好的学习能力。将二者结合起来，用小波变换抽取特征、用自适应共振ART网络作模式分类器来识别手写数字。实验证明该方法有很高的识别率，能够有效地进行手写数字的分类，可以满足实际应用。     

基于小波与ART2网络的实时状态识别

构造出一类用递推公式进行小波变换的小波基,提出此类小波的优化方法,对其时频特性进行了分析。针对传统ART2网络只利用了模式的相位信息而丢失了幅度信息和网络的性能依赖于样本的学习顺序等不足,提出了改进型ART2网络。对刀具AE信号进行递归小波分解,提取特征并应用于改进的ART2网络识别刀具状态。实验结果表明,递归小波能反映刀具状态信号的特征,且实时性好。改进的ART2网络更具鲁棒性,识别率为100%,训练耗时仅占传统ART2网络的3.79%。     

传感器网络中分布式最优小波压缩算法

研究传感器网络中的小波变换问题,提出了一种基于最优小波变换的分布式数据压缩算法。主要工作有：（1）提出基于混合分解的分布式小波变换,利用节点的计算能力减少节点间交换数据产生小波系数的通信开销;（2）提出自适应小波变换,最优变换级根据小波变换的压缩增益和由此产生的网络开销自适应确定。仿真实验表明,和现有的小波数据压缩算法以及非分布式方式相比,提出的算法具有更优的网络性能。     

基于ART1网络的字符识别器

通过标准自适应共振理论神经网络(Adaptive Resonance Theory, ART),设计和实现了一个字符识别器,针对标准的 ART1网络存在的不足,即网络的学习不稳定,对样本输入顺序比较敏感等问题,给出了改进方法,用C语言实现了这2种字符识别器,实验结果表明这2种字符识别器能够对不同的字符进行识别,改进方法比基于标准ART1网络具有更好的稳定性。     

基于小波变换和局部傅立叶变换的手写数字识别

小波变换和傅立叶变换在图像处理方面有着广泛的应用。该文在结合二者特点的基础上提出了一种新的基于小波变换和局部傅立叶变换的脱机手写数字特征提取方法。即对于一个输入的手写数字图像首先进行小波变换,依据小波变换后的子图像,分别提取他们的局部傅立叶变换后系数作为它们的特征。这样的特征既具有小波变换的多尺度分析的性能,又具有局部傅立叶变换能够很好地描述图像局部频域的特性。实验数据采用MNIST数据(美国国家标准与技术局收集),实验表明,该方法取得了较好的识别效果。     

基于小波萎缩法的非线性自适应数字滤波器的设计

本文中,将小波萎缩法应用于非线性自适应数字滤波器的设计,介绍利用基于离散正交小波变换的小波萎缩迭代滤波方法,设计出非线性自适应小波萎缩滤波器的模型文中给出了非线性自适应小波萎缩滤波器的一个消噪实例,证实了非线性自适应小波萎缩滤波器鲁棒性好的特性。     

基于小波变换Hopfield神经网络的手写体数字识别

手写数字识别是模式识别的一个分支,手写数字识别的方法很容易推广到其他一些相关问题,因此在模式识别领域中占有重要地位.虽然数字只有十种且笔划简单,但由于不同人书写习惯不同,上下文联系较小,要获得较高的识别率并不容易.本文提出了一种基于小波和Hopfield神经网络的手写体数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用Hopfield网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有较好效果.     

基于遗传优化的网络组合算法的手写数字识别

目前,手写数字识别技术已被广泛应用.基于遗传优化的网络组合算法对经预处理的手写数字采用网络加权组合法进行识别,最佳网络初始权值由改进的遗传算法得到。灰度特征神经网中,首先对输入数据进行离散余弦变换以降低因二值化带来的冗余.实验表明该法是较有效的手写数字识别算法。     

基于小波萎缩法的非线性自适应数字滤波器的设计

本文中,将小波萎缩法应用于非线性自适应数字滤波器的设计,介绍利用基于离散正交小波变换的小波萎缩迭代滤波方法,设计出非线性自适应小波萎缩滤波器的模型.文中给出了非线性自适应小波萎缩滤波器的一个消噪实例,证实了非线性自适应小波萎缩滤波器鲁棒性好的特性.     

基于调Q小波变换的心电信号特征量提取方法

与传统的基于频域划分信号分解方法不同,提出了一种基于品质因数的自适应信号分解方法。利用调Q小波变换自适应生成品质因数不同的小波函数作为信号分解的基函数,利用Mallat塔式算法将复合信号分解为具有持续振荡特性的高共振分量和具有瞬态冲击特性的低共振分量,并将其用于心电信号的特征量提取。相比于小波分析、经验模态分解等方法,该方法可以有效地去除信号中的噪声及干扰,分离频谱混叠且振荡形式不同的信号。通过数值仿真和实例分析证明了该算法的优越性。     

Adaptive anomaly detection with evolving connectionist systems

Anomaly detection holds great potential for detecting previously unknown attacks. In order to be effective in a practical environment, anomaly detection systems have to be capable of online learning and handling concept drift. In this paper, a new adaptive anomaly detection framework, based on the use of unsupervised evolving connectionist systems, is proposed to address these issues. It is designed to adapt to normal behavior changes while still recognizing anomalies. The evolving connectionist systems learn a subject's behavior in an online, adaptive fashion through efficient local element tuning. Experiments with the KDD Cup 1999 network data and the Windows NT user profiling data show that our adaptive anomaly detection systems, based on Fuzzy Adaptive Resonance Theory (ART) and Evolving Fuzzy Neural Networks (EFuNN), can significantly reduce the false alarm rate while the attack detection rate remains high.     

基于ART2网络聚类分析的数据融合算法研究

人工神经网络为数据融合提供了新的理论方法和技术手段,在数据融合的各个方面具有广泛的应用前景。自适应共振理论(ART)是一种无监督神经网络,能够实现对输入的任何模拟信号的自动识别和分类。据此提出了一种以ART2网络聚类分析为核心的数据融合算法,探讨了ART2网络用于特征层数据融合实现模式识别/分类的机理,最后给出该算法在一例模式识别/分类中的应用-实现对工业控制系统中设备运行状态的实时监测和故障诊断,验证了该算法的有效性和可行性。     

基于冲量权值的ART神经网络及其在地震预报中的应用

在传统的ART(AdaptiveResonanceTheory)网络结构中忽略了样本属性重要性的不同对分类结果产生的影响。然而实际应用中,需要在网络预测阶段对此予以重视。该文提出了基于冲量权值的ART网络IFWART(ImpulseForceWeightbasedAdaptiveResonanceTheory)。它引入冲量权值表示属性的重要性,通过进化算法的优胜劣汰机制优化冲量权值,并将量化的权值结果分配到网络的比较层中,从而提高网络预测精度。在UCI标准数据集上将IFWART与其他有监督ART网络进行了比较实验,验证了IFWART的有效性。最后,将其应用于地震强震时间序列预报中,取得了很好的效果。     

ART2神经网络学习算法的改进

自适应共振(ART)神经网络具有无监督学习功能,能对时序信号进行实时学习、实时处理,能对已学习过的样本作出快速响应,自动识别等优点,尤其以ART2网络更具有实用性。但是传统的ART2网络存在幅度信息丢失和模式漂移等现象,针对这一情况,本文把模式漂移的方向作为一个因素进行考虑,通过设置漂移上限系数,引入栈结构对模式漂移的相反方向相互抵消,同一方向累加的方法有效限制了模式的飘移,对各改进算法进行比较体现本文算法的优越性。     

基于ART2改进算法的故障聚类研究

ART2（自适应谐振理论2）算法是神经网络中一种可以对模拟输入信号或二值信号进行无监督聚类的算法,所以ART2算法能够降低数据挖掘中原始数据的预处理的复杂度,提高挖掘效率。针对ART2算法中出现的聚类中心偏移的缺点,采用ART2算法与K-均值算法相结合的方法来抑制ART2中聚类中心偏移的现象。通过仿真对该方法进行了验证。     

Combining additive input noise annealing and pattern transformations for improved handwritten character recognition

Two problems that burden the learning process of Artificial Neural Networks with Back Propagation are the need of building a full and representative learning data set, and the avoidance of stalling in local minima. Both problems seem to be closely related when working with the handwritten digits contained in the MNIST dataset. Using a modest sized ANN, the proposed combination of input data transformations enables the achievement of a test error as low as 0.43%, which is up to standard compared to other more complex neural architectures like Convolutional or Deep Neural Networks.     

模拟电路故障诊断技术研究

研究了模拟电路故障诊断方法。主要讨论了测前模拟法、测后模拟法、近似技术、专家系统的模拟电路故障诊断方法和神经网络、模糊理论、小波变换的模拟电路故障诊断新方法及原理。     

Soft Computing Based Pattern Classifiers for the Obstacle Avoidance Behavior of Intelligent Autonomous Vehicles (IAV)

To ensure more autonomy and intelligence with real-time processing capabilities for the obstacle avoidance behavior of Intelligent Autonomous Vehicles (IAV), the use of soft computing is necessary to bring this behavior near to that of humans in the recognition, learning, adaptation, generalization, reasoning and decision-making, and action. In this paper, pattern classifiers of spatial obstacle avoidance situations using Neural Networks (NN), Fuzzy Logic (FL), Genetic Algorithms (GA) and Adaptive Resonance Theory (ART) individually or in combination are suggested. These classifiers are based on supervised learning and adaptation paradigms as Gradient Back-Propagation (GBP), FL, GA and Simplified Fuzzy ArtMap (SFAM) resulting in NN/GBP and FL as Intelligent Systems (IS) and in NN/GA, NN/GA-GBP, NN-FL/GBP and NN-FL-ART/SFAM as Hybrid Intelligent Systems (HIS). Afterwards, a synthesis of the suggested pattern classifiers is presented where their results and performances are discussed as well as the Field Programmable Gate Array (FPGA) architectures, characterized by their high flexibility and compactness, for their implementation.