基于神经网络的手势识别

本文在对手结构和关节运动作了深入分析的基础上, 建立了对其施加约束的手模型．根据所定义的约束及运动类型,建立了适合于手势合成的手 数据结构．并采用神经网络理论进行手势识别,取得了较好的效果．     

基于模糊神经网络的手势识别

本文通过对人手结构和手关节运动的分析,建立了手模型及其相应的数据结构。     

基于卷积神经网络的手势识别研究

传统的手势识别系统由特征提取和分类器组成,需要人工设计特征,但很难达到足够满意的效果且耗费大量的时间。将卷积神经网络应用于手势识别,能直接把图像数据输入网络,且不用进行复杂的前期预处理。卷积神经网络拥有很强的鲁棒性和较低的复杂性,通过大量的仿真实验,证明了该识别方法具有很好的识别效果,相比现有方法有较大的优势。     

基于小波和RBF神经网络的手写体数字识别

针对传统的手写体数字识别技术的局限性，本文提出了基于小波和RBF神经网络的手写体数字识别方法，即利用小波较强的去噪功能以及RBF神经网络学习快速、容错性较好等优点来解决手写体数字识别的问题。实验表明，该方法的识别正确率较高。     

双通道卷积神经网络在静态手势识别中的应用

针对静态手势识别任务中,传统基于人工提取特征方法耗时耗力,识别率较低,现有卷积神经网络依赖单一卷积核提取特征不够充分的问题,提出双通道卷积神经网络模型。输入手势图片通过两个相互独立的通道进行特征提取,双通道具有尺度不同的卷积核,能够提取输入图像中不同尺度的特征,然后在全连接层进行特征融合,最后经过softmax分类器进行分类。在Thomas Moeslund和Jochen Triesch手势数据库上进行实验验证,结果表明该模型提高了静态手势识别的准确率,增强了卷积神经网络的泛化能力。     

基于双通道空洞卷积神经网络的手势识别

为了提高手势识别过程中识别率,提出了一种基于双通道卷积神经网络(CNN)的识别算法.首先,对原始手势图像进行预处理,得到手部边缘图像;然后,分别选取手势图像和手部边缘图像作为CNN的两个输入通道;最后,在全连接层进行特征融合,并用SoftMax分类器对输出结果进行分类.通过实验证明:该算法能有效提高手势识别率,达到99...     

基于肤色检测与卷积神经网络的手势识别

针对光照变化、背景噪声等复杂环境对手势识别的影响,提出了一种基于YCb Cr空间肤色分割去除背景结合卷积神经网络进行手势识别方法。首先根据人体肤色在YCb Cr颜色空间中的聚类效果,采用基于椭圆模型的肤色检测方法进行手势分割;然后对分割后的手势图像提取骨架与边缘相融合的手势特征图;再通过深层次的Alex Net卷积神经网络结构,对经过融合的手势特征图进行识别。实验结果表明,针对复杂的背景环境,该算法具有较强的鲁棒性,在不同数据集下对手势的平均识别率提升了4%,可以达到99.93%。     

奇异值和RBF神经网络的彩色人脸识别

目前已有研究表明,相对于灰度图像,利用图像的彩色信息能改进人脸图像的识别率。但近年来的彩色人脸识别研究较少。提出了一种基于奇异值向量和RBF神经网络的彩色人脸图像识别方法。首先说明了彩色图像的奇异值向量具有代数和几何不变性,再将降维的奇异值向量作为图像的特征,然后应用RBF神经网络进行训练和识别。实验表明该方法的识别率为95%左右,是一种有效的彩色人脸识别方法。     

基于RBF神经网络的汉字粗分类方法

粗分类是提高汉字识别速度的主要手段。将RBF（Radial Basis Function neural network）神经网络用于汉字粗分类,采用汉字四边码和粗网格作为汉字粗分类的特征以进行比较。分别对GB2312-80一级字库印刷体及手写体进行实验,实验结果表明将RBF神经网络用于汉字粗分类比通常使用的欧式距离作为分类器有较好的性能。     

基于RBF神经网络的射频功放行为模型研究

为了设计和优化高线性功率放大器和通信子系统,在系统级仿真中,构建功率放大器精确的行为模型是极为重要的。应用实际功率放大器晶体管测试板,通过ADS（Advanced Design System）仿真得到大量功放输入输出数据,建立了一个基于RBF（Radial Basis Function）神经网络的行为模型,给出了RBF 神经网络的结构设计及K-均值聚类算法和共轭梯度优化算法,并进行了模型检验。结果表明,基于RBF神经网络的功放行为模型具有较高的精度,相对于BP 神经网络模型具有更高的逼近能力和速度。     

基于RBF神经网络的赤潮预测方法

赤潮是一种由多因素综合作用引发的生态异常现象,具有突发性及非线性等特点。对其进行预测预报一直是海洋科学研究的热点。简要介绍了RBF神经网络的基本原理,探讨了应用该人工神经网络进行赤潮预测的方法。利用RBF神经网络模型对赤潮灾害监测数据进行仿真实验,并对结果进行了分析。     

基于改进RBF神经网络的入侵检测研究

近年来,神经网络技术在入侵检测中得到了广泛应用,其中最具代表的是BP神经网络,但其本身所具有的局部极小性质限制了检测性能的提高。RBF神经网络在一定程度上克服了BP神经网络存在的问题,但如何确定一个合适的RBF网络隐层神经元中心个数又是保证其应用效果的关键之一。因此,将基于熵的模糊聚类和RBF神经网络相结合,提出了基于EFC的改进RBF神经网络算法,并将该方法应用于入侵检测研究。实验表明,该算法可以获得满意的性能。     

一种基于改进k-means的RBF神经网络学习方法

针对传统RBF神经网络学习算法构造的网络分类精度不高,传统的k-means算法对初始聚类中心的敏感,聚类结果随不同的初始输入而波动。为了解决以上问题,提出一种基于改进k-means的RBF神经网络学习算法。先用减聚类算法优化k-means算法,消除聚类的敏感性,再用优化后的k-means算法构造RBF神经网络。仿真结果表明了该学习算法的实用性和有效性。     

改进并行粒子群算法优化RBF神经网络建模

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法（Improved Parallel Particle Swarm Optimization,IPPSO）。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。     

PSO-RBF神经网络在电机保护中的应用

针对电机保护只在被测参数达到或者超过设定动作阈值才动作,缺乏预测控制能力,设计了一种基于粒子群的径向神经网络。利用小波变换的时频分解能力、优异的奇异检测能力进行故障特征分量的提取;用粒子群算法和径向神经网络配合优化权重,从而使网络收敛快,训练时间短。通过电动机故障进行仿真实验,结果表明PSO-RBF神经网络实现了对故障的识别。     

未知非线性系统自适应改进RBF滑模控制

针对一类未知的非线性系统,利用输入/输出线性化将其变换为部分线性可控系统,通过RBF神经网络对未知非线性函数进行逼近,提出了一种基于RBF神经网络的自适应滑模控制,并设计了自适应滑模控制器;提出了一种连续函数,很好地减少了抖振现象,使得闭环系统状态一致稳定最终有界。实验结果验证了方法的有效性。     

基于特征提取和RBF神经网络的ECT流型辨识

针对传统ECT流型辨识方法效率低的问题,提出了一种基于特征提取和径向基函数神经网络相结合的ECT图像流型辨识的方法,该方法通过对各种特征参数的定义,完成对ECT系统测得的电容值进行特征提取,然后将提取的特征值作为RBF神经网络的输入完成流型辨识。仿真和实验结果表明,与基于BP神经网络的图像流型辨识方法相比,该方法具有识别速度快和效率高等优点,为ECT图像流型识别的研究提供了一个新的思路。