基于自组织特征映射神经网络的零件图像的识别

提出了基于小波变换提取零件图像特征和用自组织特征映射神经网络实现识别的方法,首先,对零件图像进行小波多尺度边缘检测,提取零件图像的边缘轮廓;然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量,各子区域中的相对边缘像素系数作为零件的特征,将这些特征作为神经网络的输入样本,由自组织特征映射神经网络实现识别.实验结果表明该方法是有效的.     

基于自组织特征映射网络的车牌照汉字识别

本文介绍了一种基于自组织特征映射网络的车牌照汉字识别方法.自组织网络具有自组织、自适应的学习能力,本文在基于方向数统计特征抽取的基础上,采用自组织特征映射网络分类器,优选网络初始权向量,针对车牌汉字进行识别.实验表明该方法效果良好,正确识别率为99%.     

基于小波神经网络的零件图像特征提取和识别

提出了基于小波提取零件图像特征的方法,该方法是应用小波变换对零件图像进行多尺度边缘检测,将被检测的边缘图像分成若干个子区域,分别统计其中的边缘像素量,各区域中的相对边缘像素系数作为零件图像特征,利用神经网络实现识别.文中给出样本的实验结果,结果表明文中提出的方法是有效的.     

零件图像特征提取和识别的研究

提出了基于小波变换提取零件图像特征和用神经网络实现识别的方法。首先,对零件图像进行小波多尺度边缘检测,提取零件图像的边缘轮廓,然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量,各子区域中的相对边缘像素系数作为零件的特征,将这些特征作为神经网络的输入样本,由神经网络实现识别。3种子区域的不同数量样本的实验结果证明了提出的方法是有效的。     

基于自组织映射神经网络的多目标调度研究

为解决后验式场景下的多目标生产调度问题,提出一种基于自组织映射神经网络的策略来生成近似Pareto边界。该方法首先使用拉格朗日松弛法获得若干Pareto解,从而将搜索范围划分为若干区域。对于每一个区域,构造两个并发运行的自组织映射神经网络搜索区域中的Pareto解,在不增加求解时间的情况下提高了求解精度。另外,根据多目标调度问题的特点,改变了神经网络训练过程中邻域的定义,从而加快了求解速度。仿真实验验证了该算法的可行性与有效性。     

自组织映射神经网络与VIP客户识别研究

根据著名的"帕雷托80/20原理",20%的客户(VIP客户)贡献了公司80%的利润.因此,准确地识别VIP客户对确保企业的收益是至关重要的.本文试图运用自组织映射神经网络聚类分析方法从海量的客户数据中准确地识别VIP客户,并针对VIP客户的消费行为特点提出了一系列相应的营销策略,以规避企业丢失VIP客户的风险、增加VIP客户的忠诚度和使得企业收益最大化.本论文采用自组织映射神经网络聚类识别VIP客户是一种非常有意义的尝试和创新.     

基于自组织映射神经网络的低压故障电弧聚类分析

故障电弧是引发电气火灾事故的主要原因之一。本文将自组织映射神经网络引入故障电弧研究领域,进行不同负荷情况下的故障电弧聚类分析。首先参照美国UL1699标准进行实验采集电流数据,然后利用自组织映射神经网络实现可视化聚类,并结合k均值法确定聚类结果。根据聚类结果分析故障电弧,对比故障与正常时的差异所在,提取故障电弧的典型特征。最后总结出故障电弧电流通常具有电流短时为零、正负半周差异大、幅值变化大等特征,为故障电弧保护技术提供参考。     

自组织神经网络在故障诊断中的应用

自组织特征映射具有自适应、自学习、自组织与联想功能,非常适合于无法进行监督学习庞大机器或系统故障诊断。本文将其应用于结构裂纹的诊断。     

基于映射的图像多角度复小波变换

图像处理已经广泛应用于诸多领域。信号和图像处理领域中非常有用的工具——离散小波变换(DWT)只能从水平、垂直和对角3个方向分解图像,分解的相位信息也相对较少。针对这种情况,提出了基于映射的复小波变换,其展现出了良好的方向性和平移敏感性,相位信息也易于获取且清晰。试验分析结果表明,基于映射的复小波变换能够很好地实现图像的多角度分解和图像完全重构,并且设计容易,其应用前景广泛。     

基于神经网络的回转窑火焰图像分割

回转窑火焰图像的正确分割对于提取回转窑工况参数具有重要的意义。本文研究了多层感知器、径向基函数网络、学习向量量化网络和自组织特征映射网络等四种神经网络在回转窑火焰图像分割中的应用。选取火焰图像的归一化色彩值作为训练样本,分别采用有导师学习和无导师学习两种方法进行训练。对实测图像进行分割的结果表明,本文提出的方法很有效。     

基于证据理论的零件图像识别

从零件图像的小波分解系数和图像相对边缘像素系数作为零件特征的方法出发，提出了基本概率分配构造和多源零件图像特征识别的方法。首先，对多源零件图像分别进行小波分解和多尺度边缘检测，获取零件图像的小波分解系数和相对边缘像素系数。然后，将它们作为神经网络的输入，获取多源零件图像识别的基本概率分配。最后，依据证据理论的合成规则得到零件的识别结果。实验结果表明，所提出的方法是有效的。     

基于证据理论的零件图像识别

从零件图像的小波分解系数和图像相对边缘像素系数作为零件特征的方法出发,提出了基本概率分配构造和多源零件图像特征识别的方法。首先,对多源零件图像分别进行小波分解和多尺度边缘检测,获取零件图像的小波分解系数和相对边缘像素系数。然后,将它们作为神经网络的输入,获取多源零件图像识别的基本概率分配。最后,依据证据理论的合成规则得到零件的识别结果。实验结果表明,所提出的方法是有效的。     

基于HMM的下肢表面肌电信号模式识别的研究

采用隐马尔科夫(HMM)的信号分类识别方法,用以实现下肢步态中各细分动作的更好识别和描述。首先将待分类的肌电信号进行预处理,按等时间间隔对每通道的肌电信号划分不同的段,采用小波变换方法对每个数据段内肌电信号进行多尺度分解,并提取小波分解系数的奇异值构成观察值序列。将步态周期的四种运动模式与HMM状态一一对应,用Baum-Welch算法对HMM参数进行重估训练,再用标定技术处理的前向后向算法和Viterbi算法进行识别,得到的平均识别率高于90%。然后在四种运动模式中分别提取小波特征组成特征编码,送入概率神经网络(PNN)中进行识别。证明HMM的识别效果优于概率神经网络,能够更好地应用于假肢的控制研究。     

人工神经网络在铁谱技术磨粒识别中的应用

铁谱技术在机械设备状态监测中得到了广泛的应用，磨粒识别是铁谱分析的一个关键环节，本文提出了一种基于神经网络的磨粒识别方法，利用前馈型神经网络模型对七种典型磨损磨粒进行了实例分析识别，取得了令人满意的结果。     

竞争型人工神经网络的统计过程控制模式识别

统计过程控制(SPC)在现代制造和服务行业中是最常应用的性能改进工具之一,休哈特控制图作为SPC的基本方法,在质量管理领域得到了充分的应用,但是控制图的识别一直比较困难.为此,将神经网络引入到休哈特控制图中,用神经网络的方法对质量控制中控制图进行了识别,并建立了以竞争型人工神经网络为基础的新的神经网络,判断出控制图中的基本失效模式.     

一种基于RBF神经网络的数字模式识别方法

本文以 RBF网络作为识别模型 ,采用竞争算法 ,提出了一种基于 RBF网络的数字识别方法 ,仿真结果表明此方法具有识别率高 ,识别速度快的优点 ,具有广阔的应用推广价值。     

装配体ICT图象的内外边界识别研究

用小波变换提取装配体ＩＣＴ图象中的边界轮廓,提出基于简单环识别装配体ＩＣＴ图象的内外边界,该算法可用于装配体的结构形状分析并能正确地建立实体模型。     

基于神经网络颜色识别在RoboCup中的应用

提出了在visualC＋＋环境下的基于神经网络颜色识别方法，并将其应用到RoboCup中。该方法首先在visualC＋＋中提取颜色的YUV值，然后设计神经网络并处理YUV值，网络最后输出颜色对应的ID值。该方法极大地提高了颜色提取和识别效率。     

基于BP神经网络的计量器具信息编码识别

根据国家工作计量器具命名与分类代码规范,结合企业实际,选用5层信息混合字符编码方法,形成丰富的质量信息载体;采用CCD传感器接收图像信息、BP神经网络识别的方法,实现计量器具信息自动与人工双重识别功能;结合具体案例进行训练与测试,获得较好的识别精度。