基于BP神经网络的水中目标声音特征信号分类研究

本文采用了BP神经网络在声音识别分类方面的相关技术,针对不同水中的航行体的声学特点,构建了BP神经网络。将已知的四类声音信号中的一部分作为训练样本对神经网络进行了训练,最终获得了成熟的神经网络,经验证该网络可以很好的对不同水声目标的声学信号特征进行分类识别,利用该方法可以有效提高侦测设备对目标的识别能力。     

小波变换提取的胎动信号的神经网络识别

胎动监护是预防围产期胎死的一项重要手段。本文介绍了一种用小波变换实现胎动信号滤波并利用BP神经网络识别胎动以实现胎动自动监护的方法,其中胎动信号利用压力传感器从孕妇腹部获取。通过使用所设计的分类系统对13例共260min的腹部胎动信号进行识别,总的正确率达90．05％。从实验结果看,本方法效果令人满意。     

基于BP神经网络的车型识别研究

车型识别是智能交通系统中的一个重要组成部分,近年来已成为国内外研究热点之一.提出一种基于特征提取的车型识别方法,该方法对车辆图像进行预处理,通过图像边缘检测、图像纵横填充、图像修正方法进行车型特征值提取,得到车型分类特征字空间,利用BP神经网络进行车型分类识别.实验结果表明,该方法高效可行,并对低质量和背景复杂图像有着良好的处理效果.     

基于BP神经网络的电除尘火花放电识别

针对高压静电除尘中会发生火花放电现象,降低除尘效率、损坏设备的问题,提出了根据火花放电造成的声音进行火花识别的方法,利用MEMS（Micro-Electro-Mechanical System）数字麦克风采集声音信号,分析了火花放电声音的短时能量、短时过零率、线性预测倒谱系数和梅尔频率倒谱系数（MFCC）.建立BP神经网络识别系统,选用不同特征向量进行实验.研究结果表明：使用MFCC系数结合短时能量和短时过零率能提高识别率,对纯净样本的识别率高达96%,且用火花放电瞬间两帧数据作为火花样本进行BP神经网络训练能大幅度提高识别系统的鲁棒性,对非纯净样本的识别率高达95%.     

基于车型识别的BP算法Matlab实现

车型识别具有广阔的应用前景,BP神经网络在车型识别中能够提高车型的识别率。在任何车型大致都可以抽象成一个"工"字型情况下,提取其中的顶长比、前后比和顶高比这三项相对参数作为BP神经网络的输入参数。采用三层3-8-3的BP神经网络,并用14对输入参数离线训练,再用4对新数据进行检验,均得到了预想的期望值。     

基于改进学习的BP网络声音特征信号识别

建立了一个三层前向神经网络对四种声音信号进行识别分类,网络采用改进学习的BP算法训练,即在最速下降法训练的基础上,引入了MOBP动量因子和学习率调整.仿真验证结果表明,所设计的BP网络识别分类误差小,识别正确率高.     

基于BP神经网络的人脸表情识别

在BP神经网络及算法的基础上,提出了将其用于人脸表情识别的方法,不对人脸表情图像作特征提取,直接把图像数据作为神经网络识别器的输入.利用Matlab完成了网络的训练与测试.结果表明,本方案简单、快速、正确率高、识别时间短、泛化能力较强,可满足实时处理要求.     

基于LSTM神经网络的声发射信号识别研究

声发射检测不需要进入被检对象中进行检测,与其他无损检测技术相比具有实时性、整体性和高灵敏度等独特优势.早期参数分析、小波分析等方法在声发射信号特征提取上缺乏理论指导,具有一定主观性,BP神经网络应用于声发射信号识别中时网络训练容易陷入局部极值,LSTM神经网络可以对输入序列数据进行逐层学习并自适应提取特征,避免了特征的人工选择和提取,较好地解决了存在的问题.文中提出一种基于LSTM的声发射信号识别模型,在声发射信号z-score标准化基础上,对比不同学习算法、隐层神经元数、正则化dropout rate下的测试集正确识别率,优化声发射信号识别模型,与BP神经网络的声发射信号识别准确率进行对比,实验结果表明,LSTM神经网络在Adam算法中,当隐层神经元数为250,dropout rate为0.5时,声发射信号识别率最高且为76.51％,优于BP神经网络53.9％的最高识别率.     

基于超声波测距及BP神经网络的车型识别

车型识别在高速公路收费、停车收费、城市道路监控等诸多领域有着广泛的应用。针对传统车型识别系统存在的识别效率低、结构复杂、安装难度大等问题,提出并实现了一种基于超声波测距及BP神经网络的车型识别系统。该系统以嵌入式微处理器、485总线为核心,运用超声波测臣实现对车辆外形尺寸的检测,并从中提取表征车型的四个参数,通过BP神经网络对所获取的参数进行自动分类识别。实验结果表明,该方法车型识别的正确率在95%以上。     

基于模糊神经网络味觉信号识别的研究

文中提出了一种基于模糊神经网络方法的味觉信号识别模型,利用小波变换实现了对传感器所采集的味觉信号进行数据压缩及特征抽取,以模糊神经网络作为味觉信号的识别工具。     

基于DWT和BP神经网络的人脸识别方法

提出了将人脸图像的离散小波变换DWT和BP神经网络相结合以达到人脸识别的方法。由于离散小波变换具有良好的多尺度特征表达能力,能将图像的大部分能量集中到最低分辨率子图像,高频部分则对应于图像的边缘和轮廓,能很好的表征人脸图像的特征。而BP神经网络具有很强的分类能力,并且可以运用神经网络的学习算法进行学习。实验表明:二者的结合对人脸识别具有计算量小,识别率高的优点,有很强的实用性。     

基于小波变换和BP神经网络的人脸识别方法

提出了将人脸图像的小波分解系数和BP神经网络相结合以达到人脸识别的新方法。针对不同的小波基,对人脸图像作小波分解,并将分解低频系数作为人脸特征送入神经网络进行训练。实验表明,选择恰当的小波基能够达到较高的识别率。     

基于小波和神经网络的车牌字符识别新方法

车辆牌照自动识别（简称车牌识别）是智能交通系统中一项重要的关键技术;首先简要介绍了车牌识别技术饷背景及意义,然后阐述了小波变换和BP神经网络的相关理论和实现细节,最后提出了一种基于小波和BP神经网络的车牌字符识别新方法,并采用了MATLAB数学工具进行仿真;实验结果显示,总的字符识别率为95．8％,平均识别时间21ms,表明该方法具有良好的实用价值,可应用于工程实践中。     

基于BP神经网络的人脸识别研究

为了对人脸图像的特征向量进行分类以达到人脸识别的目的,本文提出了运用BP神经网络进行人脸识别的方法。将人脸图像矩阵的奇异值作为识别特征,将BP神经网络作为分类器,通过实验表明该方法操作性强,结果可靠,可以快速的进行人脸图像识别。     

基于改进的BP神经网络车牌识别的研究

近年来,城市智能交通系统发展的很快,车牌识别系统作为城市智能交通系统中信息采集的一种重要手段,也引起越来越多关注.本文对车牌识别的形态进行深入研究,应用了改进的BP神经网络算法.实验结果显示这个方法可以更高效的识别车牌并且建立一个良好的未来车牌识别技术的基础.     

基于BP神经网络的手写数字识别算法研究

讨论了一个手写数字识别系统的原理及其实现。特征提取的方法是:计算字体轮廓的曲率特征,并在计算曲率的过程中使用了B样条函数;对曲率进行了大小和平移规整化,这样得到的曲率具有大小和方向的不变性。为了得到更紧凑的特征,采用了小波对其进行降维。采用了BP神经网络作为分类器,实验结果表明,对于字形相似的数字也达到了较高的识别率。还简介了识别系统的模块设计和界面设计。     

分块小波特征结合BP神经网络的虹膜识别方法

在对虹膜特征提取时,绝大多数方法是直接对虹膜归一化后的增强图像进行某种变换,为降低虹膜特征维度,同时保证识别效率,提出了对归一化虹膜径向折叠分块、环向周期分块再进行haar小波变换的方法,降低了虹膜区域对噪声的敏感性,在减少虹膜特征维度的同时,保证了虹膜有效特征不被中和。为进一步克服虹膜识别中对旋转的敏感性,采用了周期延拓的小波变换方式提取高频信息。最后利用BP（Back Propagation）神经网络的分类方法,将小波变换后的高频信息直接作为分类器的输入,进一步提高了虹膜识别正确率。实验表明,提出的方法特征点数低至120,正确识别率可达到99.48%。     

基于BP神经网络的手写体数字识别

手写体数字识别是多年来的研究热点,也是字符识别中的一个特别问题。由于手写体数字字体变化很大,传统的识别方法很难达到高的识别率。针对传统的数字识别方法的复杂性和局限性,提出了一种基于BP神经网络的手写体数字的识别方法。该方法在提取手写体数字点特征、笔划密度特征基础上,利用改进的BP神经网络进行训练识别。经实验,识别率达94％。实验结果表明,该方法对手写体数字识别效果良好,不仅简化了传统识别的繁杂性,而且提高了识别的准确性。