肝脏磁共振图像的混合聚类分割

针对医学图像的自动分割,提出一种混合聚类方法.在对图像预处理后,将每个像素的邻域特征向量送入自组织特征映射网络(SOM)中进行训练.作为初步聚类的结果,SOM的输出典型向量根据命中图过滤,由层次合并聚类方法进一步处理.采用图像分割量化指数来确定聚类的最佳类别数;通过后处理得到最后分割结果,分析表明该方法是有效的.     

基于BP神经网络的图像分割实现

运用BP神经网络方法对图像进行分割。对神经网络进行训练以确定节点间的连接和权值,再用训练好的神经网络对新输入的图像数据进行分割。实验表明:该算法能够有效地分割图像,图像分割边缘清晰,在处理图像中由于信息不足而产生的模糊不确定问题时更加符合实际。     

基于粒子群神经网络的细胞图像分割方法

为了更好地分割细胞图像,对传统的BP神经网络进行改进：首先将输入神经元设置为一个3×3窗口,以代替传统的单像素通道;其次采用一种基于信息熵的方法估计隐层神经元的个数;最后采用一种改进的PSO算法来保证网络权值收敛到最优。对血细胞和肠细胞的分割结果表明,本文方法得到的隐层神经元数大幅减少,误判率也优于BP与LM算法,耗时较BP算法少且近似接近LM算法。本文提出的估计隐层神经元的方法有效,且改进的PSO算法能够跳出误差函数局部极小点,收敛到全局最小点。     

利用小波能量特征的增长型自组织神经网络同调机组分群方法

提出了一种利用小波变换多尺度空间能量分布特征的自组织神经网络同调机组分群方法。首先改进了同调机群识别判据,然后利用小波变换的多尺度空间能量分布特征提取方法,对机组功角摇摆曲线提取特征,将时域特征、频域特征及小波能量特征构成的综合向量,作为增长型自组织神经网络的输入,通过调节阈值λ,得出不同精度的分群结果。最后在IEEE-39节点系统上对只考虑时频域特征和同时考虑小波能量特征、时频域特征的同调机组识别结果进行了对比分析,最终表明同时考虑小波能量特征、时频域特征的分群结果具有更高准确性。     

基于小波变换和贝叶斯理论的图像分割算法

基于非下采样小波变换和贝叶斯分类理论的图像分割算法,在处理可见光图像时,容易受到噪声的干扰,而且,原算法在计算最大局部最小点时易产生偏差,从而影响分割效果。因此,本文首先使用滤波器滤除噪声,然后对原来的最大局部最小点的计算方法进行了等价变换,并调整了分割阈值以纠正由于对图像进行小波变换造成的灰度偏移,最后利用数学形态学运算对分割后的图像进行处理以消除孤立点,仿真结果表明改进算法分割效果较好。     

图像分割方法综述

本文对图像分割的分类、常用方法,尤其是最近几年图像分割领域出现的新方法,新思路,或者一些经典方法的改进做出比较全面的综述     

基于自组织映射神经网络的滚动轴承故障诊断方法

滚动轴承故障的准确诊断是保障旋转类设备安全稳定运行的关键.为提升轴承故障诊断的准确性,提出一种基于自组织映射神经网络的故障诊断方法.首先,分别提取轴承运行过程中产生的振动信号时域特征和频域特征;然后,利用SOM具有的自组织特性,将特征向量输入SOM网络进行无导师自学习,以构建可视化的故障诊断模型.试验分析表明,该方法可...     

基于小波和过程神经网络的时序聚类分析

针对时序背景下的聚类问题,提出一种基于小波和改进自组织过程神经网络的时序聚类方法,首先应用小波变换对原时序数据进行小波分解,在保留相关聚类特征的原则下,对信号进行重构;然后将重构信号拟合为时变函数作为过程神经网络的输入,应用改进的竞争算法训练自组织过程神经网络,利用过程神经网络输入为时变函数的特点,将经过小波处理后的时...     

基于小波神经网络的电容层析成像图像重建算法

电容层析成像(electrical capacitance tomography,ECT)技术是一个复杂的非线性问题,针对图像重建问题的病态性,提出了基于小波神经网络的图像重建算法。利用主成分分析法对输入变量(电容测量值)进行降维处理,利用小波神经网络建立电容测量值与成像区域介电常数分布的非线性映射。小波神经网络的神经元激励函数由伸缩和平移因子决定的小波基函数,采用BP算法对网络进行训练,并引入学习率与动量因子的自适应调整方法以加快网络训练的收敛速度。实验结果表明,与典型的反投影及Landweber迭代算法相比,该算法所构图像质量有明显改善。     

肝脏MR图像的初步分割

为实现肝脏磁共振（Magnetic Resonance,MR）图像分割,在四叉树分裂方法的基础上,通过删除一J、区块和填充孔洞的操作,得到初步的MR图像分割结果。处理结果表明该方法的可行性,并为后续的精确分割奠定基础。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

基于小波神经网络的时变谐波信号检测

电力系统中存在大量的由于非线性器件对电网电压电流整流、逆变而产生的时变谐波。该文提出使用小波神经网络(wavelet neural network,WNN)算法对这一类谐波进行检测。利用小波变换的时频聚焦特性可得出信号的时变信息;将小波对信号的自适应时频分割特性引入神经网络,提高神经网络的逼近和收敛性能;给出网络参数的选定方案;确定网络的训练算法;分析算法的时效性;并与其它检测方法做出比较。经仿真试验表明,该文所述的方法提高了检测的精度和效率。     

基于小波神经网络的中长期电力负荷预测

电力系统负荷预测是1项复杂的系统工程,其不仅涉及的领域广泛,而且不确定性的因素较多。文中在传统BP神经网络算法、改进型BP神经网络算法基础上,将BP神经网络与小波分析相结合,构建了小波神经网络模型,然后分别应用BP神经网络、改进型BP神经网络和小波神经网络对宁夏石嘴山地区电力负荷进行了中长期预测。通过对比分析表明,采用小波神经网络获得的预测数据比前2种方法获得的预测数据误差均要小。这说明了小波神经网络的预测结果更加准确,即采用BP神经网络与小波分析相结合的方法比单纯地采用BP神经网络算法进行电网负荷预测的效果更佳     

基于小波神经网络的配电网故障类型识别

为准确可靠地识别配电网故障类型,应用小波变换技术对故障信号进行预处理,滤除其中大量的谐波和非周期分量,准确地提取工频信息构成神经网络的训练样本集,通过构建小波神经网络实现配电网故障类型的识别。仿真测试表明,此网络模型收敛速度快,并能在各种故障模式下准确实现故障类型的识别,不受故障过渡电阻、系统运行方式以及故障点位置等随机因素的影响。     

基于小波神经网络的直线电动机控制系统性能改善

基于小波神经网络具有小波分析的时频局部性和神经网络的自学习、自适应、自组织的能力,以及良好的容错和逼近的功能,将其用于提高直线电动机的控制系统性能.为精确观测直线电动机的磁链,利用小波神经网络准确辨识初级绕组的阻值,改善直接推力控制系统的低速性能.仿真结果表明该辨识系统跟踪初级绕组阻值的效果良好,带阻值辨识的直接推力控制系统的性能得到了改善,同时提供一种新的设计思路来弥补直线电动机低速性能的缺陷.     

基于小波和神经网络的齿轮箱故障诊断

本文对齿轮箱故障诊断特点和方法进行分析,并举例介绍了小波变换在齿轮箱故障诊断中的应用。利用小波变换对齿轮箱工况信号进行分解,重构以及提取细节信号包络谱,快速准确判断出齿轮箱设备运行状态是否异常,并利用BP神经网络进行故障诊断定位,比传统方法更有效。     

基于小波神经网络的PWM整流器电流检测算法

针对三相PWM整流器的d-q控制算法对网侧电流瞬时值进行高精度采样的要求,提出一种基于小波神经网络的网侧电流数字化检测算法.该算法结合了神经网络的函数逼近能力和小波变换的良好局部特性及多分辨率特性,使网络能根据数据的分布情况以不同的分辨率进行学习,从而使网络具有更灵活有效的函数逼近能力.仿真和实验结果表明,采用该方案进...     

基于小波—BP神经网络的短期风电功率预测方法

建立风电功率预测系统并提高其预测精度是大规模开发风电的关键技术之一。基于数值天气预报,建立了反向传播（BP）神经网络风电功率预测模型,并采用某风电场实际数据分析了影响该模型预测精度的因素。针对原始风速及功率序列日特性不明显、BP神经网络不能完全映射其特性的缺陷,提出了一种基于小波—BP神经网络的预测模型。该模型利用小波...