不变性识别的神经网络方法分析

对不变性，特别是对变换群下的不变性的认知，是神经网络研究中最重要也是最困难的问题。本文中，首先回顾了用神经网络实现对变换群下的不变性认知的方法，同时指出这些方法的主要缺点所在。然后讨论实现神经网络对不变性认知的可能方法与途径。     

基于旋转不变性小波矩的神经网络飞机识别

介绍一种新的基于神经网络的旋转不变性目标识别方法。不变性特征是图象小波变换所得的模值。网络是采用ＢＰ算法的３层前馈网络，实验表明该方法具有良好的效果。     

基于旋转不变性小矩的神经网络飞机识别

哈尔滨一种新的基于神经网络的旋转不变性目标识别方法。不变性特征是图象小波变换所得的模值。网络是采用ＢＰ算法的３层前馈网络，实验表明该方法具有良好的效果。     

基于旋转不变性的人脸定位识别研究

系统在人脸定位的算法基础上,对人脸识别的技术和方法进行讨论,建立图像信息结构的简化模型,在完成皮肤过滤、瞳孔定位和口鼻定位等步骤之后,进行口鼻模式匹配、口鼻直方图匹配、灰度识别、以及直方图识别,并对这一系列算法进行组合和优化,得到旋转不变性的相同人脸标记,使得人脸定位和人脸识别拥有进一步的解决方案.     

具有旋转不变性的图象骨架变换

本文在详细研究数字形态学求取目标图象骨架的基础上，根据形态学距离的定义提出了一种特殊的结构元素设计方法，使得形态学骨架变换具有旋转不变性，同时提高了计算效率，使之适用于实际的模式识别和计算机视觉匹配。     

图形的运动——平移、翻折、旋转多媒体教学设计

培养学生运用所学知识解决现实生活、生产中的实际问题的能力，是教学的根本目的，初中阶段的“图形的三大运动”恰恰与生活联系十分紧密，同时为响应上海市二期课改的精神，新编教材对此部分的教学，就以“图形运动”为手段，以简单说理为基础，再加上近年来中考试题也突破了旧有的静常量模式、     

图形识别的神经网络方法

神经网络是当今人工智能的一个重要方面．本文对人工神经网络用于图形识别，尤其是在干扰环境下的识别能力进行了研究．通过对一组图形符号的训练识别，讨论了外加噪声与网络内部噪声对识别功能的影响，同时提出了一个ＢＰ网络训练的改进算法．     

一个具有较好应用前景的图形识别软件

一、引言图形处理是随着计算机技术的发展而开拓出来的计算机应用领域,这就是将图形转换成一个数据矩阵存放在计算机中并对之进行处理。计算机图形处理技术是70年代初期在遥感图片和生物医学图片分析两项应用技术取得卓有成效的成果以后开始崭露头角的,并延伸至文件处理、考古、显微图形、放射图形、工业检测、机器人视觉、制导、高空侦察、计算机多媒体技术等多种领域。     

具有旋转不变性的纹理分割方法

本文提出了一种具有旋转不变性的纹理分割算法.纹理图象被模拟为三层次过程综合作用形成的,它们是区域过程、纹理过程和退化过程.整个方法包括具有旋转不变性的纹理特征抽取、纹理特征的光滑、基于三层次神经元网络的初始分割以及利用多值Boltzmann机的进一步分割.对自然纹理图象的分割结果证明了算法的有效性.     

具有旋转不变性的异形模板匹配方法

针对工业自动装配产品过程中异形工件出现旋转后的定位问题,提出一种新的异形目标识别方法,设计基于目标轮廓的同心等势线异形模板,并结合圆投影方法,能快速有效地实现计算机对异形目标的自动识别与定位。研究结果表明,该方法可以准确地实现不规则目标的旋转变化识别,同时可以有效地解决存在亮度变化、对比度变化、噪声干扰等情况下的异形目标的匹配问题。     

基于FP算法的神经网络综合方法

本文应用ＦＰ算法，给出神经网络两个常用的综合方法：合并法与递归法，并通过具体实例，介绍这些综合方法的基本思想。     

多层前馈模糊神经网络进行图像识别

神经网络和模糊技术在模式识别领域中已有了广泛应用,两者有着各自的优势。针对神经网络模式识别中所遇到的问题,为了进一步提高分类器在样本分布不清晰情况下的识别能力,本文提出了两各将模糊机制引入神经网络的方法－输入模糊化方法和隐层模糊化方法,并在此基础上分别构造了模糊神经网络。实验结果表明,模糊神经网络较好地结合了神经网络和模糊技术的优点,取得了比传统网络更好的识别结果。     

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．     

模糊神经网络在条形码识别中的应用

本文把模糊集合论的知识应用于自组织神经网络,提出一个模糊神经网络算法。新算法克服了一般神经网络方法共同面临的学习时间长、对网络参数敏感的弱点,广泛适用于一般的模式识别问题。对条形码识别问题的应用情况表明,新算法无论在网络学习的速度上还是在识别结果上都优于Ｋｏｈｏｎｅｎ的自组织神经网络方法。     

XOR和XNOR门的神经网络

M.L.Bushnell教授在[1]中分别给出了一个XOR和XNOR门的神经网络.本文推广了他的结果,给出了XOR和XNOR门的所有部分对称和全对称神经网络.从而,拓广了神经网络在电路模拟和自动故障模型生成中的应用范围.     

用遗传算法优化神经网络结构

本文介绍了一种用遗传算法对神经网络和连接权值同时优化的方法，该神经网络的神经元节点可以一定程度地反馈连接，再通过基因链矩阵把神经网络的结构完整地表示，遗传进化学习后，最优个体是结构最优的神经网络，使用该方法可以设计出结构未知的神经网络，本文最后对ＸＯＲ问题进行了计算。     

基于非线性时序模型的神经网络图形识别方法

提出了复数域非线性指数自回归(CNEAR)图形轮廓建模方法.构造了用于CNEAR模型参数估计的神经网络模型,利用该网络可解决非线性参数的估计问题.CNEAR模型参数具有平移、旋转和比例不变性并与计算起始点的选择无关.基于模型参数构造了特征向量,并设计了复数神经网络分类器,给出了复数神经网络学习算法.实验结果表明CNEAR模型在较低阶次即能获得较高的识别率,CNEAR模型对带噪声图形及形状差别较小图形的识别效果要好于复数域自回归模型方法.     

神经网络BP学习算法动力学分析

研究神经网络BP学习算法与微分动力系统的关系.指出BP学习算法的迭代式与相应的微分动力系统数值解Euler方法在一定条件下等价,且二者在解的渐近性方面是一致的.给出了神经网络BP学习算法与相应的微分动力系统解的存在性、唯一性定理和微分动力系统的零解稳定性定理.从理论上证明了神经网络的学习在一定条件下与微分动力系统的数值方法所得的数值解在渐近意义下是等价的,从而借助于微分动力系统的数值方法可以解决神经网络的学习问题.最后给出了用改进Euler方法训练BP网的例子.     

视觉运动信息处理神经系统

运动判决需要使用整体性质．本文建立了一个神经系统，并给出了该神经系统实现图象区域运动判决的原理．该系统的特点是从整体性质出发来判决和表示运动信息．这个系统主要采用的神经机制是：信息分类表示和信息分类加工；依据简单特征的运动匹配；不同信息之间的竟争与合作；神经活性的扩散、集中和阻挡．