微分几何编码识别物体的形状

为更好地识别目标形状,编码方法需要对目标的刚体变换具有不变性,同时最大限度保持目标的原有信息。鉴于刚体平面曲线作变换时其曲率的不变性,提出了基于轮廓曲率提取的目标边界编码方法,并对此方法实施了离散化处理。提出了基于改进的KMP算法（D.K.Knuth,V.R.Pratt和J．H．Morris）的曲线匹配方法,并对目标轮廓的重建作了描述。实验证明,利用微分几何的思想描述目标边界,提取方法简单,存储量小,其编码针对目标刚体变换具有不变性,为识别提供了较大的方便。     

多层反馈神经网络的FP学习和综合算法

本文给出多层反馈神经网络的ＦＰ学习和综合算法，并讨论此类网络的性质，指出将它应用于聚类分析能给出不粒度的聚类，且具有收敛速度快（是样本个数的线性函数）、算法计算量少（是样本个数和输入、输出维数的双线性函数）、网络元件个数少、权系数简单（只取３个值）、网络容易硬件实现等优点．作为聚类器的神经网络的学习和综合问题已得到较圆满地解决.     

融合STN和DenseNet的深度学习网络及其应用

图像识别是计算机视觉的重要分支之一，具有重要的理论和实践意义。近年来，以深度卷积神经网络为代表的图像分类方法被成功地应用到各个领域。针对神经网络对输入数据敏感、训练时间长等问题，结合空间映射网络（Spatial Transform Network，STN）和密集神经网络（Dense Neural Network，DenseNet）两者的特性，提出一种新型网络结构ST-DenseNet。该网络能够对输入图片作不变性归一化处理，解决数据敏感问题的同时提高图像识别效果。在树种叶片公开数据集Leafsnap上实现了90.43%的识别准确率、87.75%的召回率和89.07%的F-Measure的实验结果，模型ST-DenseNet明显优于其他网络模型。     

基于区域CSIFT特征的目标识别算法

无重叠多摄像机监控系统在使用局部形状特征进行目标识别时,会忽略颜色信息,且对光学变换具有不稳定性.为此,提出一种基于区域彩色尺度不变特征变换的目标识别算法.通过修正的双色反射模型,提取对光照特性和物体几何特性具有不变性的颜色特征,得到尺度不变特征变换描述予,利用颜色特征和形状特征建立目标模型.实验结果表明,该算法对刚体和非刚体目标的识别都能取得较好的效果.     

一种航空照片中的小目标识别方法

提出了一种能够从具有复杂背景的航空照片中识别出小目标的模式识别方法。此方法先对图象进行二值化，其中二值化所需的门限值是通过对图象的灰度直方图进行形态滤波并结合小波变换而得到的，然后从二值图象中提取出各非零区域，接下来对原始图象中与这些区域位置对应的灰度区域进行第二次门限化，最后对各小二值图象块进行平移、尺度和旋转不变性变换，求出每个变换图象块的ｎ阶几何矩做为其不变性特征输入ＢＰ网完成各目标的识别。     

基于三阶累积量的图象特征提取新方法

利用高阶累积量（ＨＯＳ）的性质推导出了一种根据三阶累积量求图象特征集的“不变性”算法。得出的二维特征集，不但具有对图象的平移、旋转和比例变化的不变性、对附加高斯噪声的抑制作用、不存在相位丢失问题（它是关于图象信息的全描述），而且不需要进行对数坐标的傅氏变换，因而计算简化、实时性高。仿真试验结果证明了该方法的有效性     

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。     

基于小波神经网络的人脸识别

利用最近在小波变换、人工神经网络和证据理论上取得的进展来进行人脸图像的识别。由于小波变换在时间和频率空间具有良好的定位特性，使小波神经网络可对输入、输出数据进行多分辨的学习训练。将小波变换和反向传播神经网络理论结合，设计一种小波神经网络结构，介绍了神经网络的数学框架和该网络的学习算法，把此算法用到人脸识别中，实验结果证明小波神经网络在人脸识别中收敛速度快、识别率高。     

用于图象目标识别的神经网络方法

９５０１７用于图象目标识别的神经网络方法／／系统工程与电子技术－１９９４（９）．－４７～５６提出一种全局最优的神经网络（ＦｕｌｌＤｏｍａｉｎＯｐｔｉ－ｍｕｒｎＮｅｕｒａＩＮｅｔｗｏｒｋ）模型用于目标识别。通常所设计的神经网络不能保证全局最优，使得网络...     

Periodic symmetric functions, serial addition, and multiplicationwith neural networks

This paper investigates threshold based neural networks for periodic symmetric Boolean functions and some related operations. It is shown that any n-input variable periodic symmetric Boolean function can be implemented with a feedforward linear threshold-based neural network with size of O(log n) and depth also of O(log n), both measured in terms of neurons. The maximum weight and fan-in values are in the order of O(n). Under the same assumptions on weight and fan-in values, an asymptotic bound of O(log n) for both size and depth of the network is also derived for symmetric Boolean functions that can be decomposed into a constant number of periodic symmetric Boolean subfunctions. Based on this results neural networks for serial binary addition and multiplication of n-bit operands are also proposed. It is shown that the serial addition can be computed with polynomially bounded weights and a maximum fan-in in the order of O(log n) in O(n/log n) serial cycles. Finally, it is shown that the serial multiplication can be computed in O(n) serial cycles with O(log n) size neural gate network, and with O(n log n) latches.     

Intelligent diagnosis method for rolling element bearing faults using possibility theory and neural network

This paper presents an intelligent diagnosis method for a rolling element bearing; the method is constructed on the basis of possibility theory and a fuzzy neural network with frequency-domain features of vibration signals. A sequential diagnosis technique is also proposed through which the fuzzy neural network realized by the partially-linearized neural network (PNN) can sequentially identify fault types. Possibility theory and the Mycin certainty factor are used to process the ambiguous relationship between symptoms and fault types. Non-dimensional symptom parameters are also defined in the frequency domain, which can reflect the characteristics of vibration signals. The PNN can sequentially and automatically distinguish fault types for a rolling bearing with high accuracy, on the basis of the possibilities of the symptom parameters. Practical examples of diagnosis for a bearing used in a centrifugal blower are given to show that bearing faults can be precisely identified by the proposed method.     

A new self-routing multicast network

In this paper, we propose a design for a new self-routing multicast network which can realize arbitrary multicast assignments between its inputs and outputs without any blocking. The network design uses a recursive decomposition approach and is based on the binary radix sorting concept. All functional components of the network are reverse banyan networks. Specifically, the new multicast network is recursively constructed by cascading a binary splitting network and two half-size multicast networks. The binary splitting network, in turn, consists of two recursively constructed reverse banyan networks. The first reverse banyan network serves as a scatter network and the second reverse banyan network serves as a quasisorting network. The advantage of this approach is to provide a way to self-route multicast assignments through the network and a possibility to reuse part of network to reduce the network cost. The new multicast network we design is compared favorably with the previously proposed multicast networks. It uses O(n log² n) logic gates, and has O(log² n) depth and O(log² n) routing time where the unit of time is a gate delay. By reusing part of the network, the feedback implementation of the network can further reduce the network cost to O(n log n)     

基于神经网络的增量式数据索引机制研究

为了解决难以利用MDS方法进行有效的增量式数据索引的问题。本文提出了基于神经网络的增量式数据索引方法。该方法首先对少量数据用MDS方法进行索引，索引结果用于训练神经网络，新数据再通过训练后的神经网络进行索引，利用训练后的神经网络对增量数据进行索引的时间复杂度为O(n)。实验结果表明，本文防哪个法可以有效的进行增量式数据索引，并交好的保持了数据对象间的距离信息。     

基于SAE和LSTM的下肢外骨骼步态预测方法

提出一种基于栈式自动编码器（Stacked Auto Encoder,SAE）和长短时记忆（Long Short-Term Memory,LSTM）神经网络相结合的步态预测方法解决下肢外骨骼机器人跟随控制问题。人体在行走过程中下肢步态具有一定的周期性,通过将下肢运动信息作为输入,步态作为输出,构建SAE-LSTM神经网络模型,并利用Keras对SAE-LSTM神经网络进行搭建和验证。实验结果表明,SAE-LSTM神经网络根据之前时间段的步态序列有效地预测出下一时刻的步态信息,平均准确率能够达到92.9%以上。     

概率神经网络故障诊断的粗糙集优化方法

针对径向基概率神经网络故障诊断输入量过多会影响网络学习效率的问题,提出了一种基于粗糙集的概率神经网络故障诊断优化方法.该方法用模糊C均值聚类将故障诊断训练数据离散化,使用粗糙集化简由输入输出属性构成的决策表,利用约简后的输入量重新构建神经网络故障诊断模型,使原有模型得到优化并以柴油机故障诊断为例说明该方法的有效性.     

胸鳍推进型机器鱼的CPG 控制及实现

结合仿生游动机理,针对胸鳍推进型机器鱼提出了一种基于中枢模式发生器（CPG）的运动控制方法． 该模型采用一类振荡频率和幅值可以独立控制的非线性微分方程作为其神经元振荡器模型,通过最近相邻耦合的方 式,对n 个这样的神经元振荡器进行耦合,构建了仿生机器鱼的CPG 网络模型．证明了此模型单个神经元振荡器的 极限环的存在性、唯一性及稳定性．在此基础上,通过对胸鳍推进的运动学分析,导出机器人直游、倒游、胸鳍—尾 鳍协调运动等多种模式的运动控制方法．仿真及实验结果验证了此中枢模式发生器模型的可行性与所提控制方法的 有效性．     

基于改进BP神经网络的某型装备故障诊断专家系统

分析神经网络和专家系统的特点．提出基于BP神经网络与专家系统结合的某型装备的故障诊断方法,构造BP神经网络的装备故障诊断专家系统的诊断模型,克服传统专家系统在知识获取和表达的薄弱环节,并用某型装备的故障实际数据进存验证,结果表明神经网络与专家系统结合是一种有效的诊断方法。     

神经网络方法求解Gabor展开系数

在离散序列的Ｇａｂｏｒ展式的统一框架下，对周期（或有限）的离散信号在特征抽样情况下的Ｇａｂｏｒ系数用神经网络进行求解，本文构造了神经网络模型，给出了两种实现算法，模拟实验结果说明该方法是有效的。     

径向函数网络对国民经济生产总值预测研究

为了建立国民经济生产总值（GDP）神经网络预测模型,构造了双层网络结构的基于径向基网络,通过学习训练,确定径向基数神经网络参数和结构。仿真结果表明,生成的径向基函数模型应用于国民经济预测比BP神经网络模型具有更高的预测精度和良好的泛化能力。