基于人工神经网络的压力传感器三维数据融合

针对压力传感器对温度变化和电流波动的交叉灵敏度问题,采用径向基函数(RBF)人工神经网络法对其进行数据融合处理,详细讨论了网络的训练过程和数据融合过程,消除温度和电流对压力传感器的影响。仿真结果表明:当温度变化48.5℃,电流波动3%时,经RBF神经网络数据融合后,压力波动为0.544%,大大降低了交叉干扰,提高传感器的稳定性及其精度,满足在线融合的需要。     

基于高斯拟合的神经网络血压测量算法

针对示波法血压测量的准确性提出一种改进方法。和以往脉搏波的提取方法不同,采用2个高斯函数之和作为模型对脉搏波包络线进行拟合。以拟合后的高斯函数参数为输入,通过2个前馈神经网络进行收缩压和舒张压的判定。实验表明:和幅度系数法相比,该算法在准确性上有了明显提高。     

基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关，提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响；研究结果表明，利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

多路径卷积神经网络的轮廓感知

目的 引入视觉信息流的整体和局部处理机制,提出了一种多路径卷积神经网络的轮廓感知新方法。方法 利用高斯金字塔尺度分解获得低分辨率子图,用来表征视觉信息中的整体轮廓;通过2维高斯导函数模拟经典感受野的方向选择性,获得描述细节特征的边界响应子图;构建多路径卷积神经网络,利用具有稀疏编码特性的子网络（Sparse-Net）实现对整体轮廓的快速检测;利用具有冗余度增强编码特性的子网络（Redundancy-Net）实现对局部细节特征提取;对上述多路径卷积神经网络响应进行融合编码,以实现轮廓响应的整体感知和局部检测融合,获取轮廓的精细化感知结果。结果 以美国伯克利大学计算机视觉组提供的数据集BSDS500图库为实验对象,在GTX1080Ti环境下本文Sparse-Net对整体轮廓的检测速度达到42幅/s,为HFL方法1.2幅/s的35倍;而Sparse-Net和Redundancy-Net融合后的检测指标数据集尺度上最优（ODS）、图片尺度上最优（OIS）、平均精度（AP）分别为0.806、0.824、0.846,优于HED （holistically-nested edge detection）方法和RCF （richer convolution features for edge detection）方法,结果表明本文方法能有效突出主体轮廓并抑制纹理背景。结论 多路径卷积神经网络的轮廓感知应用,将有助于进一步理解视觉感知机制,并对减弱卷积神经网络的黑盒特性有着重要的意义。     

基于自组织神经网络的多传感器遥感图像融合技术

多传感器遥感图像融合是一种遥感信息综合分析与处理的技术,其研究正成为遥感学科领域的热门课题之一。利用自组织特征映射神经网络具有较好的聚类特性,对多源遥感图像进行高水平的分类与融合。通过对GMS 5卫星图像融合前后性质的比较和融合质量的评估,不难发现:融合后的图像不论在视觉效果上还是在噪声特性上都有了很大的改善。     

基于非下采样contourlet变换与脉冲耦合神经网络的图像融合算法

提出一种基于非下采样contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合算法.该方法首先利用非下采样eontourlet变换对输入图像进行多尺度分解、多方向稀疏分解,准确捕获图像中的高维奇异信息,然后利用脉冲耦合神经网络的同步激发特性确定融合规则,选取融合系数,提高融合性能.实验结果表明,算法比小波变换、contourlet变换有更好的融合性能.     

基于BP网络的厚膜压力传感器非线性校正

简述了厚膜压力传感器结构原理和力学模型、传统非线性校正方法,以及用神经网络进行非线性校正的原理,探讨用BP神经网络实现厚膜压力传感器的非线性校正,并通过MATLAB神经网络工具箱进行仿真。研究结果表明:采用该方法对弹性体应变量与压力关系的非线性校正可以将标准误差减小2个数量级,简单而有效地实现传感器非线性校正。     

基于ANN端元估计的高光谱图像解混算法

针对高光谱图像解混问题进行研究,发现传统解混算法在保持端元数目不变的情况下,得到的解混精度不高。为此,基于人工神经网络（ANN）提出一种估计单像素点中端元数目和类别的解混算法。首先利用人工神经网络对遥感图像中各个像素的端元数目和类别进行估计;之后依据估计结果确定解混算法的目标函数,并引入改进的差分搜索算法对目标函数进行优化求解;最终获取地物丰度和待求参数,实现高光谱图像的解混。仿真数据和真实遥感数据实验表明,与现有的解混算法相比,所提解混算法具有更高的解混性能,更加符合实际场景的情况。     

基于深度神经决策森林的体域网数据融合方法

针对体域网的多传感器数据采集过程中存在的数据冗余大、特征信息模糊问题,提出了一种基于深度神经决策森林（DNDF）的数据融合方法。首先根据目标任务的实际需求,使用卷积神经网络进行相关特征提取,再将决策树放置到全连接层之后进行精细化数据分类。通过使用DNDF方法,不仅能够有效提取多维数据的关键特征,而且能够较好地兼顾数据间的关联性。实验以AReM数据集作为实验样本,结果表明,DNDF方法相对其他传统算法具有更好的分类准确率,分类准确率达到了96.5%。     

基于遗传算法的BP神经网络技术的应用

针对BP网络的不足,提出了基于遗传算法的神经网络技术。将两者有机的融合在一起,充分利用了GA算法的全局搜索能力和BP算法的局部搜索能力,加快了收敛速度,提高了收敛精度,将其应用于高速公路动态称重系统的神经网络控制器的训练中,取得了较好的效果。     

基于快速回归算法的RBF神经网络及其应用

针对径向基神经网络(RBFNN)中存在的径向基函数中心的数F1及其位置难以确定的问题,提出了一种新型的基于快速回归算法(FRA)的RBFNN.采用快速回归算法,不但能够确定RBF的中心和中心个数,而且能够求出隐含层到输出层的权重.通过一元函数拟合和Mackey-Glass混沌时间序列预测的仿真,验证了该网络的有效性与实用性.     

基于卷积神经网络的软硬触觉感知方法研究

智能机器手的应用已经遍布医疗、军工、农业及装配行业等领域.软硬作为物体的重要物理属性之一,对机器手的抓取控制物体有重大影响.在深度学习框架下,基于卷积神经网络提出了用于触觉感知的软硬物体的识别方法.使用薄膜压力传感器采集手指按压软硬物体的数据,建立训练和测试数据集,在Caffe中训练网络,以模拟触觉识别软硬物体.实验结果显示:对软硬物体的识别准确率达94.52%,表明,卷积神经网络对于识别软硬物体有比较好的分类效果.     

结合细粒度特征与深度卷积网络的手绘图检索

目的 传统的手绘图像检索方法主要集中在检索相同类别的图像，忽略了手绘图像的细粒度特征。对此，提出了一种新的结合细粒度特征与深度卷积网络的手绘图像检索方法，既注重通过深度跨域实现整体匹配，也实现细粒度细节匹配。方法 首先构建多通道混合卷积神经网络，对手绘图像和自然图像分别进行不同的处理；其次通过在网络中加入注意力模型来获取细粒度特征；最后将粗细特征融合，进行相似性度量，得到检索结果。结果 在不同的数据库上进行实验，与传统的尺度不变特征（SIFT）、方向梯度直方图（HOG）和深度手绘模型Deep SaN（sketch-a-net）、Deep 3DS（sketch）、Deep TSN（triplet sketch net）等5种基准方法进行比较，选取了Top-1和Top-10，在鞋子数据集上，本文方法Top-1正确率提升了12%，在椅子数据集上，本文方法Top-1正确率提升了11%，Top-10提升了3%，与传统的手绘检索方法相比，本文方法得到了更高的准确率。在实验中，本文方法通过手绘图像能在第1幅检索出绝大多数的目标图像，达到了实例级别手绘检索的目的。结论 提出了一种新的手绘图像检索方法，为手绘图像和自然图像的跨域检索提供了一种新思路，进行实例级别的手绘检索，与原有的方法相比，检索精度得到明显提升，证明了本文方法的可行性。     

基于神经网络与对比度的多聚焦图像融合技术

提出了一种基于小波对比度和神经网络的多聚焦图像融合算法。首先对各源图像进行小波变换,根据变换后系数计算出图像的小波对比度,选取源图像部分区域小波对比度作为前馈神经网络的训练样本,调整神经网络权重;然后用训练好的神经网络组合融合图像的小波系数,对组合后的系数进行一致性校验;最后对该系数进行小波逆变换,得到融合图像。实验结果表明,该算法能够较好地解决多聚焦图像融合问题,生成的融合图像效果优于传统图像融合方法。     

电容式压力传感器温度补偿的RBF神经网络

提出了一种基于径向基函数 (RBF)神经网络的电容式压力传感器温度补偿方法。通过实例说明了这一方法的应用 ,结果表明采用这种方法能在不同的压力下及温度变化较大时 ,对电容式压力传感器进行有效的温度补偿 ,并且能得到很高的补偿精度。     

模拟退火PSO的神经网络的网络流量预测模型

为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性.     

基于可拓神经网络的火灾探测算法

为解决传统单一传感器式的火灾探测器容易造成火灾报警的漏报和误报的问题,采用多传感器信息融合技术,将温度、烟雾浓度和CO浓度等多个参数相结合,进行综合分析,对火灾进行早期预测。采用可拓神经网络作为数据融合算法,以温度、烟雾浓度、CO气体浓度三个物理参量作为输入,以三种火灾预警等级作为输出。通过仿真分析结果表明：火灾正确识别率很高,达到93.9%以上。同时通过与传统BP神经网络的对比,表明可拓神经网络在数据融合的速度和可靠性上有突出的优势,从而使可拓神经网络实际应用于火灾早期预测成为可能。     

基于小波神经网络的压力传感器温度补偿方法

介绍了硅压阻式压力传感器温度误差产生的原因及其特点,在比较了多种神经网络优缺点的基础上,提出了一种利用小波神经网络对压力传感器温度误差及非线性误差进行补偿的方法.该网络与BP神经网络相比,具有更快的收敛速度和更好的补偿精度.经过实验证明:该网络能够有效地补偿压力传感器的温度非线性误差,在-40～60℃范围内,使温度误差从原来的5.4%降到了0.2%.     

基于多特征和深度神经网络的维吾尔文情感分类

针对传统机器学习的情感分类方法存在长距离依赖问题、深度学习存在忽略情感词库的弊端,提出了一种基于注意力机制与双向长短记忆网络和卷积神经网络模型相结合的维吾尔文情感分类方法。将多特征拼接向量作为双向长短记忆网络的输入捕获文本上下文信息,使用注意力机制和卷积网络获取文本隐藏情感特征信息,有效增强了对文本情感语义的捕获能力。实验结果表明,该方法在二分类和五分类情感数据集上的◢F◣▼1▽值相比于机器学习方法分别提高了5.59%和7.73%。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。