基于SOFM神经网络的数字模式识别方法

以一维空间自组织特征映射网络为识别模型，采用两级识别的方法，提出了一种基于自组织网络的数字识别方法，仿真结果表明此方法具有识别率高、识别速度快的优点，具有广阔的应用前景。     

基于SOFM神经网络的数字模式识别方法

以一维空间自组织特征映射网络为识别模型,采用两级识别的方法,提出了一种基于自组织网络的数字识别方法,仿真结果表明此方法具有识别率高、识别速度快的优点,具有广阔的应用前景.     

基于SOFM神经网络的无线传感器网络数据融合算法

为了降低无线传感器网络的通信量,降低能耗,延长网络的生命周期,提出了一种基于SOFM(Self-Organizing Feature Mapping)神经网络的数据融合算法（SOFMDA）,该算法将自组织映射神经网络和无线传感器网络分簇路由协议相结合,使簇中的各个节点完成神经元的工作,按照数据的特征对其进行分类,提取同类数据的特征,将特征数据发送到汇聚节点,从而减少了数据发送量,延长网络的生命期。仿真实验表明,与普通的数据融合方法相比,SOFMDA能够在保证数据准确性的前提下,有效减少网络通信量,延长网络生命期。在文中仿真实验的时间内,达到了LEACH算法性能的1.5倍。     

基于自组织特征映射的网页分类研究

本文提出了一种SOFM（自组织特征映射）与LVQ（学习矢量量化）相结合的分类算 法，利用一种新的网页表示方法，形成特征向量并应用于网页分类中．该方法充分利用了SO FM自组织的特点，同时又利用LVQ解决聚类中测试样本的交迭问题．实验表明它不仅具有较 高的训练效率，同时有比较好的查全率和查准率．     

基于自组特征映射神经网络的虹膜识别算法研究

虹膜识别是一种非侵犯性的身份鉴别技术。本文讨论了虹膜图像定位、归一化和增强等预处理方法,并提出了一种基于神经元网络的虹膜图像识别算法,它是对提取的归一化矩形虹膜纹理数据用训练的自组织特征映射(SOM)神经网络进行虹膜模式识别。实验表明,该方法识别正确率高,效果良好。     

基于自组织特征映射神经网络的矢量量化

近年来,许多学者已经成功地将Ｋｏｈｏｎｅｎ的自组织特征映射（ＳＯＦＭ）神经网络应用于矢量量化（ＶＱ）图象压缩编码,相对于传统的ＫＬＢＧ算法,基于的ＳＯＦＭ算法的两个主要缺点是计算量大和生成的码书性能较差因此为了改善码书性能,对基本的ＳＯＦＭ算法的权值调整方法作了一些改进,同时为了降低计算量,又在决定获得胜神经元的过程中,采用快速搜索算法,在将改进的算法用于矢量量化码书设计后,并把生成的码书用于图象     

基于模糊自组织映射神经网络的故障诊断方法

在研究Kohonen自组织映射网络理论的基础上运用模糊理论方法建立了刹车系统模糊故障诊断模型。该模型只需选择足够的具有代表性的故障样本训练神经网络，将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强、速度快，因此很符合复杂系统的故障诊断。     

基于神经网络的抽油机故障诊断

自组织特征映射网络（Self-Organization Map,SOM）是一种具有强大的自学习功能、良好的自组织性和自适应性的神经网络,能够将输入数据映射到输出神经元阵列中,并保持数据集的拓扑结构和密度分布不变。针对基于传统竞争神经网络的抽油机示功图聚类时分类精度低的缺点,对自组织特征映射神经网络的学习速率和临域的递减方式进行改进,并在Matlab环境下进行仿真验证。仿真结果表明,本文所采取的改进能有效的提高聚类的精度和准确性。     

机械故障模式识别的ICA基神经网络方法

神经网络、特别是基于无导师学习的自组织映射(SOd)网络是一种优良的模式聚类与识别方法，而独立分量分析(ICA)则是一个强有力的非高斯数据分析工具。其中，基于特征矩阵联合近似对角化的JADE算法是一种鲁棒且数值稳定的代数ICA方法，特别适合用于多变量特征抽取。本文首先利用JADE进行不同机械状态模式(包括正常和齿轮点蚀故障状态)的特征提取，随后以此训练某一典型神经网络(如多层感知器、径向基网络或自组织映射网络)，以实现模式的最终分类。借助ICA及基于残余互信息(RMI)的二次特征抽取策略，隐藏于多通道振动观测中的高阶特征得以有效提取，从而实现机械状态模式的准确识别。对照分类实验结果表明，基于ICA—SOM分类方法不仅具有较好的故障模式分类能力，且实现简单，在机器健康状况监测中有较大的应用潜力．     

基于LVQ算法的SOM神经网络在入侵检测系统中的应用

目前,入侵检测技术（IDS）已成为网络安全领域研究的焦点,神经网络被应用到这项技术的研究上．文章在建立一、类基于SOM神经网络的分类器的基础上,应用了LVQ算法对SOM进行二次监督学习训练,极大提高了分类器的检测性能。仿真试验结果证明了该检测模型的有效性。     

基于神经网络的网络验证码识别研究

本文首先介绍了神经网络的基本思想,提出了一种基于神经网络的网络验证码的识别方法,并利用开源的神经网络包JOONE用Java技术实现了验证码识别软件。最后通过训练样本对其进行了实验分析,取得了较高的识别率。     

基于量子小波神经网络的传动装置模式识别

针对传统神经网络收敛精度低,以及用于故障模式识别能力差的问题,提出了将量子神经网络与小波理论相结合的量子小波神经网络模型.该模型隐层量子神经元采用小波基函数的线性叠加作为激励函数,给出了网络学习算法,并以某型传动装置监测信号的小波能量谱为训练样本,识别传动装置带有缺损的齿轮故障征兆.仿真结果表明,量子小波神经网络能够提高神经网络训练精度和故障征兆识别精度.     

基于学习向量量化网络的指定颜色物体的识别

为解决计算机视觉中已知颜色属性的物体的识别问题,文章提出了一种基于HSV模型,以H、V参数特征值作为特征向量,应用基于LVQ学习算法的神经网络分类器进行颜色识别的的方法,很好地解决了指定颜色物体的识别问题。通过实验,对指定颜色的目标物体的识别效果比较理想,表明该算法是确实可行的。     

基于遗传算法的一种新的神经网络结构模式研究

神经网络与遗传算法的结合为解决大规模、复杂、并行的系统问题提供了广阔的前景，但其有着固有的缺陷和不足，本文在遗传算法的基础上，提出了一种新的神经网络结构构式，它能将遗传算法与神经网络更加有机地结合起来，改进其不足，增加神经网络的学习方式，提高学习效率和网络的稳定性。     

基于水平集方法和神经网络的人体睡姿识别

针对彩色图像提出了一种基于水平集方法和神经网络的人体睡姿识别方法,由目标分割,BP神经网络识别两部分组成。首先利用水平集方法分割出图像中人体所在区域,然后使用BP神经网络方法训练并识别人体睡姿,其中睡姿包括仰睡、俯睡、左侧睡和右侧睡四种。实验结果表明该方法能够适应较复杂背景的人体睡姿识别,既具有较强的鲁棒性,又能够达到实时检测的目的。     

基于无监督神经网络的故障模式识别

无监督学习的竞争式神经网络是一种数据聚类方法,能保持输入空间的拓扑关系不变,借助于一维或二维输出平面的一组有序的向量,实现高维数据的聚类和可视化;探讨了一种无监督神经网络--SOFM网络原理、思想和算法步骤,研究了无监督网络在模式识别中的应用,提出了基于SOFM网络的故障模式识别和状态监测方法;通过实例研究了SOFM网络在机械设备故障模式识别和状态监测中的应用.     

基于模式识别的网络考试系统设计

本文介绍了一种基于模式识别的网络考试系统,对整个软件的系统结构、功能以及实现的关键技术进行了探讨。该系统采用SQL Server数据库和指纹模式识别技术,成功地实现了网上考试、培训和学习等。     

基于模糊神经网络的网络成瘾预测

综合运用模糊数学和神经网络知识构建一个模糊神经网络模型,用以预测网络成瘾。确定了适宜的判别指标和分级标准,对评价论域进行模糊处理;建立各指标对不同论域等级隶属度的计算模型;以实际网络使用者为样本,应用改进的BP算法训练网络模型,并对6个受验样本进行成瘾判别以验证模型的准确性。该方法是对已有的单一指标判别法和用模糊数学对多个指标判别方法的改进。实验证明,改进的BP神经网络方法能够快速、准确、有效地识别网络成瘾模式。     

一种基于货币特征的神经网络模式识别算法

提出一种基于神经网络的模式识别算法，并将其运用于货币特征信息的处理和识别，实验结果表明该算法具有自组织和自学习能力，同时由于网络的非线性和高度并行的特点，它能够满足复杂系统的实时性要求。     

模拟生物嗅觉神经系统的混沌神经网络及应用

以神经生物学实验结果为基础，根据生物嗅觉神经系统的信息处理机制，Freeman建立了非线性神经网络模型-K系列模型。KIII模型在模拟神经系统方面具有突出的优点，同时也具有一定的模式识别的能力，它的仿生特点代表了一种新型的神经网络模型。因此，KIII模型在解释人脑的认知机制和处理比较复杂的模式识别问题中有着广泛的实际应用价值。该文应用KIII模型在图像模式识别方面的应用做了初步探索，并将该模型应用于具体的简单图像模式识别中，取得了良好的效果。这一探索拓展了KIII模型模式识别应用范围，为该模型在图像模式识别方面的广泛应用建立了基础。