基于小波神经网络的刀具切削状态特征识别

利用小波分析技术提取刀具状态信号特征量，用神经网络技术对信号的特征量进行训练仿真。结果表明，该方法实现了对刀具切削状态的特征识别。     

用于图像与模式识别的小波神经网络模型

研究了一种用于图像与模式识别的小波神经网络模型，给出了相应的算法和计算公式，并进行了仿真模拟，该模型克服了传统BP网络隐层单元数目难以确定，收敛速率较慢以及易于收敛到局部极小点等缺点，仿真结果表明网络性能和收敛速度均明显优于传统BP网络，具有良好的应用前景。     

基于小波分析的BP神经网络膜蛋白跨膜螺旋区段预测

基因组计划所产生的大量蛋白质序列迫切需要从理论上预测跨膜螺旋区段。提出了基于小波多分辨分析的BP神经网络膜蛋白跨膜螺旋区段的预测新方法,并把此方法称之为WnnTM。从MPtopo数据库中随机抽取80条三维结构已知的膜蛋白质序列构建数据集,把它们映射成疏水值序列,通过小波分解和重构得到小波系数,并结合BP神经网络构造小波BP神经网络预测模型,对膜蛋白跨膜螺旋区段的位置和数目进行预测。实例验证,WnnTM预测方法比单独用BP神经网络对膜蛋白跨膜螺旋区段进行预测更有效。     

基于小波神经网络的刀具切削状态特征识别

利用小波分析技术提取刀具状态信号特征量,用神经网络技术对信号的特征量进行训练仿真。结果表明,该方法实现了对刀具切削状态的特征识别。     

基于小波分析的图像融合方法的研究

图像融合是多传感器信息融合在图像处理领域的一个重要应用,小波分析具有多分辨等特点,可以有效地将特征明显、分辨率高的图像融合在一起,得到比任何一幅源图像效果都好的图像。论述了基于小波分析的图像融合的基本原理、方法和优点,介绍了基于小波分析图像融合、小波框架图像融合和多小波图像融合等方法,分析比较几种图像融合效果的评价方法及其适用范围等。     

基于小波神经网络的心电数据压缩研究

介绍了一种基于小波分析的神经网络模型－小波神经网络，提出了一种基于小波神经网络的心理数据压缩方法。经过研究表明，采用小波网络 心电数据压缩模板的方法可以大幅加快网络的收敛速度。与基于BP网络的压缩法相比，具有较大的优点。     

模糊指纹图像的特征提取

指纹图像增强和特征匹配是自动指纹识别系统的两个关键问题。但由于指纹在获取过程中各种干扰因素的存在，图像增强并不能完全消除噪音，会产生大量的伪特征点，从而降低匹配的速度及准确性。本文在指纹预处理的前提下，提出了一种有效的特征点的提取算法以消除伪特征点，从而保证特征点的稳定性、可靠性。     

基于小波变换的近红外图像特征提取方法

提出用二次样条小波对近红外数字图像进行特征边缘提取,与传统边缘检测算子进行比较,并在Windows 平台的VC ＋ ＋6.0集成开发环境下编程实现.实验结果显示,当目标对比度下降到一定程度时,常规算子无法提取出弱目标,利用二次样条小波变换能够将近红外图像中弱目标的特征边缘提取出来,效果较好,且算法简单,效率较高.     

运用各向异性小波变换进行图像特征提取

在图像信息提取中,为实现任意方向、任意尺度对图像进行小波分解,在各向异性小波变换中增加了衰减因子和旋转因子的新算法,运用Matlab编程实现该算法,可准确地提取图像任意方向的趋势和细节特征,是一种高效的图像特征提取算法.     

基于投影信号和小波分析的字符特征提取方法

设计了一种将传统的投影特征和小波多分辨分析相结合的字符特征提取方法,将直观易得但细分能力较差的字符投影信号,进行不同尺度下的小波多分辨分解,分别在获得的近似成份和细节成份中提取有效的特征量。并通过详实的对照试验分析说明了小波分解尺度和多尺度小波系数对字符特征描述的有效性影响。     

一种基于特征的BP神经网络车牌字符识别

字符识别是自动车牌识别系统中很关键的一步.字符识别有以下几步,首先,对车牌图像进行预处理.其次,通过竖直方向投影分割字符.最后,将提取的字符特征输入网络进行训练.在实验中,利用该方法对光照不均、字符大小不一、运动背景的图像,特别是相似字符的识别获得了较高的识别率,并且将其与字符输入BP神经网络进行对比分析.实验结果表明,该方法对字符识别有很好的鲁棒性、有效性.     

小波包和GA-BP网络结合的红枣病害识别方法

针对传统人工枣树病害识别费时费力的问题,提出了一种小波包和GA-BP神经网络结合的快速识别方法.通过小波包去噪方法,消除病害图像采集过程中随机噪声产生的干扰,采用小波包分解系数矩阵的奇异值和小波包变换模极大值矩阵的奇异值构造特征输入参数,利用遗传算法优化后的BP神经网络建立红枣病害的识别模型.实验表明,小波包、遗传算法...     

基于BP神经网络的数字图像置乱技术

基于神经网络的非线性映射特性,提出了一种数字图像置乱的新方法。将图像输入到一个随机设置初始权值和阈值的BP神经网络,其输出即为置乱图像。只需训练一个从置乱图像到原始图像的神经网络,就可在恢复过程中将置乱图像输入到训练好的神经网络。实验结果显示,该算法对图像加密具有良好的效果,对噪声、JPEG压缩和剪切等攻击具有较好的抵抗能力。     

基于小波变换和人工神经网络的保护原理研究

提出了一种利用小波变换提取信号特征,并结合神经网络来识别电力系统短路故障的方法．该方法首先对测量信号作小波变换,提取特征量,作为多层前向神经网络的输入．对不同的输出要求,提出采用不同的神经网络,判断出发生故障的相位、性质和位置．     

基于BP网络的数字识别方法

比较了各种数字识别方法,采用BP神经网络设计了一个数字识别系统。首先对数字图像进行二值化处理,构造输入向量矩阵;接着通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练;之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性;最后制作了图形用户界面进行实验。测试结果表明,该系统对噪声系数小于0.85的字符识别率可达96%,且网络训练时间可以接受。     

神经网络在结构损伤识别中的应用研究简

针对人工神经网络具有自主学习、记忆及模式匹配能力,提出建立一个三层BP人工神经网络,并将其应用于结构的损伤识别研究.     

基于小波变换与BP神经网络的声发射信号识别

针对现有声发射信号识别参数分析法的不足,提出利用小波变换特征提取与BP神经网络结合的声发射信号识别方法。利用db2小波对声发射信号进行6层分解,将细节特征空间的能量作为声发射信号特征向量;结合声发射信号特点设计和训练BP神经网络,通过实验确定隐层神经元数;用BP和RBF神经网络分别对腐蚀、裂纹和冷凝声发射信号进行分类测试。实验结果表明,提取的声发射信号特征具有较好的区分性能,BP网络在识别声发射信号方面优于RBF网络,这对储油罐安全状况的定量分析具有一定意义。     

基于BP神经网络的结构系统跟踪辨识方法

针对人工神经网络在结构系统辨识中存在的问题,提出一种基于BP神经网络的跟踪辨识方法.通过将实际结构模型分为一个机理模型和一个实时误差模型,前者基于常规的BP神经网路通过离线训练而成,而后者通过小型的BP神经网络实时辨识系统误差,进而使这种经过改进的系统识别网络能够具有动态递阶识别系统的能力.计算机仿真分析表明,这种方法可有效地减小由于不同外荷载作用引起的结构系统辨识误差,提高人工神经网络在系统辨识中的精度和可靠度.     

自适应小波概率神经网络损伤识别方法

目的 为了提高大型结构健康监测系统的监测能力与损伤诊断率，降低误报率．方法 以小波变换作为动力信号处理工具。利用其可以降低噪声以及在时域-频域表征信号特征的强大能力。提取小波能量作为特征参数；以贝叶斯推理作为模式识别原理的概率神经网络（PNN）为损伤识别分类器，利用遗传算法来优化PNN模型中的圆滑参数σ，提出自适应小波概率神经网络（AWPNN）损伤识别方法．并对ASCE的基准结构模型进行损伤识别研究以验证该方法的有效性．结果 研究结果表明，在噪声程度达40％时，AWPNN的识别正确率高达98％．结论 AWPNN具有较强的抗噪声能力和较高的损伤识别率。在结构健康监测与损伤识别领域具有很大的潜力．     

基于BP网络的结构损伤识别

结构的动力特性和结构参数直接相关，结构的损伤将引起相应动力特性的改变，因此，如果能建立结构动力特性变化与结构损伤之间的映射关系．则可以利用结构振动测试信息实现结构损伤诊断。神经网络方法因其具有非线性映射能力强、计算速度快、容错性好等优点，正越来越多的用于基于振动的结构损伤识别。但是对于大型复杂结构，普遍存在网络结构复杂。识别效率低下的问题。以框架结构为例．应用BP网络分阶段的进行损伤位置、损伤程度的识别，这有效降低了网络的复杂性，减少了学习样本。提高了学习效率。