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。     

基于不变矩特征和神经网络的人脸识别模型

不变矩是图像的一种统计特征,具有平移不变性、旋转不变性和比例不变性,广泛应用于图像识别。该文将图像矩阵的不变矩作为识别特征,建立了人脸识别模型。将人脸图像经过不变矩特征提取、不变矩矢量标准化及不变矩矢量排列处理后,运用BP网络进行识别,经过竞争选择,获得识别结果。利用ORL人脸数据库进行仿真实验,结果表明,该文的人脸识别模型实现简单、识别率高、训练速度与识别速度较快、便于实时实现。     

对图形识别具有平移、旋转、伸缩不变性的神经网络

本文讨论如何构造在平面刚体运动和伸缩变换下，具有不变性模式识别能力的神经网络，即建立一个前向多层的神经网络，它具有如下性质，若网络能识别某一样本，同同时也能识别该样本经刚体运动及伸缩之后的任一状态，按文中给出了的构造方法，得到的网络具有如下性质：网络对运动和伸缩变换具有不变性，拓扑结构简单，网络的元件个数为Ｏ（ｎ）连接复杂性低，每个元件的输入端只需Ｏ（ｎ）（其中ｎ是输入向量的维数）学习和识别的速度     

热连轧机活套系统的解耦控制及仿真

针对传统热连轧带钢活套张力与高度控制系统,本文给出了基于对角矩阵解耦和解耦不变性原理的解耦控制方法.通过耦合系统的动态结构图,求取活套耦合系统的状态空间表达式,经过Matlab变换求得系统的传递函数,再根据解耦不变性原理,求得系统的解耦网络传递函数.最后应用Matlab的系统仿真工具Simulink对活套系统和解耦网络进行联合仿真实验,结果表明解耦后活套控制系统可达到较好的控制效果.     

热连轧机活套系统的解耦控制及仿真

针对传统热连轧带钢活套张力与高度控制系统,本文给出了基于对角矩阵解耦和解耦不变性原理的解耦控制方法.通过耦合系统的动态结构图,求取活套耦合系统的状态空间表达式,经过Matlab变换求得系统的传递函数,再根据解耦不变性原理,求得系统的解耦网络传递函数,最后应用Matlab的系统仿真工具Simulink对活套系统和解耦网络进行联合仿真实验.结果表明解耦后活套控制系统可达到较好的控制效果.     

基于STN与异构卷积滤波器的肝硬化识别

卷积神经网络因缺乏空间不变性造成分类精度不高,且由于复杂度过高导致分类效率较低。提出一种利用空间变换网络和异构卷积滤波器的SH_ImAlexNet网络,应用于肝硬化样本识别。改进卷积神经网络AlexNet的结构和参数以满足肝硬化样本尺度要求,引入空间变换网络层增强特征提取能力与空间不变性,采用异构卷积滤波器替换部分卷积核降低复杂度并提升鲁棒性。实验结果表明,该网络的分类效果较AlexNet、VGG等传统网络更优,在小样本数据集和大样本数据集上的识别率分别达到98.28%和95.67%,空间复杂度和时间复杂度更低且运行效率更高。     

基于进程轨迹最小熵长度的系统调用异常检测

进程的系统调用轨迹蕴藏着程序行为不变性和用户行为不变性这两种不变性,其中,程序行为不变性可进一步细分为时间顺序不变性和频度不变性。已有的系统调用异常检测技术研究工作均集中于程序行为不变性,忽视了用户行为不变性。从系统调用中的频度不变性出发,研究了系统调用轨迹中的用户行为不变性及其描述手段,并提出采用最小熵长度描述这种不变性。在 Sendmail 数据集上的实验表明,最小熵长度较好地描述了系统调用轨迹中的用户行为不变性,结合程序行为不变性,可以极大地提高系统调用异常检测性能。     

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。     

强化深度特征融合的行人搜索系统

针对行人图像的深度特征缺乏对局部细节的描述，及不完全具备对尺度、旋转、平移及光照变化等各种因素的不变性而导致行人搜索准确率低的问题，本文提出一种具有强化深度特征融合的行人搜索系统。该系统将行人候选网络和行人识别网络两部分整合优化成统一框架。其中，行人候选网络实现行人框的获取及标定，而行人识别网络在获取深度学习特征的基础上融入具有几何不变性的传统特征，建立一个强化深度特征融合网络模型。实验结果表明，本文采用强化深度特征融合的网络模型，在SSM数据集上检测并框出图片中的行人，其Top-1识别正确率高达80.7%，比单纯采用深度特征模型更具优越性。     

Bayes网络最优近似下边缘分布的不变性

删除Bayes网络中的弧以减小网络结构的复杂性，从而降低概率推理算法的复杂度是一种对Bayes网络进行近似的方法．该文讨论了在删除Bayes网络中的一条弧之后得到的最优近似概率分布和原概率分布之间的关系，证明了对满足一定条件的结点子集而言，其边缘概率分布在近似以后具有不变性．     

基于因果干预与不变性的卷积预训练模型优化研究

基于卷积神经网络（CNN）的深度模型在图像识别与分类领域应用广泛,但在全局特征控制、概念层次特征不变性提取和变量之间的因果关系确定方面仍存在不足,使得深度模型缺乏灵活性、适应性及泛化性。基于因果干预和不变性,提出一种基于CNN深度模型的定向修剪和网络结构优化方法。通过对模型输入进行基于不变性的干预调制,根据生成的调制图片序列分析预训练网络卷积子结构的输出分布,筛选和定向修剪噪声敏感子结构。构建基于类间区分度的目标函数,借助经济学领域中的资本资产定价模型构建网络的层间连接,生成在单分类任务下能增大类间区分度的网络拓扑结构,逐层优化构建概念层次的稳定特征。在ImageNet-2012数据集上的实验结果表明,优化后的深度模型相比于ResNet50基线预训练模型的分类准确率约提升了5个百分点,并大幅降低了训练集规模。     

基于复杂网络特性的带钢表面缺陷识别

针对带钢表面缺陷识别问题,提出一种基于动态演化复杂网络特性的特征描述方法, 这些特征同时具有位移、旋转不变性、大小不变性、较强的抗干扰能力和鲁棒性,为 缺陷识别提供良好的分类特征;为了提高分类器的效率,应用主成分分析法 (Principal component analysis, PCA) 对复杂网络特 征向量进行特征降维处理;采用最优有向无环图支持向量机 (Directed acyclic graph support vector machine, DAG-SVM)算法进行缺陷分类.结果表明该方法识别率高而且识别速度快.     

广义Chaplygin系统的形式不变性与Noether对称性

研究广义Chaplygin系统的形式不变性,利用广义Chaplygin方程在无限小变换下的变形形式,给出广义Chaplygin系统的形式不变性的定义和判据.给出了广义Chaplygin系统的Noether对称性判据,并研究形式不变性和Noether对称性的关系.结果表明形式不变性与Noether对称性是两种不同的对称性,广义Chaplygin方程的形式不变性有可能是Noether对称性,也可能不是Noether对称性.最后举例说明结果的应用.     

基于对抗网络与卷积神经网络的目标检测方法

在目标检测方法中,通过使用具有不同遮挡程度的数据集进行训练,能够提升目标检测算法对遮挡的不变性,但现实生活中的数据集往往存在长尾效应。因此提出一种基于对抗网络与卷积神经网络的目标检测方法。通过对抗网络在输入数据上进行计算得到不同遮挡程度的样本,使用Faster RCNN算法进行训练提升遮挡不变性,以此提高算法检测精度。实验结果表明,该方法与Faster RCNN相比,在VOC 2007数据集上平均精度提升了2.2个百分点,在VOC 2007和VOC 2012联合数据集上平均精度提升了1.3个百分点。     

一种新的不变矩与神经网络玉米病害识别系统

基于不变矩理论,对玉米病害图像进行二值化、图像归一化处理,提出一种新的、具有较好逼近能力和较强容错能力的RBF-BP神经网络识别系统。利用Hu不变矩特征的平移不变性、比例不变性、旋转不变性和对目标良好的抗干扰性等特性,处理复杂、多变的玉米病害图像,形成不变矩特征矢量样本库。根据Hu不变矩在提取图像特征过程中的可靠性、独立性及数目小的特点和RBF-BP神经网络在识别过程中较好收敛性特点,对玉米病害图像进行特征提取、网络训练和病害特征的识别。仿真实验结果表明RBF-BP神经网络系统的有效性。     

抗扰控制中的不变性原理

不变性原理是抗扰控制理论的基本原理,抗扰性能是不变性原理的外在表现.本文对双通道扰动补偿控制、内模控制、基于扰动观测器的控制和自抗扰控制中的不变性原理进行分析;给出了这些抗扰控制方法之间的内在联系;指出自抗扰控制为内含由两种不变性实现的三自由度结构.自抗扰控制采用总扰动的估计和补偿实现了广义被控对象的动态模型的不变性;采用状态误差反馈控制率实现了准滑动模控制,从而进一步实现对扰动的不变性.按照不变性原理可以更好地把握抗扰控制的本质、简化控制思想的描述和指导工程实践.     

高阶非完整系统的共形不变性与Noether守恒量

研究了高阶非完整系统的共形不变性与Noether守恒量,给出了与高阶非完整系统相应的完整系统的共形不变性的定义及其确定方程,通过系统共形不变性与Lie对称性的关系,推导出了系统运动方程具有共形不变性并且是Lie对称性的共形因子,利用限制方程和附加限制方程,给出了高阶非完整系统的弱Lie对称性和强Lie对称性的共形不变性,得到了共形不变性导致的Noether守恒量,举例说明了结果的应用.     

Kohonen SOFM神经网络及其演化研究

Kohonen SOFM神经网络广泛地应用于模式聚类、模式识别、拓扑不变性映射等方面。从KohonenSOFM神经网络结构和聚类算法入手，对其演化网络进行了比较分析，并从聚类算法性能的角度给予了综述。最后针对网络结构和算法的不足，指出了需进一步研究的方向。     

基于最佳逼近点的不变性常识与SVM的融合方法

不变性常识与支持向量机的融合技术是近年来支持向量机研究的重点之一,将不变性常识融合于学习模型,有助于提高模型的泛化能力.提出了一种新的不变性常识与支持向量机的融合方法,该方法通过最佳逼近点来代表不变性变换形成的轨迹簇将不变性常识融合于SVM.将该方法应用于MNIST手写数字数据库,与经典SVM方法及VirtualSV(VSV)方法的对比实验结果表明,该方法可以提高SVM的泛化能力.     

基于局部差分模式的不变性纹理分类

提出了局部差分变换和局部差分模式。局部差分变换具有灰度线性不变性,可消除光照变化对纹理分析的影响。基于局部差分变换的局部差分模式具有光照、旋转不变性和良好的多尺度分析能力。局部差分模式直方图可作为光照、平移、旋转不变性特征用于不变性纹理分类。实验表明,该方法的不变性纹理分类效果优于目前国际公认的基于LBP的方法。