基于BP_Adaboost的目标跟踪算法应用研究

BP神经网络对目标跟踪时,由于其学习效率低及易于陷入局部极小的缺陷影响了跟踪算法的准确性。为提高BP神经网络跟踪模型的准确性,将Adaboost算法和BP神经网络相结合,提出了一种BP_Adaboost神经网络跟踪模型。通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器跟踪模型,将该模型应用于视频运动目标跟踪进行有效性验证。实验结果分析表明．该方法对运动目标能够准确地进行跟踪．大大提高跟踪算法的兽椿性．     

基于多神经网络分类器的军事目标识别方法研究

对军事目标类型的识别是军事信息处理中的一个重要环节.本文首先对军事目标进行特征提取,以矩和圆度两种不变矩特征向量作为神经网络的输入,分别采用了BP神经网络、自组织竞争网络、Hopfield网络对军事目标进行识别,最后采用了分类器多数投票法对识别结果进行融合,仿真实验结果表明采用多神经网络分类器融合的方法比单一神经网络识别率高,这对提高军事信息处理的准确性具有重要意义.     

基于多神经网络分类器的汽车车型识别方法研究

首先对三种车型进行特征提取,以提取的数据作为神经网络的输入,并且采取了感知机识别,BP网络识别,径向基网络识别,最后采用多神经网络进行识别。仿真实验结果表明:采用多神经网络分类器融合的方法比单一神经网络识别率高,这对提高目标识别的准确性是十分重要的。     

基于神经网络的气体目标识别方法

研究神经网络在战场气体特征目标识别应用中的有效算法.通过建立战场目标气体特性探测与分析系统,针对战场上不确定背景条件下气体目标的自动识别问题,在总结目标特性规律,分析BP算法的基础上,采用BP算法对分类器进行训练,改善系统对信号的探测能力.典型战场目标信号样本检验表明:利用基于神经网络的分类器来实现对战场气体目标的识别分类是可行的.     

基于振动信号分析和支持向量机的滚动轴承故障诊断

针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用支持向量机分类器对提取的特征向量进行多类故障分类.通过与BP神经网络分类器进行对比研究,结果表明,在有限故障样本条件下,支持向量机分类器比BP神经网络分类器具更好的分类性能.     

基于神经网络的气体目标识别方法

研究神经网络在战场气体特征目标识别应用中的有效算法．通过建立战场目标气体特性探测与分析系统，针对战场上不确定背景条件下气体目标的自动识别问题，在总结目标特性规律，分析BP算法的基础上，采用BP算法对分类器进行训练，改善系统对信号的探测能力．典型战场目标信号样本检验表明：利用基于神经网络的分类器来实现对战场气体目标的识别分类是可行的．     

人工神经网络在战场侦察技术中的应用

研究人工神经网络用于战场目标分类的能力和结果 .根据战场目标的声与震动特性 ,采用相应的测试系统和分析系统 ,对战场典型目标装甲车、吉普车进行实地测试 ,并对实验数据进行预处理 (快速傅立叶变换 ) ,利用基于人工神经网络原理的目标分类器 ,采用改进的BP算法对分类器进行训练 ,克服了传统网络的振荡和平台问题 .基于人工神经网络的分类器对战场目标的声与地震动信号有很高的正确识别率 .实验证明人工神经网络目标分类器适合于战场目标分类识别 ,改进的BP算法加快了神经网络的收敛速度 .     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器.由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高.将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器.算法在matlab中实现,对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率.     

基于模糊积分的多分类器融合文本分类研究

提出一种基于模糊积分的多神经网络分类器融合文本分类方法,利用Sugeno模糊积分作为融合工具,将BP神经网络、RBF神经网络及采用K-means算法的RBF神经网络等多种文本分类器相结合,取得了更加优化的中文文本分类结果。     

组合多重神经网络动态系统鲁棒故障检测与诊断

利用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论，通过组合多重神经网络分类器，对一控制中的校正网络进行故障检测与诊断，单个神经网络分类器以某些特定的特征量进行分类，对应实际系统特征量的网络输出值怀盯庆训练用特征集的网络输出均值之间的广义距离为单个分类器输出的实际霜类的度量值，证据理论采用简单支撑集假设下的证据组合形式，最终的输出为综合多个神经网络输出后的结果，实际应用表明，此方法可以检测与诊断出单一分类     

基于神经网络的交通标志识别方法

介绍了神经网络分类器的基本原理,针对3类交通标志,即禁止标志、警告标志和指示标志,提出了应用神经网络分类器进行交通标志自动识别的基本方法。神经网络分类器由两层网络联结而成,前层网络由单个BP网络完成交通标志的粗分工作,后层由3个BP网络将粗分结果分别进行细分,完成识别任务。此设计结构与传统的单层分类器相比,在训练速度和识别正确率方面都有较大的提高;显然,这与神经网络在解决小规模问题时正确率高、训练速度快相符合。同时,增加新的训练样本时,只要对相应网络进行训练即可,而不必对整个网络进行重新训练。实验结果表明,基于神经网络的交通标志自动识别方法,具有很好的识别效果。     

Adaptive fuzzy classifier with a fixed number of fuzzy rules

The adaptive fuzzy system has many advantages over the neural network. It can be used to design a fuzzy classifier. However, there is the “Dimension Calamity” with the number of inputs increasing in the adaptive fuzzy system. In this paper, an adaptive fuzzy classifier with a fixed number of fuzzy rules is proposed. This classifier is combined by several fuzzy reasoning machines so that one fuzzy reasoning machine recognizes only one class. Every fuzzy reasoning machine includes two “If-Then” fuzzy rules. The total fuzzy rules number of the classifier is confirmed by the number of classes of the patterns being classified. The classifier uses the “Error Back-Propagation Training” arithmetic as the learning arithmetic. Compared with the BP neural network classifier, the new classifier and BP neural network classifier are both tested by the famous iris dataset and Ripley's synthetic dataset. It is proved that the new classifier has a good classification ability and learning ability even if the data have been polluted.     

基于神经网络融合的目标识别技术研究

采用人工神经网络和数据融合技术设计了一种图像识别分类器.采用单层感知机网络、BP网络、径向基网络对汽车目标的特征数据进行识别,最后分别运用多数投票、平均Bayes、专家委员会三种融合算法把对各网络识别结果进行融合,得出最终判别结果.仿真结果证明了融合分类器用于图像目标识别/分类的有效性和可行性.     

基于BP神经网络的车型分类器

针对车型特征,提出了一种基于BP神经网络的识别方法．从图像中提取车型特征向量,用BP神经网络设计分类器,并进行有效的训练与测试．应用改进的BP算法（尺度化共轭梯度法）对网络进行训练,使网络很快得到收敛,解决了一般算法收敛慢的缺陷．     

基于BP神经网络的集装箱箱号识别

提出一种用BP神经网络实现集装箱箱号识别的方法。提出的图像预处理方法对管柱,底面凹凸,脏污物、光线的强弱、倾斜、缺损或模糊有较强的适应性。在BP网络分类器实现时,考虑集装箱箱号的组成特点,采用并行处理方法。在BP算法中,引入动态因子,动态调整学习步长。实践证明利用这种方法来识别装箱箱号,速度快,识别率高,具有较高的实用价值。     

基于支持向量机的电力系统暂态稳定分类研究

研究了支持向量机在电力系统暂态稳定评估中的应用,设计了一个新的支持向量机分类器用于暂态稳定分类。基于支持向量机分类器的输出,把样本划分为 3 类:稳定类,不稳定类和边界区样本,减少了误分类,提高了暂态稳定评估结果的可靠性。在新英格兰 10 机 39 节点系统中的仿真结果验证了该分类器的分类效果。同时,将分类结果与传统 BP 算法的结果进行了比较,对模型参数对输出结果的影响和本方法的适用范围进行了分析。     

基于Gabor滤波器和改进BP神经网络的人脸检测方法

提出一种基于Gabor滤波器和改进BP神经网络的人脸检测方法.该方法首先利用Gabor滤波器空间位置与方向选择特性,采用8种方向Gabor滤波器提取人脸样本图像特征;然后把基于Gabor滤波器的特征向量作为人脸/非人脸分类器输入,并用PCA方法对特征向量降维;最后利用已降维的特征训练改进的BP神经网络.仿真实验表明,该方法比单一使用Gabor滤波器和单一使用BP神经网络检测率高.