基于SOFM神经网络的动态手势分割技术的研究

应用基于SOFM(自组织特征映射 )神经网络的算法完成对手势的分割 .动态序列各幅图像的色彩分布相近 ,先对首帧图像通过SOFM色彩分割算法进行训练学习 ,并依据本文提出的一种改进算法使网络学习过程中输出神经元的个数随背景复杂情况改变 ,然后结合运动信息或光流变化确定运动的手的颜色分类 ,从而完成手势的分割 .此外 ,将本文的SOFM算法应用在其他场景图像的分割中 ,也取得了满意的效果     

一种基于混合神经网络的说话人识别系统

目前说话人识别系统的识别率已经达到较高的水平,但是在应用系统的整合方面还存在一定的问题,比如其算法的复杂度高,不易于低成本的硬件实现等都限制其达到普及化.针对这样的问题,提出一种高性能、结构简单的基于自组织映射(SOFMNN)和概率神经网络(PNN)的混合神经网络分类器以取代目前常用的高斯混合模型(GMM)分类器.实验结果表明,混合神经网络分类器在识别率、识别速度和存储量上都优于高斯混合模型分类器.混合神经网络模型是一种高性能、高效率的说话人识别系统,该系统在说话人识别中将会有很好实用价值.     

一种基于自组织神经网络的彩色图像分割方法

提出了1种基于自组织神经网络的彩色图像分割方法.它首先在空间-颜色联合域内利用自组织神经网络对图像进行聚类,再结合区域生长的方法和区域邻接列表,对图像中的相似颜色区域进行合并,并去除像素数量较少的小区域,从而得到最后的分割结果.在聚类后的图像上进行分割,可以较好的把1个物体对象只表示为1个或少数几个分割区域,明显减少对象物数目,较好地克服了传统区域生长方法的过分割问题.     

基于SOFM神经网络的砂土液化评价

提出应用自组织特征映射(SOFM)神经网络进行砂土液化评价,根据实测资料和行业规范,建立具有7个输入参数,4个输出类别的SOFM神经网络模型对砂土液化的严重程度做出评价.实例研究表明,应用SOFM神经网络评价砂土液化高效可行,为砂土液化的研究提供了新方法.     

基于滤波器裁剪的卷积神经网络加速算法

针对卷积神经网络（CNN）模型的压缩和加速问题,提出基于滤波器裁剪的新型卷积神经网络模型加速算法. 通过计算卷积层中滤波器的标准差值衡量该滤波器的重要程度,裁剪对神经网络准确率影响较小的滤波器及对应的特征图,可以有效地降低计算成本. 与裁剪权重不同,该算法不会导致网络稀疏连接,不需要应用特殊的稀疏矩阵计算库. 基于CIFAR-10数据集的实验结果表明,该滤波器裁剪算法能够对VGG-16和ResNet-110模型加速30%以上,通过微调继承的预训练参数可以使结果接近或达到原始模型的精度.     

分布式环境实时语音通讯系统的设计与实现

在分布式模拟训练系统中,语音系统的设计通常采用专用硬件的手段实现,该方法不仅增加了系统设计的费用和复杂度,也增加了系统硬件组成和布局的难度.设计了一种分布式环境下的基于软件化的实时语音通信系统,利用DirectX对语音数据进行采集和回放,并以网络通信的方式对数据进行打包、传输和解包.同时,针对噪声等周围环境和无人说话时产生的冗余数据造成网络通信量增加的问题,采用离散傅里叶变换对语音信号在频域进行过滤,有效降低了系统的网络负担.该系统在某型模拟器中得到了较好的应用.     

采用SOM算法的软体机械臂三维形状实时感知

为实现软体机械臂精确的三维形状实时估计,奠定变形控制与应用的基础性工作,针对三段式软体机械臂,提出了一种基于自组织映射(Self-organizing map, SOM)算法的三维空间形状实时感知方法。首先,对ZED双目相机捕捉到的左、右图像帧进行图像预处理,得到左、右二值图像,并实时提取软体机械臂的二维轮廓数据。然后,采用SOM算法对轮廓数据进行聚类,有序得到软体机械臂二维中心线的多个骨干点,并与K均值,高斯混合模型以及细化3种中心线提取算法进行了对比研究,进一步表明SOM算法更适用于解决软体机械臂复杂形状的中心线辨识。最后,通过基于双目视差的三角测距模型完成软体机械臂的三维形状重构。该算法还采用数据降采样、SOM参数优化等方法,提高算法框架的实时性能。针对软体机械臂连续形变过程,进行了实时形状传感实验和对比验证实验。实验结果表明,该算法具有较高的形状感知精度和较好的实时跟踪效果。不仅如此,与其他文献中提出的形状检测算法相比,该算法也具有较好的性能。     

快速傅立叶变换算法的比较

快速傅立叶变换有多种算法，本文较为全面地讨论了离散傅立叶变换的快速算法，并对这些算法的性能进行了比较。     

The study of fuzzy chaotic neural network based on chaotic method

This paper proposes a type of Fuzzy Chaotic Neural Network (FCNN). Firstly, the model of recurrent fuzzy neural network (RFNN) is considered, which adds a feedback in the second layer to realize dynamic map. Then, the Logistic map is introduced into the recurrent fuzzy neural network, so as to build a Fuzzy Chaotic Neural Network (FCNN). Its chaotic character is analyzed, and then the training algorithm and associate memory ability are studied subsequently. And then, a chaotic system is approximated using FCNN; the simulation results indicate that FCNN could approach dynamic system preferably. And owing to the introducing of chaotic map, the chaotic recollect capacity of FCNN is increased.     

基于统计分析和自组织神经网络的燃烧稳定性研究

以某电厂的监控信息系统(SIS)中的历史数据库作为分析平台,对常规光学火检信号所包含的丰富信息进行深层次挖掘。首先对火检信号数据进行必要的预处理,然后提取出火焰亮度平均值、火焰亮度方差、火焰亮度峰峰值和均匀度等4个特征量,分8种典型燃烧工况对火检强度信号作了大量统计分析,结果表明这些特征量能够反映不同工况下的火焰燃烧状态。将不同燃烧工况下的火焰信号特征值作为神经网络输入,利用该网络的自动聚类功能,分别将它们聚集到不同的区域内。经过验证,这种方法能对燃烧状态稳定性作出有效判断。     

基于PSO—WNN的无刷直流电机转子位置检测方法

通过分析无刷直流电机间接位置检测原理,提出了一种新的方法来检测转子位置．该方法首先推导出转子位置可以通过以相磁通和相电流来决定,结合小波函数多尺度多分辨率的优点以及神经网络的非线性求解特点,通过构建小波神经网络模型,并采用粒子群算法来训练网络参数而得出转角位置．仿真结果表明该模型能有效地控制电机换相．     

一种基于自组织神经网络的彩色图像分割方法

提出了1种基于自组织神经网络的彩色图像分割方法．它首先在空间-颜色联合域内利用自组织神经网络对图像进行聚类，再结合区域生长的方法和区域邻接列表，对图像中的相似颜色区域进行合并，并去除像素数量较少的小区域，从而得到最后的分割结果．在聚类后的图像上进行分割，可以较好的把1个物体对象只表示为1个或少数几个分割区域，明显减少对象物数目，较好地克暇了传统区域生长方法的过分割问题。     

Sub-pixel mapping method based on BP neural network

A new sub-pixel mapping method based on BP neural network is proposed in order to determine the spatial distribution of class components in each mixed pixel.The network was used to train a model that describes the relationship between spatial distribution of target components in mixed pixel and its neighboring information.Then the sub-pixel scaled target could be predicted by the trained model.In order to improve the performance of BP network,BP learning algorithm with momentum was employed.The experiments were conducted both on synthetic images and on hyperspectral imagery(HSI).The results prove that this method is capable of estimating land covers fairly accurately and has a great superiority over some other sub-pixel mapping methods in terms of computational complexity.     

基于模糊神经网络的周期性结垢预测方法研究

针对间歇换热设备的周期性结垢现象,以及由此引起的对象特性时变并造成常规控制器动态性能下降等问题,提出了一种基于模糊神经网络(FNN)的周期性结垢预测方法.把间歇换热设备的周期性结垢分解为可逆垢和不可逆垢,通过两个多入单出四层模糊神经网络分别学习结垢的短周期可逆垢增长趋势和长周期不可逆垢增长趋势,并由两者的组合得到更为精确的污垢热阻预测值.实验结果表明,使用该方法对于一类间歇式麦汁蒸发器污垢热阻的预测精度较经验估计式明显提高,利用该预测方法所构造的时变增益补偿因子在麦汁蒸发器蒸发强度控制系统中亦获得了成功应用.     

Optimizing radial basis function neural network based on rough sets and affinity propagation clustering algorithm

A novel method based on rough sets (RS) and the affinity propagation (AP) clustering algorithm is developed to optimize a radial basis function neural network (RBFNN).First,attribute reduction (AR) bas...     

基于BP神经网络的转炉炼钢终点预报

转炉内的温度极高，对终点温度和碳的含量很难及时、准确地测量，因此建立精确的温度和碳的预报模型十分重要.但转炉炼钢是一个非常复杂的很难用数学方程精确描述的高温冶金反应过程，传统的静态模型控制精度不高，命中率不很理想.为此提出了基于BP神经网络的转炉炼钢终点温度及碳含量的预报模型，以Levenberg Marquardt(LM)算法来训练网络，其算法是梯度法与高斯牛顿法的结合.仿真结果表明，预报精度高于传统的机理模型.     

基于小波和ANN的电能质量分类方法

为了对电能质量进行有效的治理,以提高用电效率,有必要对电能质量进行快速的检测和准确的分类.基于小波的时频分析特点和人工神经网络(ANN)的学习能力,提出一种电能质量实用分类方法.利用正交小波对信号进行多分辨率分析,将一定时间长度内的信号的能量映射到多个频段内,通过与标准正弦信号各频段能量的比较,提取各类电能质量的能量变化特征;利用ANN对输入特征矢量进行识别,完成电能质量的自动分类.仿真实验证明,该方法可以有效地区分电压的上升、下降、闪变以及谐波畸变、暂态等5种电能质量问题.     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

基于NNE技术的手臂运动模式识别算法研究

本文将神经网络集成(Neural network ensemble,NNE)算法应用于人体手臂运动模式识别领域中,通过对手臂不同运动模式下的表面肌电信号(sEMG)的采集、分析与处理,识别出与其对应的手臂运动模式。主要利用小波包分解(WPD)算法提取表面肌电信号的时-频特征向量,利用集成神经网络对表面肌电信号特征向量进行模式识别;神经网络集成模型由Bagging算法生成,参与集成的个体神经网络均为BP神经网络,集成神经网络的输出由单个神经网络的输出通过相对多数投票法产生。最后,对手臂4个不同运动模式下的表面肌电信号进行了模式识别实验。实验结果表明,与个体神经网络相比,集成神经网络可以显著地提高手臂动作的识别率,证明了将神经网络集成技术用于手臂运动模式识别的有效性和可行性。     

基于图神经网络的地表水水质预测模型

针对水质数据在时间和空间维度上的复杂依赖关系,提出基于图神经网络（GNN）的地表水水质预测模型. 该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系,使用长短时记忆网络（LSTM）建模水质指标序列在时间上的复杂依赖关系,将编码结果输入到解码器中得到预测输出. 实验结果表明,与时间序列分析方法、通用回归方法和一般深度学习方法相比,该模型能够实现23.3%、26.6%和14.8%的性能提升.