基于双层递归神经网络的路由优化算法

研究分组交换网的路由选择及流量分配问题,以网络的平均时延为优化目标函数。为使问题的解能实时、可靠地完成,将一种用于最短路径计算的双层递归神经网络应用于路由选择的流量导数法中。仿真结果表明,该算法在收敛的可靠性和计算的实时性方面有所提高。     

智能控制的模糊神经网络技术的研究现状与前景展望

本文从模糊系统与神经网络作为逢应用模型无关估计器时智能特性的研究、模糊控制器的神经网络实现技术及神经网络学习的模糊视网络技术等方面，详细地介绍了目前关于智能控制的模糊神经网络技术的研究现状，同时亦融入了作者关于此课题的一些思想，并对模糊神经网络的研究趋势进行了简单预测。     

人工神经网络在微波探测系统中的应用研究

本文研究了在微波探测系统中 ,利用人工神经网络做谱分析和插值的快速方法。它在实时性和分辨率方面都优于FFT。虽然它也需要训练样本 ,但是训练样本可以用计算机模拟获得。     

基于滑动窗口和卷积神经网络的可穿戴人体活动识别技术

由于缺少统一人体活动模型和相关规范,造成已有可穿戴人体活动识别技术采用的传感器类别、数量及部署位置不尽相同,并影响其推广应用。该文在分析人体活动骨架特征基础上结合人体活动力学特征,建立基于笛卡尔坐标的人体活动模型,并规范了模型中活动传感器部署位置及活动数据的归一化方法;其次,引入滑动窗口技术建立将人体活动数据转换为RGB位图的映射方法,并设计了人体活动识别卷积神经网络(HAR-CNN);最后,依据公开人体活动数据集Opportunity创建HAR-CNN实例并进行了实验测试。实验结果表明,HAR-CNN对周期性重复活动和离散性人体活动识别的F1值分别达到了90%和92%,同时算法具有良好的运行效率。     

基于神经网络模型的自动目标识别

本文提取包含任意极化信息的目标体复数RCS的相关功率散射矩阵的迹作为目标特征,利用Hopfield神经网络的联想记忆功能,对含有不完全信息的雷达目标进行了鲁棒性的自动识别。本文最后给出了三个介质目标体的计算机软件仿真结果,并简要提及了硬件实现的途径。     

一种混合模式的神经网络自动调制识别器

数字信号自动调制识别(AMR)有基于决策论和统计模式两种方法,该文提出一种将两者相结合的自动调制识别系统,利用提取决策论特征向量集和统计特征向量集相结合的特征参数,使用带动量项的自适应权重的BP神经网络对MASK,MFSK,MPSK,MQAM等4类信号进行分类识别。当信噪比在0-10dB,在估计载频与实际载频相差0-100Hz的情况下正确识别率仍高达97%以上,实验证明这种分类识别方法的鲁棒性和实用性。     

基于混合结构神经网络的自适应背景模型

本文提出一种基于神经网络的视频中运动目标检测自适应背景模型.对每个像素点(或局部区域)建立一个混合结构的神经网络背景模型,模型由一个4层前馈神经网络组成,输入层接受像素HSV特征,特征层实现特征提取功能,模式层以概率神经网络的方式完成像素属于背景概率的计算,输出层以赢者取胜的方式完成前景背景分类和模式层激活节点选择功能...     

一种基于时频分析的神经网络检测方法

本文就典型的匹配滤波器在对非平稳噪声中的信号检测中所遇到的问题,根据时频分析的特点、以神经网络为工具,讨论了一种基于时频分析的神经网络检测方法.文中给出了基于此方法的检测器结构,并根据文中介绍的训练算法,对此检测器做了训练和性能仿真研究工作,并与常用的匹配滤波器进行了性能比较.仿真结果表明,本文所提出的检测方法避免了输入信号非平稳时,匹配滤波器呈时变结构给滤波器设计所带来的困难,解决了非平稳噪声中的信号检测问题.     

基于高效可扩展改进残差结构神经网络的舰船目标识别技术

神经网络的深度在一定范围内与识别效果成正相关,为解决超出范围后网络层数增加识别准确率却下降的模型饱和问题,该文提出一种具有高效的微块内部结构和残差网络结构的神经网络模型,用于对舰船目标基于高分辨距离像的分类识别。该方法利用具有小尺度卷积核的卷积模块提取目标的稳定可分特征,同时利用联合损失函数约束目标特征的类内距离提高识别能力。仿真结果表明,该模型相比于其他常见网络结构,在模型参数更少的情况下,识别效果更好,同时具有较强的噪声鲁棒性。     

一种基于神经网络的卡尔曼滤波改进方法

卡尔曼(Kalman)滤波是一种基于最小方差估计的递推式滤波方法,它要求信号的状态模型是已知的,这就限制了它在实际中的应用。利用神经网络的良好的非线性映射能力对实际系统进行系统辨识,可以获得符合精度要求的系统状态方程,很大程度改进了卡尔曼滤波的效果。相对于一些经典的卡尔曼滤波改进算法,这种方法具有应用范围广和数学建模简单易行的优点。将神经网络与卡尔曼滤波相结合的方法用于图像复原实验,结果表明,该方法具有可行性和有效性。     

基于稀疏分解和神经网络的心电信号波形检测及识别

心电图是现代医学的一个重要诊断依据.用计算机检测识别心电信号波形,能缓解越来越庞大的心电数据给医务人员带来的工作压力,减少因疲劳、疏忽以及主观偏差产生的误差.利用改进的Gabor字典和粒子群优化算法,对心电信号做稀疏分解.稀疏分解得到一个和原信号相比非常稀疏的解向量,与解向量中每个非零值相对应的是从字典中选出的和原信号结构特点最为接近的字典中的一组原子.根据解向量中非零值的大小以及对应原子的波形,确定此原子代表的波的波幅、波宽、波形、位置等信息.然后利用心电信号的先验知识,确定原子代表的波属于那种特征波(P波、QRS波群或T波),进而建立神经网络的训练样本.经过训练,神经网络将能实现对稀疏分解后的心电信号波形的自动检测识别.实验证明,此算法能同时实现几种特征波的检测及识别.     

一种易于初始化的类卷积神经网络视觉跟踪算法

该文针对视觉跟踪中运动目标的鲁棒性跟踪问题,基于主成分分析(PCA)和卷积神经网络(CNN),提出一种易于初始化的类CNN提取深度特征的视觉跟踪算法。该算法首先利用仿射变换对原始图像进行处理,然后对归一化尺寸的图像进行分层PCA学习,将学习得到的PCA特征向量作为CNN结构中的各阶滤波器,完成特征提取网络的初始化,再利用特征提取网络获取目标的深层次表达。最后结合粒子滤波,利用一个简单的逻辑回归分类器通过分类估计实现目标跟踪。结果表明,利用这种易于初始化的CNN提取到的深度特征能够有效地区分目标和背景,具有很好的可区分性,提出的视觉跟踪算法对光照变化、尺度变化、遮挡、旋转和摄像机抖动等都具有良好的适应性,在许多视频序列上表现出了较好的鲁棒性和准确性。     

基于单通道多尺度图神经网络的自动调制识别

针对自适应可见性图(AVG)算法复杂度过高且精度提升不明显的缺点,该文提出一种基于单通道多尺度图神经网络(SMGNN)的自动调制识别(AMR)框架,并对框架各个部分进行了可解释性研究。首先利用多层感知机和1维卷积自适应地实现了单通道信号序列和图之间的映射,有效降低了AVG算法的复杂度;其次,设计了一种多尺度图神经网络,将不同分辨率的特征进行融合,提升了模型识别准确率。实验表明,该文提出的SMGNN算法相比于AVG算法节省了近1/2的参数量,且识别精度得到了较大的提升。     

一个基于神经树结构的模式分类系统

目前，广泛应用于解决模式识别问题的方法有：分类树和层次前馈神经网络，本文提出了一种基于神经树结构的模式分类新方法，该方法使用小规模的神经网络作为分类树的节点，提取模式中非线性特征信息，实验结果表明，该方法一方面中以减小分类树用于模式识别产生的误差和分类树中节点的数目，另一方面可以缩短训练神经网络所需的时间。     

基于小波网络和HMM的语音识别方法

利用隐马尔可夫模型(HMM)的动态时间序列建模能力及神经网络的模式分类能力,构成混合语音识别模型,同时考虑到语音信号的非平稳性,采用小波分析方法提取语音特征向量。通过时间规整方法,将所有具有可变长度的语音特征向量转换为相同维数的特征向量,从而简化了神经网络的结构。仿真结果表明,采用混合语音识别模型以及时间规整方法,不仅可提高识别率,同时大大缩减了训练时间,获得了很好的识别效果。     

基于单一神经网络的多尺度人脸检测

人脸检测是指检测并定位输入图像中所有的人脸,并返回精确的人脸位置和大小,是目标检测的重要方向。为了解决人脸尺度多样性给人脸检测造成的困难,该文提出一种新的基于单一神经网络的特征图融合多尺度人脸检测算法。该算法在不同大小的卷积层上预测人脸,实现实时多尺度人脸检测,并通过将浅层的特征图融合引入上下文信息提高小尺寸人脸检测精度。在数据集FDDB和WIDERFACE测试结果表明,所提方法达到了先进人脸检测的水平,并且该方法去掉了框推荐过程,因此检测速度更快。在WIDERFACE难、适中、简单3个子数据集上测试结果分别为87.9%, 93.2%, 93.4% MAP,检测速度为35 fps。所提算法与目前效果较好的极小人脸检测方法相比,在保证精度的同时提高了人脸检测速度。     

Performance Analysis of Neural Network Detectors in DS/CDMA Systems

In this paper, we consider neural networks as the detectors of signals of users in DS/CDMA systems. We apply multilayer perceptron neural network with back propagation learning algorithm in AWGN and multipath fading channels. Our analysis results in significant reduction in the receiver complexity over the previous studies. We compare the performance of neural network with the conventional and suboptimal detectors in AWGN channel and with the RAKE and single user lower bound receivers in fading channels. We also apply different criterion for training the network such as the decision based, fuzzy decision, discriminative learning, minimum classification, and entropy neural networks in AWGN channels and compare their performance. Further, we propose modified decision based network which improves the performance of the decision based network. A comparison between multilayer perceptron and Hopfield neural detectors is presented.     

A two-layer recurrent Neural Network based approach for overlay multicast

Overlay multicast has become one of the most promising multicast solutions for IP network, and Neutral Network（NN） has been a good candidate for searching optimal solutions to the constrained shortest routing path in virtue of its powerful capacity for parallel computation. Though traditional Hopfield NN can tackle the optimization problem, it is incapable of dealing with large scale networks due to the large number of neurons. In this paper, a neural network for overlay multicast tree computation is presented to reliably implement routing algorithm in real time. The neural network is constructed as a two-layer recurrent architecture, which is comprised of Independent Variable Neurons （IDVN） and Dependent Variable Neurons （DVN）, according to the independence of the decision variables associated with the edges in directed graph. Compared with the heuristic routing algorithms, it is characterized as shorter computational time, fewer neurons, and better precision.     

神经网络用于反演微波亮度温度分布

将神经网络用于反演目标的微波亮度温度分布,提出了视在温度的神经网络迭代反演法。该方法利用神经网络正向模型提供反演误差对输入的梯度信息,利用该梯度信息进行迭代得到最优反演结果。利用该方法对水面在35GHz频段的视在温度进行反演所得的结果显示,该方法优于Holms反演法及HFR反演法。从视在温度中剔除散射辐射温度得到目标的亮度温度。     

基于概率神经网络的农作物虫情预测

为了提高对农作物虫情预测的准确度,本文主要采用概率神经网络（PNN）对农作物虫情进行预测．并将预测结果与BP神经网络的预测结果进行比较。结果表明,概率神经网络的预测准确度远远大于BP神经网络,显示了概率神经网络在模式识别领域的优势。