BP网络学习算法改进及用于手写体数字识别

从误差函数入手对传统ＢＰ学习算法进行改进，实验表明此改进算法不仅提出了网络训练效率，而且改善了网络推广性能。     

BP网络学习算法改进及用于手写体数字识别

从误差函数入手对传统ＢＰ（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ）学习算法进行改进，实验表明此改进算法不仅提高了网络训练效率，而且改善了网络推广性能．     

基于一种多层神经网络快速学习算法在储层识别中的应用

本文针对前馈多层神经网络ＢＰ算法所存在的缺点，建立了一种新的快速学习算法，有效地缩短了网络的学习训练时间，并将其应用于储层识别取得了满意效果。     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.     

一种高性能目标识别融合算法

考虑到目标类型和传感器扫描次数对识别的影响，提出了一种改进的多传感器多目标识别相关算法，导出了新的累积融合公式。对多传感器多目标识别融合作了计算机模拟，模拟结果证实了改进的算法在性能上有明显的提高。     

基于形状模板匹配的前视红外目标检测方法

针对前视红外复杂地面固定目标无直接可用基准图、背景干扰严重、目标与背景灰度差异小、不利于目标识别等问题,提出了一种基于形状模板的目标识别方法.首先,在构建高斯多尺度空间的基础上,设计分层多阈值算法,检测感兴趣区域;其次,引入模糊集理论,提取形状特征,分离目标与背景;最后,用改进的Hausdorff距离算法进行精匹配,确定目标.实验结果表明,该算法匹配率与改进的Hausdorff距离算法相比提高了近20%,算法花费时间缩短了2/3;与Nprod算法相比匹配率提高了近30%,时间缩短了1/2,在密度为0.3的椒盐噪声下,匹配率仍能达到70%以上.对于复杂背景下的前视红外固定目标,该方法具有匹配率高、速度快、精度高等优点.     

前馈型人工神经元网络在语音识别中的应用

介绍了人工神经元网络误差反馈模型的理论基础，学习算法及识别误差算法，阐述了ＢＰ网络模型用于语音识别中语音数据的处理方法，网络构成，实现步骤及其实验结果。     

运动目标检测与识别算法的研究

传统的运动目标检测方法不能精确检测目标发生仿射形变,为此提出一种动态模板匹配改进算法。该算法首先利用改进后的瞬时差分算法对序列图像中的运动物体进行检测和定位,提高检测与识别的实时性;其次,采用仿射不变矩作为提取目标时的不变特征,从而克服不能有效检测与识别时发生仿射形变目标的缺点。实验仿真结果表明,该算法优于传统的动态模板匹配算法。     

神经网络用于多类识别问题的有效方法

本文主要讨论多类识别问题。训练集由许多已知类别的 ｋ 类样本组成。使用广泛应用的反向传播算法（ Ｂ Ｐ 算法）训练一个神经网络,使之能正确识别训练样本和测试样本。     

一种红外可见光图像融合及其目标识别方法

为结合红外图像和可见光图像对目标检测识别的优点,提出了一种红外可见光图像融合及其目标识别方法.该方法根据数学形态学算法获得局部感兴趣区域,减少图像特征点生成范围,提高效率;通过使用基于多模态图像尺度与部分灰度不变图像特征算法建立合适的特征点定位和描述;最终根据局部不变性匹配原则,实现图像误匹配消除,得到配准关系.实验结果表明,本文方法能实现融合图像多目标的检测识别,其精度好,有一定的应用前景.     

基于改进Fisher准则的深度卷积神经网络识别算法

为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果.     

自适应深度卷积神经网络模型构建方法

针对传统卷积神经网络(CNN)模型构建过度依赖经验知识、参数多、训练难度大等缺点,同时鉴于复杂多类问题的CNN模型构建策略的重要价值,提出一种自适应深度CNN模型构建方法.首先,将初始网络模型的卷积层和池化层设置为仅含一幅特征图;然后,以网络收敛速度为评价指标,对网络进行全局扩展,全局扩展后,根据交叉验证样本识别率控制网络展开局部扩展,直到识别率达到预设期望值后停止局部网络学习;最后,针对新增训练样本,通过拓展新支路实现网络结构的自适应增量学习.通过图像识别实验验证了所提算法在网络训练时间和识别效果上的优越性.     

一种面向机器学习的情境识别机制

普适计算环境为了能够自适应地为人们提供透明式的服务,必须通过情境获取和识别。情境识别指通过传感器网络获取物理环境和用户状态等信息后,通过数据融合、规则推理、机器学习等途径,判断当前发生的事务。本文开发了一个情境识别引擎,详细介绍了识别引擎的总体架构和训练算法,并进行了性能检测。     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

基于Hopfield网络的衰变目标识别研究

人工神经网络是对人脑功能的某种程度的反映，具有自适应，自学习的能力，可通过对模式样本的自学习，从中获取特征，并能将学习获得的知识应用到后来的识别中。本文采用单层离散Hopfield网络来实现衰变目标的识别，提出了选取Hopfield网络三个记忆模式方法。     

基于半监督学习的脑电信号特征提取及识别

针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络（DSN）的半监督特征学习方法,无监督特征学习的过程由多个受限玻尔兹曼机（RBM）的并行训练完成,将训练得到的参数用于DSN的输入权值初始化,再采用批量模式的梯度下降法进行监督微调。将所提方法用于运动想象脑电信号特征提取及识别,实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式（CSP）和深度信念网络（DBN）等算法,该方法可用于提高BCI系统中脑电信号的识别准确率。     

一种SVM多类分类算法用于抗噪语音识别

为提高机器学习的推广能力,解决语音识别系统在噪声环境中识别率变差等问题,采用改进的MFCC语音特征参数,用支持向量机(SVM)作为语音识别系统的识别网络,对SVM多类分类问题采用"一对一"分类算法,实现了一个汉语孤立词非特定人中等词汇量的抗噪语音识别系统。实验结果表明,SVM线性核函数和多项式核函数具有较好分类结果;当工作在不同信噪比情况下,SVM语音识别系统有较高的识别率,训练时间也能大为缩减,具有较的好鲁棒性。     

Research on biomimetic pattern recognition for object adaptive tracking algorithm

A new method for image object recognition and tracking based on Biomimetic Pattern Recognition (BPR), which can automatically change the size of the object, is proposed. To accomplish the learning process of the sample objects with different sizes, an artificial neural network model is used to cover the training sample. The curve fitting method based on the Radial Basis Function (RBF) neural network is presented to approximate the size of the objects in the coverage of the network formed by BPR theory in order to change the size of the object automatically. The Quadratic Minimum Distance algorithm based on the Euclidean distance is applied to search the target in the process of object recognition and tracking. Experimental results and theoretical analysis show that the algorithm proposed in this paper is more effective and robust in object recognition and tracking of video image sequences than the BP neural network.     

基于深度学习的微博命名体识别

针对微博用语不规范,噪声多,更新快,缩略语多,且数据量大等相关特点,本文提出基于深度学习的方法进行微博命名体的识别。本文首先利用大量的未标注的微博信息对自动编码器训练,获得抽象特征,随后将这些特征作为深度学习网络的输入,最后得出句子中每个字的类标。在进行自动编码器训练的过程中,本文提出卷积方法替代窗口移动方法,以此获取句子中的长依赖信息。通过对新浪微博数据的实验结果表明,本文所给出的深度学习方法能够提高微博中命名体识别的F1值,说明了本文算法的有效性。     

General Fuzzy Min-Max神经网络的改进与应用

针对General Fuzzy Min—Max(GFMM)神经网络不能自适应学习新类的缺陷，提出了一种基于该网络的无师训练改进算法。它一方面继承原GFMM网可以处理模糊输入量的优点．重构了网络中的模糊隶属度函数：另一方面结合ART2神经网络无师学习的特点．引入了网络警戒门限和运行状态切换控制。改进后的GFMM神经网络完全具备了自适应调整和无师学习的能力．并展现出了良好的并行处理性能。自动目标识别中的应用结果表明：该网络具有广泛的实用性