基于改进型CLAFIC学习子空间算法的有限汉字集识别

采用改进型ＣＬＡＦＩＣ（Ｃｌａｓｓ－Ｆｅａｔｕｒｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｍｐｒｅｓｓｉｏｎ）算法可以为学习子空间ＬＳＭ（Ｌｅａｒｎｉｎｇ Ｓｕｂｓｐａｃｅ Ｍｅｔｈｏｄ）算法提供更好的初始向量子空间,并通过ＬＳＭ算法对各类样本子空间按不同的旋转方式训练,来提高ＯＣＲ的识别率,该文的特点在于首先采用了学习子空间算法来实现字符在灰度图像上的识别,它克服了传统的基于二值化图像进行特征提取和识     

基于子空间信息量准则的前向神经网络设计理论与方法研究

从理论上提出了子空间信息量(SIQ)及其准则(SIQC)的概念；在此基础上阐述了基于上述准则的前向神经网络设计的相关理论，包括前向神经网络隐含层信息量(HLIQ)、存在性和逼近定理，给出了选择隐含层神经元数、权值向量集和隐含层激励函数的指导方向；提出了基于上述理论的一种可行的次优网络设计算法；最后，详细分析了网络性能指标及其影响因素，上述理论和方法完全克服了传统学习算法的各种弊端，丰富了前向神经网络设计领域的理论依据，具有较大的理论指导和实际应用价值，文中通过具体实例验证了上述理论和方法的可行性和优越性．     

基于卷积神经网络的解扭曲车牌检测识别方法

为提高车牌检测与识别的适应性,增强系统性能,提出一种基于检测解扭曲-卷积神经网络(DU-CNN)方法.运用已有技术进行车辆检测;利用YOLO空间变换网络理念,提出一种变型的卷积神经网络DU-CNN,该网络学习对发生各种不同形变的车牌进行检测,通过对仿射变化的系数进行回归,将发生形变的车牌重新解扭曲为接近正前方视角的矩形,通过光学字符识别(OCR)方法得到最终结果.为增强训练数据集,数据集由真实数据与人工合成数据混合组成.实验结果表明,所提方法具有较好的识别精度,在困难数据集中优于一些商用系统,稳定性较佳.     

基于Hopfield神经网络模型的启发式学习算法及其在数字模式处理中的应用

本文给出了一个基于Hopfield神经网络的启发式学习算法.使用这个算法对6个分别被0.1和0.5随机噪声干扰的数字模式成功地进行了校正处理,得到了较好的结果.     

基于子空间流形的图像集识别方法

近年来,基于黎曼流形将图像集在线性子空间中进行表征的图像集识别方法已经被证实有良好的效果,针对该领域存在的图像线性子空间大多高维所导致现有黎曼流形的图像集识别方法存在计算成本高、适用性有限的问题,提出一种基于子空间流形的图像集识别方法。首先,从线性子空间的几何结构出发,利用Grassmann流形对线性子空间进行建模,得到基于Grassmann流形的联合黎曼度量。然后,通过该联合黎曼度量,从高维的Grassmann流形中学习到一个低维的Grassmann流形。最后,对通过学习得到的低维流形上的图像集数据进行图像集识别。实验结果表明,在ETH-80数据集上该方法的识别准确率比投影度量学习（PML）和图嵌入Grassmann判别分析（GGDA）都分别提升了2.5个百分点。证明了在通过提出的度量与方法学习到的低维流形上,图像集数据具有更好的分类结构,从而降低图像集识别计算成本,扩大适用范围,提升识别准确率。     

基于稀疏学习的人脸语义子空间提取

人脸语义检索在识别技术中有着重要的作用,如表情检索、性别判断、年龄估计等,上述识别技术通过捉捕人脸语义信息来实现。研究将人脸语义信息融入到人脸检索中,提出一种基于稀疏学习的人脸语义子空间提取方法。语义子空间学习被分为字典构建和稀疏学习2个部分。在字典构建的过程中,给出语义差的方法来对互斥语义进行计算,使提取的某类语义不受其他类语义干扰语义子空间,并对不同语义环境和不同语义差组合进行测试。在稀疏学习部分,使用Lasso算法对其进行改进。实验结果表明,与传统Fisher方法相比,该方法撇除其他语义干扰的子空间稳定性更强,且有一定的降维效果。     

基于核保持嵌入的子空间学习

子空间学习是特征提取领域中的一个重要研究方向,其通过一种线性或非线性的变换将原始数据映射到低维子空间中,并在该子空间中尽可能地保留原始数据的几何结构和有用信息.子空间学习的性能提升主要取决于相似性关系的衡量方式和特征嵌入的图构建手段.文中针对子空间学习中的相似性度量与图构建两大问题进行研究,提出了一种基于核保持嵌入的子空间学习算法(Kernel-preserving Embedding based Subspace Learning,KESL),该算法通过自表示技术自适应地学习数据间的相似性信息和基于核保持的构图.首先针对传统降维方法无法挖掘高维非线性数据的内部结构问题,引入核函数并最小化样本的重构误差来约束最优的表示系数,以期挖掘出有利于分类的数据结构关系.然后,针对现有基于图的子空间学习方法大都只考虑类内样本相似性信息的问题,利用学习到的相似性矩阵分别构建类内和类间图,使得在投影子空间中同类样本的核保持关系得到加强,不同类样本间的核保持关系被进一步抑制.最后,通过核保持矩阵与图嵌入的联合优化,动态地求解出最优表示下的子空间投影.在多个数据集上的实验结果表明,所提算法在分类任务中的性能优于主流的子空间学习算法.     

基于核保持嵌入的子空间学习

子空间学习是特征提取领域中的一个重要研究方向,其通过一种线性或非线性的变换将原始数据映射到低维子空间中,并在该子空间中尽可能地保留原始数据的几何结构和有用信息.子空间学习的性能提升主要取决于相似性关系的衡量方式和特征嵌入的图构建手段.文中针对子空间学习中的相似性度量与图构建两大问题进行研究,提出了一种基于核保持嵌入的子空间学习算法(Kernel-preserving Embedding based Subspace Learning,KESL),该算法通过自表示技术自适应地学习数据间的相似性信息和基于核保持的构图.首先针对传统降维方法无法挖掘高维非线性数据的内部结构问题,引入核函数并最小化样本的重构误差来约束最优的表示系数,以期挖掘出有利于分类的数据结构关系.然后,针对现有基于图的子空间学习方法大都只考虑类内样本相似性信息的问题,利用学习到的相似性矩阵分别构建类内和类间图,使得在投影子空间中同类样本的核保持关系得到加强,不同类样本间的核保持关系被进一步抑制.最后,通过核保持矩阵与图嵌入的联合优化,动态地求解出最优表示下的子空间投影.在多个数据集上的实验结果表明,所提算法在分类任务中的性能优于主流的子空间学习算法.     

并行子空间优化在无人机总体设计中的应用

飞机设计是一个多学科的复杂的系统工程,各个学科通常相互影响、相互耦合.这使得飞机设计过程日趋复杂,设计周期越来越长,开发成本越来越高,而并行子空间优化(CSSO)是解决这些问题的一种有效方法.文中对基于神经网络响应面的并行子空间优化算法及其在无人机总体方案设计优化中的应用进行了研究.并行子空间优化算法将多学科耦合的无人机设计优化问题分解为不同的子空间问题,在不同的子空间中建立各自的神经网络响应面,通过响应面完成各子空间之间的数据交换与协调,以此来逼近设计空间最优解.应用结果表明,CSSO算法能有效地应用于无人机总体方案优化设计.     

基于局部保持投影的鲁棒稀疏子空间学习

传统的子空间学习算法包含投影学习和分类两个过程,但是这两个过程分离,且对离群点较敏感,可能导致算法无法获得整体最优解.为此,提出了一种基于局部保持投影的鲁棒稀疏子空间学习算法.该算法将特征学习和分类模型相结合,使学习得到的子空间特征更具有判别性;利用L2,1范数的行稀疏性质,剔除冗余特征,同时在算法模型中考虑数据样本的...     

基于边框线的版面分析方法应用于选票处理

民主选举过程中选票的统计是一项严肃而繁琐的工作,传统的手工操作方法不仅效率低,而且在统计过程中很容易出错,影响了选举工作的进度及质量。选票信息的自动处理能提高录入速度、准确率和公正性。选票信息自动处理的核心是选票版面结构获取和填写信息识别。该文提出了一种基于边框线的选票版面分析方法,并采用OCR(OpticalCharacterRecognition)识别填写信息,该方法具有对选票的设计更方便灵活、纸张和填写的要求低、精度高、通用性好的特点。     

一种基于FCMAC神经网络的优化方法

提出了一种利用FCMAC(Fuzzy Cerebellar Model Articulation Controller)神经网络进行优化的方法。该方法由学习过程和优化过程两部分组成。对于许多没有模型可参考的实际过程，使用该方法只需要传感器的观测信息就能进行优化。仿真结果证明了该方法的有效性与优越性，进而提出了在实际应用中进行优化的一种方案。     

基于神经网络的迭代学习控制参数拟合

该文介绍了由迭代学习控制理论得到控制律，通过基于神经网络的拟合算法，拟合出PID控制器的参数的方法。仿真实验结果表明了这种方法的有效性。     

基于图像处理技术和BP神经网络算法的玉米病害诊断方法的研究

为了快速诊断识别玉米病害,及时采取防治措施,提高玉米病害的诊断水平,将图像处理技术和BP神经网络算法引入到玉米病害识别和诊断中。实验测试表明,利用图像处理技术的病害识别模型对采集的病害样本进行处理识别所得到的分析结论与实际应用领域的真实结论相符,满足农业生产的实际应用。该项技术为保证玉米产量和玉米品质提供了一种有效的方法。     

基于神经网络分类的星载雷达高度计近岸回波处理方法

对HY-2B卫星雷达高度计香港近岸波形进行了统计分析,将近岸非海洋波形分为似海洋波形、似陆地波形、单锥波形。在此基础上,提出基于神经网络分类的星载雷达高度计近岸回波处理方法,提取7项波形特征作为回波分类的输入,构建误差逆传播神经网络（Back propagation,BP）,不同的波形类别对应不同的重跟踪方法。其中针对似海洋波形,提出异常波峰剔除的重跟踪方法,有效提高了似海洋波形的重跟踪成功率。使用Jason-2卫星雷达高度计近岸数据进行实验,结果表明重跟踪成功率和数据有效性均得到提高;利用HY-2B卫星雷达高度计直湾岛海域数据进行实验,并将验潮站数据作为参照标准,重跟踪得到的海面高与验潮站的海面高进行差值比较,该方法得到差分序列的标准差为6.5 cm,优于传统处理方法的14.5 cm。     

基于GP的神经网络学习规则的发现

提出用遗传编程(GP)方法发现新的神经网络学习规则,并通过实验得到了几个新的学习规则;另外讨论了通过文法产生式的设计来改进对该问题的研究.     

基于神经网络的快速核子空间人脸识别算法研究

针对现有核子空间人脸识别算法计算量大且速度缓慢的现状,提出了一种基于神经网络的快速核子空间人脸识别算法模型,利用神经网络的隐含层神经元将核特征子空间的基表示进行约减,从而大幅提高了识别速度。进而基于KPCA和KFDA两种核子空间人脸识别算法,建立了神经网络逼近模型,并基于ORL、UMIST和YALE 3种人脸数据库进行了实证分析。实验结果表明,当隐含层神经元个数设置为训练样本总数一半或更少时,基于神经网络的快速核子空间算法能够取得相近甚至相当于核子空间算法的识别率。从而在满足一定识别正确率的条件下,能将识别时间缩短到50%甚至更低。     

一种新的神经网络结构及其学习算法

提出了一个基于模糊集理论的新的神经网络结构及其学习算法。这种神经网络是对标准的BP网络修改后构成的(记作FIBP)。并通过几个实例仿真验证其有效性。实验结果表明,当用FIBP网络解决动态的、高度非线性的函数逼近时,其学习速度比BP网络快,精度高而且泛化能力高。     

基于深度神经网络二阶信息的结构化剪枝算法

现有结构化剪枝算法通常运用深度神经网络(DNN)的一阶或者零阶信息对通道进行剪枝,为利用二阶信息加快DNN网络模型收敛速度,借鉴HAWQ算法思想提出一种新的结构化剪枝算法.采用幂迭代法得到经过预训练的网络参数对应Hessian矩阵的主特征向量,据此向量衡量网络通道的重要性并进行通道剪枝,同时对剪枝后的网络参数进行微调提...     

基于约束规划的选择性神经网络集成方法

提出了一种基于约束规划的选择性神经网络集成方法,在训练出个体网络之后,用约束规划方法选择出相对最佳的个体网络组成神经网络集成。理论分析和实验结果表明,该方法设计过程简单,能够以较小的运算代价提高神经网络集成的泛化能力。