一种基于神经网络的数据融合方法在遥感图像处理中的应用

用一维自组织特征的神经网络数据融合算法，对分别从3个传感器采集的同一遥感对象的3幅数字灰度图像进行了融合，生成出了高质量图像，为人工判读和下一步特征层和决策层融合处理提供了更佳的输入信息。     

图像矢量量化——改进的自组织特征映射神经网络的算法

图像矢量量化（VQ）是图像压缩算法中的重要环节,在VQ中起决定性因素的是构造出性能优异的码书。为改善矢量量化码书的性能,文中在分析Kohonen自组织特征映射（SOFM）的基础上,提出一种识别距离SOFM的算法,同时将矢量量化应用于图像的小波变换域。测试结果表明,改进的算法使码书设计的计算量得到明显的降低,而且码书的性能得到了提高。     

用自产生和自组织神经网络对超声医学图像进行自动分割

本文研究用自产生和自组织神经网络方法进行超声心脏图像的自动分割。这种无监督的聚类方法能够自动搜索最佳的网络输出节点数而获取图像中的目标数,从而完成对图像的自动分割。实验结果表明,与自组织特征映射方法相比,本文的方法具有许多重要的优点。     

基于自组织映射神经网络的VANET组网算法

研究了应用于汽车辅助驾驶、无人驾驶等智能交通领域的车辆组网方法,提出一种将自组织映射神经网络算法应用于车辆自组织网络进行车辆组网的算法,该算法根据车辆定时发出的消息中位置、行驶方向等信息对车辆按目的地、行驶方向的相似性进行组网,组网后的车辆主要接收并处理与之在同一个网络中的车辆的信息。理论分析和仿真结果表明,组网后的系统传输时延远低于未组网通信情况,吞吐量有显著提高。     

图像矢量量化—频率敏感自组织特征映射算法

用神经网络实现图像矢量量化是一种非常有效的方法，本文在分析自组织特征映射（ＳＯＦＭ）算法的基础上，提出了一种频率敏感自组织特征映射（ＦＳＯＦＭ）算法，并对网络学习训练参数的优化进行了探讨。实验表明，ＦＳＯＦＭ算法优于ＳＯＦＭ算法。     

TGSOM:一种用于数据聚类的动态自组织映射神经网络

针对传统Kohonen自组织特征映射(SOFM)神经网络模型结构需预先指定的限制,提出一种新的树形动态自组织映射(TGSOM)神经网络,当用于数据挖掘时该网络以其生成速度快可视性好具有显著优越性。该文详尽描述了该网络模型的生成算法,研究了算法中扩展因子的作用。扩展因子与训练样本数据的维数无关,其作用是控制网络的生长,扩展因子可以反映数据聚类的精度,即扩展因子值的大小与聚类精度的高低成正比。在聚类的不同阶段使用大小不等的扩展因子还可以实现层次聚类。     

基于自组织特征映射的栅阵列排序算法

自组织特征映射神经网络中所有神经通过相互竞争和自适应学习而成空间上的有序结构，这种有序结构能反应出输入矢量集合的内在特下。这一特性可成功地应用于解决组合优化问题。     

基于自组织映射网络的图像分割算法

针对K—Means图像聚类分割算法需要预先知道图像分割数,且对初始聚类中心较为敏感等问题,提出了一种基于SOFM（自组织特征映射网络）的图像聚类分割算法。该算法结合SOFM聚类及合并聚类分析,能够自动确定分割块数并得到有效的K-Means初始聚类中心。实验结果表明该算法具有运行效率高、分割效果好等优点,在实际应用中是可行的。     

结构自适应自组织神经网络的研究

针对Ｋｏｈｏｎｅｎ的自组织特征映射（ＳＯＦＭ）神经网络的不足,本文把进化计算的思想用于神经网络的结构寻优之中,提出了一种结构自适应的自组织神经网络（ＳＡＳＯＮＮ）模型,ＳＡＳＯＮＮ基于把每个神经元看成是一个进化群体中的一个个体的观点,构造了神经元生长（ｇｒｏｗｉｎｇ）和删除（ｐｒｕｎｉｎｇ）的准则和方法,使得ＳＯＦＭ中的神经元欠利用,神经网络映射欠准确,以及映射的边缘效应等问题得到很大程度的改善。     

基于RBF神经网络的激光雷达图像滤波融合算法

单一算法对激光雷达图像的滤波很难达到实用的理想效果,本文分析了激光雷达图像的噪声特点和各种滤波算法的优势,提出一种基于RBF神经网络的激光雷达图像滤波融合算法,仿真的结果显示了该算法能够在噪声抑制和信息熵保持两个方面都能达到很好的效果.     

基于神经网络的数据融合方法

作为一种新的方法体系,人工神经网络具有分布并行处理、非线性映射、自适应学习、较强的鲁棒性和容错等特性,这使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面都有广泛的应用。本文对BP神经网络模设计、建立及训练进行了深入的讨论,研究了基于BP神经网络的数据融合的优缺点。     

基于神经网络的自组织传感器网络设计

多传感器目标跟踪是信息融合的一个重要研究内容。尽管已经有许多的融合算法,但目前对跟踪传感器的配置问题研究还很少,而这对于设计一个成功的UGS网络系统是必要的。本文设计了一种神经元阈值可调的自适应Hopfield网络,可以自组织地从整个网络中选取合适数目的传感器组成跟踪器,使整个系统的精度足够高,而使用的传感器数目尽可能少。仿真显示了算法的有效性。     

基于卷积神经网络的红外与可见光图像融合

非下采样剪切波变换(NSST)域中低频子带的融合需要人工给定融合模式,因此未能充分捕获源图像的空间连续性和轮廓细节信息.针对上述问题,提出了基于深度卷积神经网络的红外与可见光图像融合算法.首先,使用孪生双通道卷积神经网络学习NSST域低频子带的特征来输出衡量子带空间细节信息的特征图.然后,根据高斯滤波处理的特征图设计了基于局部相似性的测量函数来自适应地调整NSST域低频子带的融合模式.最后,根据NSST域高频子带的方差、局部区域能量以及可见度特征来自适应地设置脉冲耦合神经网络参数完成NSST域高频子带的融合.实验结果表明:该算法QAB/F指标略弱于对比算法,但SF、SP、SSIM以及VIFF指标分别提高了约50.42％、14.25％、7.91％以及61.67％,有效地解决了低频子带融合模式给定的问题,同时又克服了手动设置PCNN参数的缺陷.     

基于神经网络的图像融合效果综合评价

针对单因素指标评价图像融合效果时只考虑融合图像某一方面的特征,缺乏全局性等问题,提出了一种基于神经网络的图像融合效果综合评价方法.该方法采用图像熵值、空间频率值、交叉熵平均值、均方差平均值构成单因素评价指标集,利用模糊积分求出单因素指标融合效果评价值,并以此作为神经网络的输入对其权值进行训练,最终获得综合评价指标.通过大量红外与可见光图像融合的效果评价实验,证明该方法评价结果合理,主客观评价有较好的一致性.     

蝙蝠算法优化神经网络的无线传感器网络数据融合

为了降低无线传感器网络数据间的冗余性,提高数据传输量和降低通信能耗,提出一种蝙蝠算法优化神经网络算法的数据融合策略.首先每个簇首节点接收该区域的各传感器节点检测到的数据,然后采用蝙蝠算法优化BP神经网络进行数据融合,最后采用仿真实验对其性能进行测试.仿真结果表明,本文算法节省了感知节点的能量消耗,延长了无线传感器网络的生命周期时间,提高数据融合的精度.     

基于数据融合的SAR图像斑点噪声抑制

合成孔径雷达图像中的斑点噪声极大地降低了图像的可读性,不利于图像解译和信息提取。根据均值滤波和小波软阈值去噪算法的优点,提出了一种基于数据融合的合成孔径雷达图像相干斑抑制算法。该方法首先对含噪图像进行均值滤波和小波软阈值去噪,再对滤波后的两幅图像在小波域进行数据融合。实验结果表明,这种方法抑制SAR图像斑点噪声的效果较好。     

一种改进的自组织特征映射图像压缩算法

为改善矢量量化的码书性能,提高神经网络的学习效率,在分析Kohonen自组织特征映射算法的基础上,提出一种改进的自组织特征映射算法,并应用到图像的矢量量化中。新算法引入失真敏感参数,并对网络学习参数进行了优化。实验表明,在压缩比为51.2时,新算法恢复图像的峰峰信噪比达到34.66dB,较Kononen自组织特征映射算法提高3.57dB。     

运用自组织神经网络进行多目标跟踪的算法

总结了自组织神经网络的结构、训练方法；分析了在多目标跟踪问题中数据关联的重要性及传统的数据关联方法的局限性；研究了在多目标环境下运用自组织神经网络解决数据关联的问题。提出了一种基于自组织神经网络对多个目标实施跟踪的算法，此算法采用自组织神经网络的聚类功能对目标进行数据关联处理，并将经过卡尔曼滤波后的数据信息结合到神经网络的学习训练中。仿真实验结果表明此算法能在多目标环境下取得较好的跟踪效果。     

基于自适应多特征融合的红外图像增强算法

针对红外图像纹理不清晰、亮度低、高噪声的问题,提出了一种自适应多特征融合的红外图像增强算法。首先,通过用自动线性映射的方法对14位红外图像进行有效特征提取得到了16位图像,提升了图像可视化效果。其次,引入广义反锐化掩模(Generalized Unsharp Masking, GUM)算法与带色彩恢复的多尺度视网膜(Multi-Scale Retinex with Color Restoration, MSRCR)增强算法联合处理的方法,获得图像不同尺度的有效信息,提升了图像的对比度。最后设计了自适应权重图,并结合图像金字塔结构的特性,对不同特征层进行有效信息的互补融合,提升了图像亮度,丰富了图像的纹理信息。实验结果表明,此算法有效提升了红外图像的对比度和视觉效果;相较于现有的几种算法,其平均梯度(Average Gradient, AG)约提升0.6%,峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)约提升10%,图像的边缘信息有效率约提升11%,图像的清晰度约提升10%。