基于神经网络的雷达辐射源体制和用途智能识别

本文描述一种采用BP神经网络对雷达辐射源体制和用途进行智能识别的方法．包括理论分析、神经网络结构设计、推理和学习算法设计、编程算法设计、实验结果比较与分析等。实验表明，该方法有着良好的识别效果。     

基于卷积神经网络DL算法的文字图像识别研究

为提高文字图像识别结果与文字图像实际分类结果的相似度,引入卷积神经网络DL算法,开展对文字图像识别方法设计研究.通过构建卷积神经网络文字图像识别层级模型、基于DL算法的模型训练、文字图像识别结果分类,提出一种全新的识别方法.分析对比实验结果得出,设计方法的识别结果相似度更高,识别误差更小,可以实现对文字图像识别精度的提...     

基于稀疏卷积神经网络的考生识别算法

针对传统的图像识别方法很难快速、准确地对考生进行识别从而验证其身份,文中详细地分析了卷积神经网络的原理及特性,提出一种基于多通道输入的稀疏卷积神经网络的考生识别算法,并与支持向量机及传统卷积神经网络进行比较,实验结果表明,该算法提高了考生识别的准确率,而且识别的速度大幅提高。     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

基于油液在线监测的风机齿轮箱磨损状态识别

针对风机齿轮箱磨损状态识别中传统算法识别准确率低的问题,该文提出了一种基于BP神经网络的风机齿轮箱磨损状态的识别方法。该方法基于油液在线监测的多维数据样本,构建BP神经网络风机齿轮箱磨损状态识别模型。仿真实验中,在经过对测试数据学习训练后,BP神经网络和传统聚类算法分别对一组测试数据进行磨损状态识别,BP神经网络模型的风机齿轮箱磨损状态识别准确率可达到98%,而相同样本下,传统聚类算法的识别准确率仅为90.4%。对比实验结果表明,所提方法具有更高的识别准确率。     

一种BP-IA数字调制方式识别方法

为提高数字调制方式的识别速度和准确率,提出一种基于免疫算法(IA)的反向后传(BP)神经网络数字调制方式识别算法。首先对信号的特征进行分析和提取,其次利用具有全局搜索能力的免疫算法优化BP神经网络的权重及阈值,最后利用Levenberg-Marquardt算法训练BP网络。文中不仅给出了详细的算法分析,同时进行了仿真实验。实验结果表明,所提方法的收敛速度明显优于传统的BP算法和遗传算法,在信噪比大于-2 dB时,所提方法的平均识别准确率也优于传统的BP算法和遗传算法。所提免疫优化算法在训练多层前向神经网络时可有效地避免BP算法易陷入局部极小,且算法收敛速度快,具有精确的全局寻优性能,进而提高了数字调制方式的识别准确率。     

基于SVM方法的神经网络呼吸音识别算法

提出了一种神经网络的SVM(支持向量机)呼吸音识别算法,将通过小波分析得到的呼吸音特征输入神经网络,作为SVM方法的特征输入,对训练样本进行训练,再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别,同时与K最近邻(KNN)方法进行比较。实验结果表明,SVM方法具有较高的识别精度,能够对呼吸音状态进行识别,同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于SVM方法的神经网络呼吸音识别算法有较好的精度,可为身体局域网技术提供信息处理的有效算法。     

基于深度学习的通信信号调制方式识别

针对采用传统机器学习算法对通信信号调制识别方法中的计算复杂度高、准确率低以及人工提取特征步骤繁琐等问题,提出一种基于深度神经网络通信信号调制识别模型。模型可以直接识别经过采样之后的通信信号类别,且具有识别准确率高、通用性强、抗噪声性能好及处理流程简便等特点,有效解决了传统算法无法实现自动提取特征的缺陷。通过大量实验以及对通信信号特征的准确分析,采用卷积神经网络和循环神经网络等网络的组合设计,构建了一个识别准确率较高且端到端的通信信号识别模型。     

基于SVM算法的林果害虫图像识别

支持向量机已经成功应用在许多领域如规则提取、分类和评价。针对阿克苏林果害虫分类种类多的特点,采用了一种简单sift特征提取,结合svm算法分类识别林果主要害虫的方法。首先对样本数据进行SVM分类器训练,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用神经网络算法进行分类实验,比较分析传统SVM算法、神经网络算法在分类识别方面的差异。实验结果表明,SVM算法能够快速有效地识别害虫种类,并获得相对较高的分类精度,但由于测试图像背景不同且提取的特征单一识别的准确率有待提高。     

一种基于BP网络的雷达信号模糊模式识别方法

研究一种采用BP神经网络获取模糊隶属度,结合判决原则进行判决的雷达信号模糊模式识别方法,包括神经网络的结构设计、推理和学习算法设计、编程算法设计、实验结果分析等,并通过实例分析说明该方法的有效性。     

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。     

基于人工神经网络的语音多脉冲激励矢量量化器的设计及其性能分析

本文讨论了人工神经网络技术在语音压缩编码方面的应用,提出了一种用Kohonen网络实现语音多脉冲激励分析模型的矢量量化方法。该方法将参数分析和量化编码熔为一体,和传统的先分析、后量化方法相比较,具有许多优良的特性,如全并行处理、过程简化等。本文针对语音多脉冲激励模型,提出了量化网络的结构和学习规则,并将此方法和传统方法进行了比较。最后对网络的压缩性能进行了计算机模拟,结果表明应用人工神经网络进行语音信源的压缩是切实可行的。     

基于神经网络与比例法的多文字识别

用传统方法进行文字识别时,需要花费时间分别去提取各个文字的区域.但是在讲究速度与效率的实时系统中,文字识别的速度是一个值得深思的问题.提出了一种多文字识别方法,其核心思想是将输入的文字当做一个整体进行处理,而不需要在单字区域提取上消耗过多时间,再利用ROI以及投影法进一步减少比例法特征提取算法的运算时间.在此基础上,采用BP神经网络进行样本训练与文字识别.实验结果表明,该方法能够有效地实现快速识别,识别四个字的所花费的时间为120 ms.     

神经网络在毫米波E面滤波器设计中应用研究

本文采用神经网络对E面膜片进行建模,并将该模型替代滤波器设计过程中的分析程序.由于神经网络模型具有精度高、实时调用速度快等优点,因此本文所发展的E面滤波器设计方法具有设计精度高和速度快等优点.最后采用该方法设计了一个8mm E面滤波器,设计和实验结果表明该方法比较有效.     

手势语言识别的神经网络方法

提供了一种用于人机交互（HCI）的手势语言可视化识别方法。该方法包括用于几种控制命令的手势的探测、分割、特征提取及识别，第一步的处理都用到了神经网络方法，像肤色探测、主元分析（PCA）以及在编码识别。实验结果显示正确识别率高达94％。     

神经网络稳定性的逻辑分析

神经网络稳定性分析的传统方法是采用权矩阵的定量分析。本文提出一种基于推理和矛盾分析的逻辑分析法，并阐明导致网络不稳定的局部结构因素，这有利于神经网络的分析和设计。     

基于BP神经网络的食品价格的预测

针对目前食品价格上涨的问题,提出了一种基于神经网络的食品价格上涨的预测方法。借助于Matlab建立食品价格上涨数学模型。利用Matlab对各食品价格的数据进行分析,计算相应的食品价格,对结果进行对比。运用BP人工神经网络的多层神经网络对食品价格的实测值进行训练学习,建立模型。借助于此模型来对食品价格上涨进行预测和预报,以达到对食品价格预测预警的作用。应用实例表明：人工神经网络应用于食品价格的预测预警是比较理想的。     

基于RSOM树模型的机器学习原理与算法研究

机器学习和识别可归结于一个高速、有效地搜索非常大的样本空间问题,以实现对训练和识别样本的最佳拟合.对于复杂背景的模式样本集,同类型样本的独立同分布(i.i.d)特性通常难以保证,统计理论无法有效应用.本文将层次化思想和自组织映射(SOM)神经网络相结合,采用递归实现技术实现了一种高效、高容量,能够自适应增长的模式分类树(RSOM树)生长方法,用于模式识别和机器学习的基本建模.通过对大量公用数据集的测试以及在实际的雷达目标识别系统中应用,方法有效性得到了证明.     

基于轨迹分析的交通目标异常行为识别

针对交通监控中运动目标的异常行为识别问题,提出一种基于轨迹分析的异常行为识别方法。首先,引入目标的空间位置、运动速度、运动方向和大小尺寸等特征参数对轨迹进行描述和聚类,以提高对目标轨迹的区分和识别能力;然后,提出一种行为识别数据库的建立和调用方法,并以实际交通场景为例,详细说明了数据库的建立和调用过程;最后,采用基于Bayes最优化的方法对轨迹进行联合匹配和边缘匹配,并根据匹配情况调用行为识别数据库对目标行为进行识别。实验结果表明,该方法切实有效,具有一定的实际应用价值。     

Statistical analysis of a two-layer backpropagation algorithm usedfor modeling nonlinear memoryless channels: the single neuron case

Neural networks have been used for modeling the nonlinear characteristics of memoryless nonlinear channels using backpropagation (BP) learning with experimental training data. In order to better understand this neural network application, this paper studies the transient and convergence properties of a simplified two-layer neural network that uses the BP algorithm and is trained with zero mean Gaussian data. The paper studies the effects of the neural net structure, weights, initial conditions, and algorithm step size on the mean square error (MSE) of the neural net approximation. The performance analysis is based on the derivation of recursions for the mean weight update that can be used to predict the weights and the MSE over time. Monte Carlo simulations display good to excellent agreement between the actual behavior and the predictions of the theoretical model