基于BP神经网络的货币识别算法设计与实现

神经网络模式识别方法是近几年兴起的模式识别领域的一个新的研究方向,而BP算法是神经网络众多算法中应用最为广泛的一种.BP神经网络已应用于非线性建摸、函数逼近、模式分类等方面,但对解决具体问题而言,其模型结构的确定、每层神经元个数的选择、训练参数的设定等都无现成的规律可供遵循,必需由实验确定,由此,在分析BP算法和收敛性的基础上,设计了基于BP神经网络的货币识别算法,测试证明,其具有良好的识别率,具有一定的理论和实用意义.     

一种基于球邻域模型的神经网络算法

手写体汉字识别问题属于一种大规模的模式识别问题.本文基于球邻域模型的几何意义解释,即将神经网络的训练转化为几何的点集覆盖问题,通过对神经网络分界面的分析提出了一种改进的前馈神经网络训练算法,并且引入神经网络集成的思想,用以解决手写体汉字的识别问题.实验结果表明该算法可以用来解决大规模的模式识别问题且具有较好的效果.     

"弹性"BP神经网络在识别带有噪声字母中的应用

字符识别是模式识别中的一个典型应用,通过训练网络可以教会计算机如何识别字符,这在票据处理方面可以大大地提高效率.该文中所建立的神经网络具有Sigmoid型可微函数的三层BP神经网络,它可以以任意精度逼近任何连续函数,实现输入和输出之间的任意非线性映射.文中分析了BP神经网络的“弹性”学习算法,利用五位二进制数来识别的输出26种状态.建立的一个三层的BP神经网络能对带有噪声的26个英文大写字母进行识别.利用MATLAB编写仿真程序对BP神经网络进行训练,仿真结果表明训练的BP神经网络可以对给定的带有噪声的字母正确地识别.     

BP网络学习算法研究及其图像模式识别应用

BP神经网络的训练性能主要包括收敛速度和收敛精度等方面,该训练性能在很大程度上取决于所选择的网络学习算法。本文针对模式识别应用领域,通过实例,运用Matlab编程对部分较好的网络学习算法的训练性能进行了比较研究．给出了模式识别应用过程中BP网络学习算法的选择依据。在此基础上,运用BP网络编程实现了对常见单位符号图像目标的模式识别,并通过识别算法的实现过程,分析了用BP网络进行图像目标模式识别的具体思路和方法。     

一种用于大规模模式识别问题的神经网络算法

许多实际的模式识别问题如对手写体汉字的识别,都属于大规模的模式识别问题.目前,传统的神经网络算法对这类问题尚无有效的解决办法.在球邻域模型的基础上提出一种可用于大规模模式识别问题的神经网络训练算法,试图加强神经网络解决大规模问题的能力,并用手写体汉字识别问题检验其效果.实验结果揭示了所提算法是解决大规模模式识别问题的一个有效且具有良好前景的方法.     

基于遗传算法和BP网络的文字识别方法

将基于遗传的BP神经网络算法用于文字识别算法结合了遗传算法和BP网络的优点.先采用遗传学习算法进行全局寻优、再利用BP算法进行精确训练、优化BP(Back Propagation)神经网络权重学习和训练的神经网络文字识别算法.实验结果表明该算法完全达到了文字识别要求,识别率达到了98%.并且在识别速度上也明显优于传统的BP神经网络及其他改进算法,具有精确性、收敛性和识别速度快等特点.     

基于遗传BP算法的手写体识别

神经网络具有模拟人类的大脑活动、良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力.本文阐述了BP神经网络基本原理以及BP网络手写体识别模型,研究分析了BP神经网络手写体识别模型的缺陷并提出了优化策略.在此基础上,提出一种基于改进结构的BP神经网络来实现手写体数字识别方案,除了改进BP网的结构外,还对网络学习算法进行了改进,采用了BP和GA相结合的算法,提高了网络的学习训练速度和识别效果.     

基于支持向量机的人民币纸币序列号识别方法

实现了人民币图像预处理和序列号识别,主要研究了统计学习理论中支持向量机的次序最小优化算法,并将其构建的支持向量机用于序列号识别,解决了人民币序列号识别中小样本、非线性和高维模式识别问题.实验结果显示,与简单的BP神经网络相比,这种支持向量机货币识别方法具有较高的可实现性和识别精度.     

基于模糊模式的手写数字识别

手写体数字识别是一个难度很大,但却具有广阔应用前景的研究课题.文章提出了一种基于模糊模式识别和BP神经网络技术对手写数字进行识别的算法:首先应用BP神经网络技术对手写数字样本进行学习,然后结合模糊模式识别方法进行手写数字识别.实验表明,该方法的正确识别率达95%以上.     

一种改进的BP神经网络红外目标识别方法

红外目标的识别是红外跟踪、制导系统和预警系统等的一项核心技术。在红外目标模式识别系统中,对目标的识别效果直接影响到后续的跟踪、定位等过程。基于红外图像的特性分析,采用了一种人工神经网络算法对其进行目标识别,针对传统BP神经网络算法的一些缺陷,增加一个放大因子并自适应的调整学习速率来提高算法训练速度。基于这种改进后的BP算法,对三种军事目标（飞机、轮船、坦克）进行识别,证明算法的有效性。     

一种自适应遗传BP神经网络模型研究及应用

如何更有效地提高神经网络的收敛速度和收敛质量。基于遗传算法的全局搜索和BP神经网络局部精确搜索的特性,提出一种自适应遗传BP神经网络模型,该模型的主要算法是先采用一种自适应遗传算法优化BP网络初始权重。而后再进行BP网络的训练过程。最后并研究如何利用该模型进行三级跳远成绩预测。实验结果表明该方法优于传统BP算法。有利于提高网络的收敛性以及学习能力,可在一定程度上提高三级跳远成绩预测的准确率,具有一定的实用价值。     

神经网络PID控制算法在WinCC中的实现

将应用最广泛的PID控制器与具有自学习功能的神经网络相结合,提出了基于BP神经网络的PID控制算法.并利用WinCC的全局脚本编辑器,将用户自行开发的神经网络控制算法嵌入WinCC中,通过WinCC与PLC之间的通讯,实现对被控对像的神经网络控制.     

一种混合学习算法的研究

提出一种基于模糊逻辑和神经网络的自学习网络模型。该模型通过特定的学习算法训练样本，能自动生成模糊逻辑规则，调节输入、输出变量的隶属函数。同时，提出了一种结合自组织学习和ＢＰ学习的混合学习算法──ＢＰＳＯＭ，这种算法比通常的ＢＰ机学习算法收敛性好，速度快。     

一种基于改进的BP网的公钥密码的破译方法

该文以RSA密码系统为实例介绍了公钥密码体制的基本原理和破译，研究了神经网络在RSA密码体系中的应用，并给出了用BP神经网络来对公钥密码进行破译的基本结构及其学习算法，分析了用BP神经网络破译RsA密码的破译原理．给出了改进的BP网络模型及其学习算法，进行了仿真试验，在此基础上对构建的BP神经网络破译器的的结构进行了进一步的优化和改进，并给出了改进后的学习算法，最后对设计方法阐述了改进的必要性，试验表明方法的有效性和可行性。     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

基于一维卷积神经网络深度学习的工业过程故障检测

针对化工过程的非线性和动态性,以TE过程为背景,应用深度学习中的一维卷积神经网络算法对TE过程进行故障检测,解决了BP神经网络算法用于故障检测时测试识别率低的问题。用训练数据集分别对BP神经网络模型和一维卷积神经网络模型进行训练,将测试数据集输入已经训练好的神经网络,最后统计出了BP神经网络模型和卷积神经网络模型对故障的识别率。仿真结果表明BP神经网络和卷积神经网络对故障的检测具有较好的效果,但BP神经网络算法收敛速度慢,很容易就陷入局部最小值,从而会导致整体的检测性能下降,而卷积神经网络构建出的一维卷积模型能很好地解决存在的问题,通过比较充分体现了卷积神经网络在故障检测方面的优越性。     

BP神经网络学习算法的改进与应用

本文利用BP神经网络拟合电化领域的工艺模型，并通过正交实验获得实验样本数据，对BP网络进行演化训练。在实践应用中，对BP网络的演化学习进行了改进，取得了良好的效果。实践证明，用该模型得到的最优工艺流程的预期值误差和稳定性，都能满足实际生产的要求。     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

一种混合学习算法

提出了一种基于模糊逻辑和神经网络的自学习网络模型和一种结合自组织学习和BP学习的BPSOM混合学习算法。该模型通过BPSOM算法训练样本，能自动生成模糊逻辑规则，调节输入、输出变量的隶属函数；而且该算法比通常的BP学习算法收敛性好、速度快.     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。