两种智能交通标志分类器的比较研究

本文介绍了一种可用于交通标志识别的新方法--支持向量机（SVM）算法,并将SVM算法与BP算法在交通标志的粗、细分类中的识别效果进行了对比分析。用中国的116个和日本的23个交通标志标准图分别训练基于SVM算法和基于BP算法的智能分类器,并用中国标志的噪声图、扭曲图和531个日本交通标志实景图作为测试集。在粗分类中,虽然BP算法 法的识别率也能达到90%以上,但SVM算法的识别率几乎可达100%,二者差距明显。在细分类中,SVM算法的识别效果与BP算法相比具有更加明显的优势。实验研究结果表明,SVM算法可以以接近最优的方式解决模式分类问题,同时具有更好的泛化能力,在交通标志识别领域具有良好的研究价值和应用前景。     

SVM和BP算法在气体识别中的对比研究

介绍了一种可以应用于气体识别领域的新的算法-支持向量基算法(SVM),并通过同常规的神经网络算法-BP算法进行实验对比,得到了:SVM算法在数据样本不含噪声时可以得到和BP算法同样好的识别效果;在数据言本含有噪声时,该算法的识别效果相对BP算法具有明显的优势.从而证明了SVM算法在气体识别领域具有良好的研究价值和应用前景.     

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.     

Gaussian核SVM在抗噪语音识别中的应用

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Gaussian核支持向量机(SVM)作为语音识别网络,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.通过实验,分析了Gaussian核参数y和误差惩罚参数C对SVM推广能力的影响.实验结果表明,当工作在不同信噪比情况下,使用最优参数的Gaussion核SVM的识别率比使用RBF神经网络有较大的提高,训练时间能大为缩减,鲁棒性也较好.     

基于SVM的车牌自动识别系统

为了解决识别率和识别速度同时提高的难点.将支持向量机(SVM)算法应用于车牌字符识别.通过与无字符特征提取的BP神经网络相比较,在小样本的情况下,该方法的识别率远优于神经网络,可很好地解决神经网络方法中收敛速度慢、易陷入局部极小的问题.实验结果表明:在训练样本较少且无字符特征提取的情况下,此系统具有较高的识别率和识别速度,并具有很好的分类推广能力.     

基于小波倒谱系数和概率神经网络的取证说话人识别模型

取证说话人识别是一种利用犯罪现场留下的质疑语音来识别犯罪分子身份的技术。为了提高识别模型的抗噪能力,本论文提出了基于小波倒谱系数（WCC）和概率神经网络（PNN）的取证说话人识别模型。该模型包含WCC特征提取和PNN分类两个步骤。WCC对噪音不敏感,所以使得我们的模型有抗噪能力。PNN是一种高效的分类算法,从而提高了模型识别性能。实验表明,该模型以提高时间消耗为代价提高了识别率和抗噪能力。     

基于粒子群优化神经网络的语音情感识别

提出了一种基于粒子群优化算法的人工神经网络,并把它应用到语音情感识别系统中。依据情感的维度空间模型,分别提取了韵律特征与音质特征,研究了谐波噪声比特征随情感类别的变化。利用粒子群优化算法(PSO)训练随机产生的初始数据,优化神经网络的连接权值和阈值,快速地实现网络的收敛。在实验中比较了BP神经网络、RBF神经网络与PSO神经网络分别用于语音情感识别的识别率,PSO神经网络的平均识别率高于BP神经网络6.7%,高于RBF神经网络5.4%。结果显示,粒子群优化神经网络用于语音情感识别提高了识别性能。     

基于Gabor滤波器和BP神经网络的人脸皮肤皱纹区域自动识别

由于色斑和毛孔等强噪声的干扰,人脸皱纹识别特别是对面部细纹理的识别受到了严重影响。针对上述问题提出了一种基于Gabor滤波器和BP神经网络相结合的人脸皱纹识别算法。通过训练好的BP神经网络人脸皮肤图像首先识别是否存在皱纹,再分别自动标注存在皱纹的区域。本算法首先基于不同年龄的多幅人脸照片创建皱纹样本库,采用样本库训练神经BP网络。其次分别选取含皱纹和不含皱纹的图片,然后用Gabor滤波器组计算出图片的频谱特征,将它们作为训练样本,训练得到用于识别的BP神经网络。大量测试结果表明,本算法能够消除或减少色斑、毛孔等噪声的干扰,对有皱纹区域和无皱纹区域的识别率可达到85%以上。     

"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.     

基于SVM的钢坯号自动识别算法

针对当前钢厂钢坯号现场识别的自动化要求,提供一种基于SVM的钢坯号自动识别算法。该算法通过生产线上视频监控获取钢坯图像,将SVM的非线性分类算法和视感智能检测技术结合实现钢坯智能化监控,对气动、机械等原因引起的断裂、畸变和粗细不均等钢坯号具有较好的识别能力。文章还对该算法与模板匹配方法、BP神经网络方法进行了实验对比,证实该算法对钢坯号识别具有较高的识别率。     

基于改进BP神经网络的尿液中红白细胞识别算法

对显微图像中的尿液有形成分包括红白细胞等进行分析,可以帮助医生对有肾脏和泌尿系统疾病的患者进行评估。针对无染色、无标记的尿液图像中红白细胞存在对比度低、边缘模糊等问题,提出一种基于改进BP神经网络的识别方法。首先,将遗传算法引入BP神经网络对网络权值和阈值进行优化,解决训练过程中网络容易陷入局部极值等问题,提高BP神经网络的识别精度;其次,使用动量梯度下降法消除网络在梯度下降中产生的摆动,加快网络的收敛,提高BP神经网络的学习速度。与基础BP神经网络相比,改进方法对红白细胞的识别准确度分别提高了6.9%和9.5%,且识别时间分别缩短了19.3 s和42.1 s;与CNN识别算法相比,改进算法对白细胞的识别准确度提高了1.7%;与SVM识别算法相比,改进算法对红白细胞的识别准确度分别提高了12.9%和12.7%。验证实验和对照实验的结果表明,改进方法能以较高的准确率和较快的速度实现红白细胞的识别。     

基于神经网络的变压器故障诊断方法研究

针对概率神经网络(PNN)模型强大的非线性分类能力,PNN能够很好地对变压器故障进行分类;文章通过对PNN神经网络的结构和原理的分析,应用PNN概率神经网络方法对变压器故障进行诊断;通过实例仿真表明,PNN网络的训练时间比BP网络少,比之预测准确度也要高,而且还具有高度的泛化能力,这使得PNN网络可以有效地运用到变压器故障诊断中,具有一定的可操作性。     

GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

电子鼻模式识别算法的比较研究

文中比较了k-近邻法、线性判别分析、反向传播人工神经网络、概率神经网、学习向量量化以及自组织映射6种电子鼻模式识别算法的分类能力.采用了1个定量指标(识别精度)和4个定性指标(运算速度、训练速度、内存容量、抗干扰能力)对不同算法进行了系统比较.研究表明基于神经网络的模式识别算法比基于统计理论的模式识别算法具有更高的识别精度.如果同时考虑定性指标,当训练速度要求不高时,宜采用学习向量量化算法;能满足内存需求前提下,优先推荐采用概率神经网算法.对于选择性高的信号,采用线性判别分析可以达到最佳效果.     

软组合概率神经网络分类器人脸识别方法

概率神经网络分类器具有学习速度快、易于实现的特点,而且其输出是后验概率, 使得分类器的软组合变得容易。利用概率神经网络的这些特点,提出了软组合概率神经网络分类器人脸识别方法,该方法包括3步:(1)对人脸图像做不完全小波包分解;(2)用包含低频成分的小波子空间图像训练概率神经网络分类器;(3)用模糊积分组合训练好的分类器。将该方法与3种基于矩阵子空间的人脸识别方法在JAFFE、YALE、ORL和FERET 4个人脸数据库上进行了实验比较,结果表明,提出的方法在识别精度和CPU时间两方面均优于其他3种方法。     

MATLAB7.0中改进BP网络的实现

BP神经网络广泛应用于非线性建模,模式识别等方面,针对BP网络收敛速度慢,计算量大等缺点,介绍了BP神经网络改进训练算法,利用MATLAB7.0中的神经网络工具箱提供的丰富的训练函数,对几种典型的BP网络训练算法的训练速度进行比较,给出了应用实例和注意事项。     

一种基于SVM的车牌汉字的有效识别方法

支持向量机(SVM)是20世纪90年代初由Vapnik等人提出的一类新型机器学习方法,此方法能够在训练样本很少的情况下达到很好的分类推广能力。文章应用SVM算法对车牌中的汉字字符进行识别,在无字符特征提取的情况下可得到较高的识别率和识别速度。通过与无字符特征提取的BP网络识别系统比较表明,在小样本的情况下,该方法的识别率远优于神经网络,并避免了神经网络的局部极值等的问题。     

主成分分析法与概率神经网络在模拟电路故障诊断中的应用

模拟电路故障的多样性使得神经网络训练样本数量增加,BP网络结构趋于复杂,训练速度降低;针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了基于主成分分析(PCA)与概率神经网络(PNN)相结合的模拟电路故障诊断方法;通过主成分分析法(Principal Component Analysis)提取特征数据进行降维处理,再结合概率神经网络(Probabilistic Neural Networks)对电路故障进行分类;实例说明采用PCA和PNN结合对故障数据处理,可以大大的提高故障诊断分类的准确性。     

基于PCA技术的神经网络说话人识别研究

针对当提取以整段语音的多维语音特征参数为BP 神经网络输入而带来的说话人识别率和网络训练稳定性的问题,提出了一种用于BP 网络的基于主分量分析的PCA新方法。将该方法得到的降维语音特征参数用于BP 网络中,其识别率和训练速度都得到较大提高,使得基于BP 神经网络的说话人识别得到更好效果。     

遗传神经网络在语音识别中的应用研究

针对语音识别的特点,对BP神经网络在语音识别技术中的应用进行了探索性研究,进而结合人工智能领域较为有效的方法——遗传(GA)算法,针对传统BP算法识别准确率高但训练速度慢的缺点,对BP网络进行改进,构建了一种基于遗传神经网络的语音识别算法(GABP),并建立相应的语音识别系统。仿真实验表明,该算法有效地缩短了识别时间,提高了网络训练速度和语音的识别率。