基于ELM和PCA的汉语数字语音识别研究

传统BP网络在语音识别应用中存在训练时间长,容易陷入局部极小值等问题,针对上述问题,本文建立一种基于ELM的语音识别系统。ELM是一种快速的单隐层前馈神经网络(SLFN)训练算法,将该算法与单隐层BP网络进行实验比较。实验中对提取的特征矩阵采用主成分分析(PCA)算法进行降维,该算法有效地提取了语音信号的主要成分。实验结果表明在训练时间上,ELM明显优于BP算法,在识别率上,ELM优于BP算法。     

基于免疫克隆聚类协同神经网络的图像识别

该文提出了基于免疫克隆聚类的协同神经网络原型向量求解算法,该算法充分利用免疫克隆的高效全局最优搜索能力构造数据聚类算法,将新聚类算法用于训练协同神经网络的原形向量,并对Brodatz纹理图像库以及合成孔径雷达图像目标进行识别。仿真实验结果表明,相比标准协同神经网络,该算法可以提高网络的识别性能,同经典的支撑向量机相比,该算法在识别率相当的情况下,样本的训练和测试时间都明显缩短。     

车牌图像特征提取及改进神经网络的识别算法研究

针对车牌字符图像进行特征提取与识别算法的研究。使用BP神经网络识别算法建立车牌字符图像的识别。由于常规BP神经网络算法本身存在训练过程容易陷入局部最小值、收敛效率低以及网络结构参数不易确定等缺点。另外,BP网络结构参数的选取对算法的性能影响很大,而参数的选取通常是根据经验公式选取的,存在很大的随机性和盲目性,使算法的性能无法得到保证。因此该文使用收敛速度快、适用于全局搜索的PSO优化算法对BP神经网络算法的性能进行优化,研究一种双粒子群优化的改进BP神经网络算法。最后通过车牌识别实验对识别算法进行研究,结果表明,通过对神经网络算法进行改进,使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型,具有较好的识别性能。     

极端学习机在立体图像质量客观评价中的应用

基于传统神经网络训练速度慢、易陷入局部极小值和泛化性能低等问题,提出采用极端学习机(ELM,extreme learning machine)对立体图像质量进行了客观评价。ELM是单隐层前馈神经网络(SLFNs)的泛化,输入权重可以随机赋值并通过解析获得输出权值。与传统神经网络算法相比,ELM算法具有参数选择简单、学习速度快及泛化性能好等优点。实验结果表明,以sigmoid为激励函数,对241幅不同等级的立体图像测试样本进行测试,其正确等级分类率达到93.85%。研究了不同激励函数条件下不同隐藏层节点数对极端学习机网络性能的影响,且将ELM和传统BP及支持向量机(SVM)在立体图像质量评价中的性能进行了分析比较。     

基于热图像特征提取的铝箔封口密封性检测方法

针对铝箔封口温度场的分布特性进行研究，提出了一种基于RGB二次特征提取和降维算法模型，配合BP神经网络 对热像图进行识别，针对该方法的缺点，并以此提出了利用Gabor小波提取图像纹理特征配合ELM极限学习机，对热像图样本进行分类识别的铝箔密封性检测方法，对比两种方法在相同条件下的训练时间与检测精度，实验结果表明:基于Gabor小波和ELM神经网络的算法具有响应速度快、精度高、泛化性强等优势，可以较好的满足铝箔封口密封性检测的要求。     

基于ROF的短期风速极端学习机集成预测

为了对风速进行准确的预测,本文提出一种基于ROF的ELM集成预测算法,即采用ROF算法产生差异性训练数据训练多个个体ELM,然后利用加权平均的方法集成各个体ELM的预测结果。实验表明,与个体预测模型相比,该算法有更高的预测精度。     

基于径向基神经网络的粒子群表面缺陷识别算法

金属部件表面缺陷识别问题是模式识别领域的研究热点,高效、可靠的表面缺陷识别方法能够有效提高生产效率、维护生产安全。针对这一问题,文中提出了一种利用径向基(RBF)神经网络和粒子群优化(PSO)算法相结合的表面缺陷识别算法。采用PSO算法确定和改进RBF神经网络的权值参数,同时对PSO算法中的惯性权重进行线性处理,有效消除了PSO算法中的最优解局部振荡现象。针对金属部件表面常见的几种缺陷对RBF-PSO表面缺陷识别算法进行网络训练,并进行相应的实际测试。文中提出的RBF-PSO表面识别算法识别准确率可达96%,相比于传统的神经网络算法具有明显的性能提升。     

基于ADSABC算法优化WNN的语音识别研究

小波神经网络(WNN)具有高度的非线性映射功能及强大的自适应能力,但是WNN算法存在易陷入局部极小值,收敛速度慢。而人工蜂群算法(ABC)具有很强的全局搜索能力及较快的收敛速度。两者优势互补,已结合应用于语音识别中。本文对ABC算法做出改进,在采蜜蜂和观察蜂阶段各提出一个新的解搜索方程,采取自适应的双搜索方式(Adaptive Double Search)求解,从而提高算法的收敛速度和收敛精度。并将其和WNN算法进行结合,组成一种训练神经网络的新算法ADSABC-WNN,该算法既能克服WNN算法的缺点,又能保存双方的优点。实验结果表明,与传统ABC算法优化小波神经网络相比,识别率提高均有所提高,其中在词汇量为50时识别率提高了4.51%。将实验结果与其他方法优化的小波神经网络模型进行比较,在噪声环境下,该混合模型可以有效地减少识别时间,而且可以明显提高网络的训练速度和语音识别的识别率。     

基于联想记忆神经网络模型的BP算法

提出一种改进神经网络BP算法的识别训练系统。实验结果表明，基于联想记忆神经网络模型的BP算法，大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间，为BP算法应用于对实时性要求高的场合提供算法基础。     

基于计算机辅助检测乳腺肿瘤的图像处理与识别的研究

利用计算机智能方法来检测乳腺肿瘤为良性或恶性实质是对乳腺显微图像的模式识别问题,其可以帮助提前诊断病症,从而提高肿瘤治疗效果。本文系统采用训练速度快、泛化性能好且调整参数少的(Extreme Learning Machine,ELM)算法对乳腺肿瘤特征建立数学模型,并从病例特征库中随机选择500组数据对模型进行训练,然后用剩下的数据测试ELM模型。仿真实验表明,利用ELM算法对乳腺肿瘤进行分类识别比采用BP(Back Propagation)神经网络、LVQ(Learning Vector Quantization)神经网络、决策树方法可以获得更好的性能。     

基于领域自适应的动态噪声辐射源个体识别

现有基于深度神经网络的辐射源识别算法受训练场景限制,当待测信号与训练数据集的信道环境噪声不一致时,网络的识别性能严重退化.为了克服该问题,本文提出一种基于迁移学习的辐射源个体识别算法.该算法结合领域自适应的思想,建立优化模型将不同信噪比下信号的特征对齐,使在特定信噪比下训练的神经网络学习到与信道噪声无关的射频指纹特征,...     

一种基于神经网络提取旋波材料参数的新方法

提出了一种从测试的S参数中提取旋波材料参数的新方法——神经网络法。针对旋波材料参数的自由空间测试方法,本文采用BP神经网络来构建映射模型,利用不同算法对网络进行训练,从而获得所需的网络。结果表明,该方法计算速度快、精度高,解决了求解非线性方程组解的模糊性问题,确保了测试结果的可靠性。该方法所构建的网络可用于材料测试后旋波材料参数的快速提取。     

基于递进卷积神经网络的台标识别及其并行化

针对台标的视觉特征,提出一种基于递进卷积神经网络的台标识别算法.该网络不仅有对图像特征进行隐性提取的卷积层和采样层,还包括识别常规台标的泛化模块和识别偏差台标的特异模块.针对串行卷积神经网络训练耗时长的缺点,提出基于Spark的并行递进卷积神经网络算法,采用数据共享及批处理方式对算法模型进行并行化处理.实验证明,递进卷积神经网络算法对台标进行识别能达到98％的正确率,多节点并行化卷积神经网络相比于单节点模型能有效缩短80％以上训练所需的时间.     

基于群智能算法优化神经网络的网络安全事件分析

研究一种基于群智能算法优化神经网络的网络安全事件分析模型,使用遗传算法和LMS算法对常规RBF神经网络中的隐含层神经元个数、基函数中心以及各层连接阈值和权值进行优化,得到最优解,从而提高RBF神经网络模型的训练效率和精度,提高基于RBF神经网络的网络安全事件分析效率和准确度。使用KDD CUP99数据集中的网络入侵事件数据对研究的网络安全入侵事件分析模型进行实例研究,测试结果表明,该分析模型相比常规神经网络算法建立的模型具有更高的识别准确率,能够准确识别分析正常事件和四种网络攻击入侵事件。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

储备池计算概述

针对传统递归神经网络存在训练困难的问题,一种新的递归神经网络的训练方法——储备池计算被提出,这种方法的核心思想是只训练网络部分连接权,其余连接权一经产生就不再改变,网络的训练一般只需要通过求解线性回归问题.广义地说,储备池可以作为一种时序相关的核函数使用,从而完全拓展了其应用领域,使之不再仅仅是递归神经网络训练算法的一...     

一种基于深度学习的遥感图像分类及农田识别方法

为解决便于发现我国基本农田被非法侵占的问题,针对现有神经网络收敛速度慢、识别准确率不高的缺点,提出一种基于卷积神经网络的遥感图像农田分类及识别方法。该算法使用较大的卷积核,有效地提取梯度信息;设计深度为6层的卷积神经网络,提高了网络的分类效果,且大大降低了网络的训练次数。实验结果表明,利用该识别模型对农田、建筑、荒漠以及植被的识别准确率达到98.15%,比经典AlexNet网络模型提高了6.1%;训练网络所需的迭代次数由1.49×10~6次左右降低到4 500次。因此,与经典AlexNet网络相比,改进的AlexNet网络用于遥感图像分类和目标图像识别,耗时更短、识别准确率更高。     

基于并行BP神经网络的近红外光断层图像重建方法基础研究

提出一种基于并行BP神经网络的近红外光断层成像(Near-infrared optical tomography,NIR OT)图像重建算法,利用BP神经网络来表征生物组织内部光学参数的空间分布和边界光强之间的非线性映射关系.该方法将一个复杂的模型分解成简单的模型分别建立并行的神经网络.利用Femlab软件完成基于有限元的稳态扩散方程的两个简单模型的正向问题求解,根据提出的平均优化散射系数和正向问题训练的大量数据集合,建立并训练并行神经网络,通过对两个网络结果的分析,实现快速获得更复杂模型的光学参数的重构.算法能够快速识别特异组织的位置和准确反映热疗过程中生物组织的优化散射系数的变化趋势.     

基于特征融合的小样本个体识别算法

神经网络需要大量的有标签数据来训练与优化参数.当样本数量较少的时候,网络参数无法得到充分优化.针对小样本情况下神经网络性能较低和存在过拟合的问题,将神经网络特征与人工特征进行融合,以提高识别准确率.仿真结果表明,提出的算法在多种小样本情况下均能有效提高识别的准确率.另外,针对过拟合情况,提出的算法也可以有效恢复过拟合情...     

基于卷积神经网络的网络隐写分析方法研究

针对现有网络隐写分析算法特征提取难度大、算法适用范围单一的问题,文章提出了一种基于卷积神经网络的网络隐写分析方法。对网络数据流进行预处理,将所有数据包处理成大小相同的矩阵,最大限度地保留数据特征完整性;使用异构卷积进行特征提取,减少模型计算量及参数数量,加快模型收敛速度;取消池化层,提高模型训练效率。与传统网络隐写分析方法相比,模型能够自动提取数据特征,识别多种网络隐写算法。