基于自组织特征映射网络的纹理分类研究

提出了基于自组织特征映射网络（ＳＯＭ）的纹理分类方法。采用了适合纹理分析的纹理谱（ＴＳ）的概念，并在分类过程中引入了纹理谱特征向量，纹理谱向量是ＴＳ经过降维处理得到的。该特征向量反映了空间模式的纹理特征。在学习（训练）与分类识别中，采用了神经元网络模型。与ＴＳ相对应的特征向量重复地送入ＳＯＭ网络的输入端，网络的权向量则逐渐地将样本值聚类到各自的样本中心。计算机模拟实验表明，作者提出了纹理分类方案十     

一种用于时空模式识别的综合神经网络

介绍了一种用于时空模式识别的综合神经网络模型，称为ＴＳ－ＬＭ－ＳＯＦＭ．该网络的顶层是一种称为ＴＳ（ｔｅｍｐｏｒａｌｓｅｑｕｅｎｃｅ）的单层时序识别网络，可以把时序模式转换成抽象的空间模式．该网络的底层是ＳＯＦＭ（自组织特征映射网络），用于空间模式特征检测．ＬＭ（学习矩阵）用于上述两层的联接．在实验中，用移动机器人超声阵列传感器作为输入训练，结果表明，该神经网络输出的模式能够较好地抽象表示输入信号的时空特征．     

基于支持向量机的图像纹理识别方法

将支持向量机（SVM）应用于基于内容的图像检索领域，提出一种基于Gabor小波变换和支持向量机分类器的新型集成纹理识别方法．目标是利用Gabor小波设计的多通道小波滤波器对图像目标进行小波变换，用Gabor小波变换系数的模的平均值和标准差生成表示目标图像的特征向量，将特征向量归一化后用支持向量机进行训练和识别．最后，利用Brodatz纹理库中的纹理图像进行了试验并与其他几种方法进行了比较．结果表明，该方法的识别率在小样本情况下要优于其他几种方法，并且具有更好的泛化和推广能力．     

基于多尺度分析和SVM相关反馈的纹理图像检索

采用了基于小波、Contourlet等多尺度分析工具和SVM（Support Vector Machine）相关反馈的图像检索方案．对纹理图像采用Contourlet变换提取其特征,Contourlet具有多尺度和多方向性,因此比小波变换能更好地提取纹理特征,然后联合一类和二类支持向量机进行检索。首先使用一类支持向量机来估计查询样本的特征向量在高维空间的分布情况,从而给出在没有标识的情况下,进行初步学习探索得到的相似性排名。通过用户反馈,得到带有标识的正负样本信息,从而提供给二类支持向量机进行更细致地学习,使检索结果逐步求精。实验结果从多方面证明了本方案的合理有效性,并指出了较优的反馈数量和反馈次数。     

采用纹理分析的运动人体阴影分割方法

研究采用纹理分析的方法来消除由光照产生的人体阴影,进行人体阴影分割,首先采用混合高斯模型对运动人体前景及背景进行提取,主要研究采用多尺度小波分解来提取运动人体背景及前景纹理及颜色特征,建立基于像素的纹理及颜色特征向量,并采用支持向量机对特征向量进行分类,如前景像素点特征向量与对应的背景像素点特征向量一致时,可判定为阴影区域。结果表明:采用此纹理分析方法可很好地分割出阴影区域,并且光照变化及采集图像时的颜色偏差对阴影提取几乎没有影响。     

实时多任务分布式计算机通信网软件设计

本文结出了实时多任务（ＲＴＭＴ）分布式计算机通信网的软件设计方法和实际方案．在分析ＩＤＣＭ４４－实时多任务操作系统（ＲＴＭＴＯＳ）的基础上讨论了相关内容并给出应用程序主要流程图．     

SVM和DT-CWT的纹理图像分类方法研究

提出了一种将支持向量机（SVM）和二元树复小波变换（DT-CWT）相结合的纹理图像分类方法.通过DT-CWT对纹理图像进行4层分解,提取各子频带小波系数模的均值和标准方差组成特征向量,利用SVM作为分类器实现纹理图像分类.从Brodatz图像库中随机选取了30幅纹理图像进行了分类试验,结果表明：该方法具有较高的分类精度,尤其在有限训练样本的情况下分类正确率明显优于其它的分类算法,体现了该方法的有效性和良好的泛化能力.     

基于纹理特征的高分辨率遥感影像分类方法

灰度共生矩阵能较好反映影像灰度统计规律,小波变换能较好反映影像的多尺度特性,利用两者结合进行了纹理特征提取。将灰度共生矩阵和小波变换提取纹理特征作为分类特征向量,建立基于支持向量机分类模型对高分辨率遥感影像进行分类;在支持向量机参数优化问题上,利用遗传算法进行参数寻优,有效的避免多学习和欠学习状态的发生。分类实验结果表明了本方法的有效性。     

具有Keggin结构的过氧铌杂多钨酸盐的合成和性质研究

本文报道了四种新化合物α－Ｍ３Ｈ２「ＳｉＷ１１（ＮｂＯ２）Ｏ３９」．Ｈ２Ｏ（Ｍ＝ＴＭＡ，ＴＥＡ，ＴＢＡ，ＴＨＡ）的合成，性质和结构。几种盐的红外和紫外光谱表明阳离子具有Ｋｅｇｇｉｎ结构。＾１８３ＷＮＭＲ数据指出杂多阴离子中有六种环境的钨原子，证明所合成的四种杂多酸盐为单取代Ｋｅｇｇｉｎ结构的杂多酸盐。     

显微图象分析系统的设计及实现

以显微图象分析为应用背景,设计并实现了基于改进的纹理谱方法提取图象纹理特征和以神经网络作为分类器的图象纹理分类系统,分析了纹理分析方案的实施所遇到的实际问题和纹理图象分类的抗干扰性能,给出了具体实验结果。     

基于图像预处理分类分割的盲道分割算法

高准确分割率的盲道分割算法是实现高性能导盲系统的重要保障. 提出一种基于颜色直方图支持向量机方法,将盲道预分类为颜色盲道或纹理盲道,采用对HSV颜色空间的多参数融合的改善OTSU分割方法处理颜色盲道分割,采用基于纹理增强的K均值聚类方法处理纹理盲道分割. 通过有效的预处理分类,可以针对性地根据盲道的颜色或纹理特征进行识别,同时由于采用了改善的颜色和纹理分割算法,极大地改善了对不同种类和环境下的盲道的适应能力. 测试证明,该方法对于测试库图片平均分割准确率可达到90%以上.     

基于深度学习特征融合的遥感图像场景分类应用

针对传统手工特征方法无法有效提取整体图像深层信息的问题,本文提出一种基于深度学习特征融合的场景分类新方法.利用灰度共生矩阵（GLCM）和局部二值模式（LBP）提取具有相关空间特性的纹理特征和局部纹理特征的浅层信息;通过基于AlexNet迁移学习网络提取图像的深层信息,在去除最后一层全连接层的同时加入一层256维的全连接层作为特征输出;将两种特征进行自适应融合,最终输入到网格搜索算法优化的支持向量机（GS-SVM）中对遥感图像进行场景分类识别.在公开数据集UC Merced的21类目标数据和RSSCN7的7类目标数据的实验结果表明,5次实验的平均准确率分别达94.77%和93.79%.该方法可有效提升遥感图像场景的分类精度.     

基于FCM的分布式学习方法

在大规模网络入侵检测应用中,针对模块化神经网络算法学习精度高但效率相对较低的特点,采用SOM算法作为基本学习方法并利用其神经元竞争特性,引入模糊聚类FCM对SOM输出权值进行融合学习分类,在保持SOM高精度的基础上,大幅减少了学习时间。最后采用入侵检测数据集KDDCUP99进行测试,结果验证了算法的高检测率和较好的效率。     

利用密度聚类支持向量机的气象云图云检测

为了提高气象云图云检测的判识精度和计算效率,提出一种基于密度聚类支持向量机(DC-SVM)的云检测方法。分析了MTSAT气象云图的特征提取和选择方案,建立了云和下垫面的分类样本集;在SVM学习中,通过引入样本集的纯度及充足度,选择关键样本,减少了噪声和异常样本的干扰,从而降低了计算复杂度,提高了分类精度。实验表明,该算法的分类正确率较BP神经网络及传统SVM的方法分别提高了2.54%和0.21%,训练时间及测试时间也明显减少;而且,该方法还克服了传统云检测方法需要根据先验知识确定阈值的缺点,检测结果与人工解译结果基本吻合。     

Analysis of Texture of Froth Image in Coal Flotation

Froth image features of coal flotation have been extracted and studied by neighboring grey level dependence matrix, spatial grey level dependence matrix and grey level histogram. In this paper, a basic algorithm of unsupervised learning pattern classification is presented, and coal flotation froth images are elassified by means of self-organizing map (SOM). By extracting features from 51 flotation froth images with laboratory column, four types of froth images are classified. The correct rate of SOM cluster is satisfactory,And a good relationship of froth type with average ash content is also observed.     

Clustering analysis of ancient celadon based on SOM neural network

In the study, chemical compositions of 48 fragments of ancient ceramics excavated in 4 archaeological kiln sites which were located in 3 cities (Hangzhou, Cixi and Longquan in Zhejiang Province, China) have been examined by energy-dispersive X-ray fluorescence (EDXRF) technique. Then the method of SOM was introduced into the clustering analysis based on the major and minor element compositions of the bodies, the results manifested that 48 samples could be perfectly distributed into 3 locations, Hangzhou, Cixi and Longquan. Because the major and minor element compositions of two Royal Kilns were similar to each other, the classification accuracy over them was merely 76.92%. In view of this, the authors have made a SOM clustering analysis again based on the trace element compositions of the bodies, the classification accuracy rose to 84.61%. These results indicated that discrepancies in the trace element compositions of the bodies of the ancient ceramics excavated in two Royal Kiln sites were more distinct than those in the major and minor element compositions, which was in accordance with the fact. We argued that SOM could be employed in the clustering analysis of ancient ceramics. Supported by the Research Foundation of City University of Hong Kong (Grant No. 7001104)     

一种基于SOM的中文文本两阶段快速聚类方法应用研究

研究了一种基于自组织神经网络的中文文档聚类方法,按照提出的中文聚类模型,该方法首先对文档进行SOM训练产生初步的聚类结果,然后对第一次聚类结果进行基于参考点和密度的快速聚类,理论分析和实验结果也证明了该方法适合高维中文文档的聚类,与直接聚类方法相比,该方法提高了聚类的效果,减少了计算时间。     

纹理边界引导的复合材料圆孔检测方法

针对复合材料纹理背景下圆形基准孔检测困难的问题,提出一种纹理边界引导的圆孔检测方法.该方法将局部三进制模式（LTP）与灰度共生矩阵（GLCM）对比度融合为纹理对比度,通过提取纹理对比度特征实现孔内纹理和孔外纹理的快速分割,得到与圆孔边界近似吻合的纹理边界,利用纹理边界的位置信息去除绝大多数非圆孔边界的边缘点,利用纹理边界的连通信息对剩余边缘点进行分组,使用内嵌圆参数统计机制的随机圆检测算法从每组边缘点各检出1个圆孔目标,进而完成对多个圆孔目标的检测.实验结果表明,在复合材料圆孔检测场景中该方法有94%以上检出率,3%以下检错率和较高的检测速度,并表现出良好的检测鲁棒性.     

粗支持向量机分类建模方法

为了克服样本模式的复杂性、噪声的影响以及信息的不完整性问题,利用粗糙集和支持向量机(SVM)的优点,把粗糙集理论用于二分类球形SVM,提出一种称为粗支持向量机分类建模方法.粗糙集具有刻画不确定、不完整数据和复杂模式的能力,分类结果能够体现出数据的不确定性,但是它不仅不具备良好的学习能力,而且也不能保证分类模型具有良好的推广能力;SVM具有良好的推广性能,但是对不确定数据的建模能力较差.本文把分类结果分为正域、边界域和负域,由此来判断不确定数据样本的分类结果的不确定性程度.通过调整参数来调节边界的宽度和允许建模的在野点样本的比例,提高分类模型的灵活性.仿真结果说明了算法的有效性.