多层前馈模糊神经网络进行图像识别

神经网络和模糊技术在模式识别领域中已有了广泛应用,两者有着各自的优势。针对神经网络模式识别中所遇到的问题,为了进一步提高分类器在样本分布不清晰情况下的识别能力,本文提出了两各将模糊机制引入神经网络的方法－输入模糊化方法和隐层模糊化方法,并在此基础上分别构造了模糊神经网络。实验结果表明,模糊神经网络较好地结合了神经网络和模糊技术的优点,取得了比传统网络更好的识别结果。     

模糊隶属度融合多层前馈神经网络的CBIR方法

针对大多数现有基于内容的图像检索方法的性能很大程度上依赖分类器的问题,提出了一种基于模糊隶属度融合神经网络的CBIR方法;首先,利用离散小波变换进行特征提取;然后,使用神经网络计算查询图像的类标签和模糊类隶属度;最后,利用简单与加权距离度量的组合在完整搜索空间中进行检索;在3个纹理类数目、方向和复杂度都不同的数据库上进行实验验证了所提方法的有效性,实验结果表明,相比其他几种较新的纹理图像检索方法,所提方法取得了更好的检索性能。     

模糊神经网络研究

模糊神经网络作为模糊技术和神经网络的交叉研究领域,已引起了高度的重视。通过对该方面的深入研究,不仅可以改善模糊系统的性能,还可以提高神经网络的学习能力。本文对该领域的发展情况和重要成果进行了综述。     

多资料水淹层识别的模糊神经网络模型研究

该文研究了利用多资料识别水淹层水淹等级的模糊神经元网络自适应模型,模型由若干个规则网络和适用度网络组成,汇合了神经网络与模糊逻辑的优点,具有非线性系统的逼近能力。通过相关性分析和反复测试,最终选择13个参数作为输入参数,水淹层的含水饱和度作为输出参数,实际资料的检验证明该算法明显改进了识别效果。     

有理式多层前馈神经网络

提出了有理式多层前馈神经网络的数学模型，给出了有理式多层神经网络的学习算法，就计算复杂度而言，有理式神经网络的学习算法与传统的多层神经网络反传播算法是同阶的，函数逼近应用实例结果表明，将有理式多层神经网络用于解决传统问题是有效的。     

基于模糊神经网络的颜色识别方法

针对传统的CIE色度学颜色精确识别与人的颜色模糊感觉的矛盾,提出了一种基于模糊神经网络进行颜色识别的方法。该方法利用传统的色度学中的颜色三刺激的坐标值,结合模糊神经网络的聚类、无限逼近、泛化、学习等特性的优点,从而增加了适合于人的感觉的颜色识别的效果。     

基于模糊神经网络方法实现茶味信号识别的研究

提出一种基于模糊c-均值聚类(FCM)的模糊神经网络模型用于荼味信号识剐的方法。该方法采用模糊c-均值聚类实现模糊神经网络中模糊子集及其隶属度函教的自动确定，并对模糊加权型推理法进行了改进，在此基础上构枣了一个模糊神经网络模型。通过5种茶味信号识别的仿真实验，表明本文提出方法的有效性。     

用神经网络计算模糊度

本文提出了一种运用多层前向网络计算模糊度的方法。     

多层前馈神经网络的学习和综合算法

本文提出多层前馈网络的一种新的学习和综合算法──ＦＰ算法，并证明由此算法得到的网络作为通用联想记忆器时，具有如下优点：（１）每个样本都是吸引中心；（２）每个样本的吸引半径达到最大值；（３）网络没有假吸引中心；（４）网络具有最少的元件个数；（５）学习的复杂性达到最优（就其复杂性的阶而言）．故此网络在性能、结构、计算复杂性等方面均达到很好状态．     

基于FEBM和模糊神经网络的模糊概念识别

在基于解释的机器学习问题上,近期提出的模糊模型FEBM（Fuzzy Explanation-Based Model)为模糊概念的识别和分类提供了一种很好的解决手段。在对该模型当对象的解释谓词在[0,1]上取确值的情况时,计算“对象属于概念C的真值”的公式进行适当调整的基础上,结合神经网络可以用于模式识别和分类的特点,提出了一种基于模糊神经网络和FEBM的模糊概念识别方法。实验表明,该方法是有效的和可行的,是关于该模型应用的一个极为有意义的尝试。     

模糊神经网络在条形码识别中的应用

本文把模糊集合论的知识应用于自组织神经网络,提出一个模糊神经网络算法。新算法克服了一般神经网络方法共同面临的学习时间长、对网络参数敏感的弱点,广泛适用于一般的模式识别问题。对条形码识别问题的应用情况表明,新算法无论在网络学习的速度上还是在识别结果上都优于Ｋｏｈｏｎｅｎ的自组织神经网络方法。     

应用单层神经网络设计多变量自适应模糊控制器

提出一种应用单层神经网络设计多变量自适应模糊控制器的方法。应用单层神经网络可以学习多变量模糊控制规则中的未知参数，还可由它来实现多变量模糊推理过程。该方法能解决多变量模糊控制中普遍存在的规则获取困难和难于实现实时自适应等问题。仿真试验表明，所设计的多变量模糊控制器不仅实时性好，而且可得到满意的控制效果。     

基于模糊聚类神经网络的语音识别方法

提出了一种基于模糊神经网络的语音识别方法.该方法以模糊系统模型为基础,利用改进的模糊聚类辨识算法,构成一种新型的模糊聚类神经网络（FCNN）,并将其作为概率密度函数的估计器,对每个状态的输出进行预测.它不仅能有效地在语音识别中引入帧间相关信息,而且能克服状态输出概率密度函数为混合高斯分布的束缚.通过对非特定人汉语孤立词和连续音节的语音识别实验,证实了该方法的有效性.     

利用神经网络进行推理的模糊控制器

本文介绍了一种利用神经网络进行推理的模糊控制器。网络的输入和输出均为模糊集。训练后的网络能完成合成关系，即模糊推时。为了减少ＢＰ网络的高线训练时间，对模糊集进行了“编码”。最后给出了该控制器应用于曲线环节的实时控制结果。     

基于多传感器模糊神经网络的水下目标识别

首先将模糊神经网络应用于单传感器潜艇目标识别，在此基础上将多传感器数据融合技术应用于目标识别。仿真结果证明：这种方法是可行的、高效的。     

基于模糊神经网络的汽车牌照识别算法

汽车牌照识别系统中影响识别率的行汽车牌照识别,其识别率很难提高;即使是加上基于结构的拓扑特征,识别率在一定程度上有所提高,但也提高不多.本文采用基于模糊极小极大神经网络的识别算法进行汽车牌照识别,识别率有了很大程度的提 .高.     

神经网络与模糊技术的结合与发展

在神经网络与模糊技术不断发展的同时,作为两者结合的神经模糊技术和模糊神经网络已经兴起并发展直来,在对神经网络和模糊技术进行分析和比较的基础上着重论述了两者结合的原因、形式,以及模糊神经网络的理论和应用,指出了神经模糊技术未来的发展和展望。     

基于模糊聚类的模糊神经网络的系统辨识

针对模糊神经网络的系统辨识问题,提出了一种具体的模糊神经网络模型,使用模糊聚类方法确定模糊神经网络的结构。仿真研究证明该方法是有效的和可行的。     

多层前馈神经网络改进算法及其应用

从前馈神经网络原理分析出发，提出一种速率适应因子方法用于对多层前馈神经网络中BP算法的改进，并将改进的算法用于XOR问题的学习及多重XOR分类器问题的学习。仿真结果表明，改进后BP的算法可显著加速网络的学习速度，并且学习过程具有良好的收敛性及较强的鲁棒性。     

基于模糊神经网络的手势识别

本文通过对人手结构和手关节运动的分析,建立了手模型及其相应的数据结构。