基于小波神经网络的光谱数据表征与分类研究

介绍了一种新的神经网络模型——小波神经网络，利用它并适当选取网络结构和小波基，实现了对化学物质红外光谱的压缩表征和分类，取得了令人满意的效果，说明小波神经网络在光谱处理方面有着光明的应用前景和优越性。     

基于光谱分类的超光谱数据压缩方法

提出了一种基于光谱分类的超光谱图像数据压缩新方法：通过光谱分类把原先的三维遥感图像数据转化为一个分类表和一个光谱表,实现数据压缩。由于光谱分类的精度直接影响压缩和恢复图像的效果,重点比较和研究了三种光谱分类的方法：最大值法,欧氏距离法和小波变换法。实验证明：图像经小波变换法分类压缩后的重建效果最佳,但耗费时间最多;欧氏距离法的重建效果比小波变换法要差一些,所用时间比小波变换法要少的多;最大值法的效果最差,但耗费时间最少。     

基于小波神经网络的心电数据压缩方法研究

本文在研究心电信号特征的基础上提出了动态心电数据的小波神经网络压缩算法.本算法对原始心电数据实行实时分桢;采用最速梯度下降法优化网络参数.对MIT-BIH数据库中的几组数据进行压缩,给出压缩/重建的实验结果并分析讨论.研究表明:该算法具有参数收敛速度快、数据压缩性能良好的特点.     

基于神经网络的数据压缩研究

数据压缩=建立模型 编码,是传统数据压缩的最基本思想。传统的设计思路主要基于减少信息中的冗余着力于编码设计,其压缩比一直在百分之几十左右徘徊,经过传统编码压缩的信息,很难再经类似的方法进一步压缩。为了解决上述的问题可用占用信号空间较少的信息表示占用信号空间较多的信息以实现数据压缩。这就是数据压缩新的设计思路,这样,就突破了传统的只依靠编码减少数据冗余的局限,实现了更高的压缩比。同时,经过这样压缩后的信息可再重复压缩,并有很好的性能。这就是文中所介绍的神经网络与数据压缩结合的基本思想。     

基于神经网络的数据压缩研究

数据压缩=建立模型＋编码，是传统数据压缩的最基本思想。传统的设计思路主要基于减少信息中的冗余着力于编码设计，其压缩比一直在百分之几十左右徘徊，经过传统编码压缩的信息，很难再经类似的方法进一步压缩。为了解决上述的问题可用占用信号空间较少的信息表示占用信号空间较多的信息以实现数据压缩。这就是数据压缩新的设计思路，这样，就突破了传统的只依靠编码减少数据冗余的局限，实现了更高的压缩比。同时，经过这样压缩后的信息可再重复压缩，并有很好的性能。这就是文中所介绍的神经网络与数据压缩结合的基本思想。     

小波神经网络的遥感图象分类

将小波和神经网络结合起来,提出一种自适应小波函数的神经网络。这种小波函数网络经过训练后,可应用于遥感图象的分类,其分类效果优于最大似然法。     

结合小波变换和RBF神经网络进行光谱自动分类

本文提出了一种基于小波变换和RBF神经网络的天体光谱分类方法。首先利用小波变换除去谱线中的噪声、提取特征谱线；然后使用RBF神经网络分类，RBF网络的输入为提取的特征谱线。实验结果显示该方法具有良好的鲁棒性，算法效率很高，正确分类率(CCR)远远高于经常采用的主成分分析特征提取方法，因此特别适合于低信噪比的光谱数据分类。     

基于小波卷积网络的高光谱图像分类

高光谱图像波段多、波段之间关联性强, 但其空间纹理和几何信息的表达较弱, 传统分类模型存在空间光谱特征提取不充分、计算量大的问题, 分类性能有待提高. 针对此问题, 提出一种基于小波变换的多尺度多分辨率注意力特征融合卷积网络 (wavelet transform convolutional attention network, WTCAN), 采用小波变换思想对光谱波段进行4次分解, 通过层次性提取光谱特征可减少计算量. 该网络设计了空间信息提取模块, 同时引入金字塔注意力机制, 通过设计逆向跳跃连接网络结构利用多尺度获取空间位置特征, 增强空间纹理表达能力, 可以有效改进传统2D-CNN特征提取尺度单一、忽略空间纹理细节等缺陷. 本文对所提出的WTCAN模型分别在不同空间分辨率高光谱数据集Indian Pines (IP)、WHU_Hi_HanChuan (HanChuan)、WHU_Hi_HongHu (HongHu)进行实验, 通过对比SVM、2D-CNN、DBMA、DBDA、HybridSN模型效果, WTCAN模型取得较好的分类效果, 3个数据集的分类总体精度分别达到了98.41%、99.64%、99.67%, 可为高光谱图像的分类研究提供参考依据.     

小波变换与概率神经网络的心电图分类

提出了一种实时高效的心电图分类理论与方法。首先对心电图进行六尺度小波分解,将含有主要噪声的尺度进行系数置零,再将剩余层进行小波重构,从而达到除噪的目的。利用数学形态学定位心电图P、Q、R、S、T波位置,并提取计算各波间距离和斜率等12个特征值作为概率神经网络的输入向量,从而实现心电图的六分类。     

基于分类KLT的高光谱图像压缩

高光谱图像的有效压缩已经成为高光谱遥感领域研究的热点。提出了一种基于分类KLT（ Karhunen-Loeve Transform）的高光谱图像压缩算法。该算法利用光谱信息对高光谱图像进行地物分类,根据相邻波段的相关性对高光谱图像进行波段分组。在地物分类与波段分组的基础上,对每组的每一类地物数据分别进行KL变换,利用EBCOT（Embedded Block Coding with Optimal Trtmcation）算法对所有主成分进行联合编码。实验结果表明,该算法能够取得优于JPEG2000以及DWT-JPEG2000的压缩性能,适合实现高光谱图像的有效压缩。     

多神经网络在高维数据分类中的应用研究

针对BP神经网络在高维数据分类中存在训练时间长的缺点,提出一种新的多神经网络分类模型,该模型采用自组织特征映射(SOFM)网络对训练样本集进行无监督聚类,通过优化竞争层神经元权值,并以此训练BP神经网络实现数据分类.最后对自由手写数字样本进行识别,仿真实验表明,这一模型具有较强的分类能力和泛化能力.     

神经密码学

神经网络是近年来得到迅速发展的国际前沿研究领域，它已成功地应用于许多学科领域。密码学是解决信息安全最有效的手段之一，是当代信息高科技热点。用人工神经网络解决计算机密码学中的问题，即神经密码学，不仅是神经网络的一个重要的应用研究领域，而且也是密码学理论研究的一个新课题。     

基于微种群遗传算法和RBF神经网络的散乱数据重建方法

利用微种群遗传算法,结合性能优越的径向基函数神经网络,建立了适用于散乱数据曲面重建的径向基函数网络模型.采用微种群遗传算法完成对神经网络的权值优化,可避免早熟收敛,且有较快的收敛速度.实验结果表明,用这种方法解决散乱数据点的重建问题,具有较高的精度.     

基于人工神经网络和经验知识的遥感信息分类综合方法

提出基于三维Hopfield人工神经网络模型的遥感信息分类综合算法将遥感图象分类与分类结果平滑过程有机地结合在一起,并方便地引入了经验知识指导网络进化.实验表明该方法可明显提高森林类型划分、土地利用调查等遥感应用专题的分类精度.     

基于神经网络的机动多目标数据关联问题研究

本文通过对联合概率数据关联的性能特征的分析,将其归结为一类约束组合优化问题,在此基础上,利用Hopfield神经网络求解典型的约束组合优化问题(旅行推销员问题)的方法,解决了传统的联合概率数据关联中出现的计算量组合爆炸现象,仿真结果表明,该方法效果良好,在密集多回波环境下,其优越性能更为突出。     

基于神经网络的电力负荷不良数据的清洗

电力负荷预测前应首先对负荷数据进行清洗,根据电力日负荷曲线的特征,应用改进的ART-2神经网络准确的提取电力日负荷特征曲线,然后利用支持向量数据描述法对不良数据进行精确定位,最后利用特征曲线对不良数据进行修正.由于ART2网络能够动态调整特征曲线以及支持向量数据描述法快速准确性,使得该清洗模型具有对不良数据进行动态清洗的功能,实例分析说明了该模型的高效性.     

人工神经网络在表面张力数据处理中的应用

用人工神经网络方法进行表面张力的数据处理,并对网络直接救亡地,得到表面过乘吸附附量与浓度的数据关系,直接可推出表面饱和吸附量,从而得到了正丁醇的横截面积为２．０＊１０＾１９ｍ＾２。     

一种大类别数分类的神经网络方法

神经网络是一种普遍使用的分类方法。当类别数目较大时,神经网络结构复杂、训练时间激增、分类性能下降。针对这些问题,基于Ｎ分类问题的两种类方法和树型分类器结构,对两分类子网络集进行排序,中给出了一种大类别分类的神经网络阵一结构和快速搜索方法并重点分析了网络阵列的分类性能。理论分析表明,使用网络阵列方法可降低平均分类错误率。该方法还使得网络结构简单灵活,易于扩充,网络的训练时间缩短,仿真实验表明,该方     

紧支撑小波神经网络用于钢的冷弯性能判别

介绍了紧支撑小波神经网络（ＣＳＷＮＮ） 的理论和算法, 将其运用于钢的冷弯性能判别, 判别准确率达到１００ ％ 。与ＢＰ算法的计算值和文献中所采用的主成分分析（ＰＣＡ） 比较, ＣＳＷＮＮ 的判别能力优于ＢＰ及文献中采用的主成分分析。     

一个基于模糊神经网络的模式分类系统

目前,基于神经网络的分类系统在许多领域得到了越来越广泛的应用。但是,该系统大多采用的是离线自适应机制,即神经网络需学习新的分类知识时,要重新训练神经网络,从而大大增加神经网络的训练时间;对于重叠分类,一般是构成一个贝叶斯分类器。然而,贝叶斯分类器的构成需要关于分类数据的概率密度函数的先验知识,而这些知识常常在模式分类前是难以获得的。为了解决这些问题,文中根据模糊集合理论,提出了一种基于模糊神经网络