基于加权DWT和DCT的粒子群神经网络人脸识别算法

针对人脸识别中出现的维数过高和计算复杂而导致的识别率低的问题,提出一种基于加权DWT(Discrete Wavelet Transform)和DCT(Discrete Cosine Transform)的粒子群神经网络人脸识别新算法。该算法首先用小波变换对人脸图像进行分解,去除对角线分量影响,提取加权低频和高频的离散余弦变换系数作为特征向量,最后利用粒子群优化BP神经网络进行分类识别。在ORL人脸库上验证了该算法的有效性和可行性。     

基于BP神经网络的人脸识别研究

为了对人脸图像的特征向量进行分类以达到人脸识别的目的,本文提出了运用BP神经网络进行人脸识别的方法。将人脸图像矩阵的奇异值作为识别特征,将BP神经网络作为分类器,通过实验表明该方法操作性强,结果可靠,可以快速的进行人脸图像识别。     

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法，将粒子群优化算法用于神经网络的学习训练，并与遗传算法进行了比较，结果表明，神经网络基于粒子群优化的学习算法简单容易实现，而且能更快地收敛于最优解。     

改进粒子群算法对BP神经网络的优化

介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法。该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型。结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力。     

综合改进的粒子群神经网络算法

粒子群优化算法是一种解决非线性、不可微和多峰值复杂优化问题的优秀算法,但该算法在进化后期容易出现速度变慢以及早熟的现象;BP神经网络的学习算法是基于梯度下降这一本质的,因此存在着容易陷于局部极小值,收敛速度慢,训练时间长等问题.针对上述现象,对粒子群优化算法进行了增强粒子多样性和避免种群陷入早熟两个方面的改进,并提出了一种基于改进算法的粒子群神经网络算法,最后通过在IRIS数据集上进行的仿真实验验证了改进的有效性.     

基于粒子群BP神经网络人脸识别算法

人脸识别技术就是利用计算机技术对人脸图像进行分析,从中提取有效的特征来识别出人的身份,其关键技术在于人脸特征的描述和模式识别.为此,基于粒子群BP神经网络提出了人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用离散余弦变换将人脸图像在特征空间中提取,并作为粒子群BP神经网络的输入,由粒子群BP神经网络和后验概率转换器构成人脸识别器.针对ORL人脸库的实验结果表明该方法具有较高的识别率.     

基于粒子群优化算法与BP神经网络的高铁客运量预测算法

本次通过基于粒子群优化算法与BP神经网络相结合的方式对高铁客运量进而预测,利用粒子群优化算法对BP神经网络进行优化与训练,通过经过改进的BP神经网络对高铁客运量进行预测.经实验研究发现,本次研究所提出的预测算法比常规BP神经网络模型预测精度更高,在样本数据量较少的情况下有明显的应用优势.     

基于奇异值分解和径向基函数神经网络的人脸识别算法研究

提出一种基于奇异值分解和径向基函数神经网络的人脸特征提取与识别方法,来解决人脸识别中的高维、小样本问题。该方法采用奇异值分解、奇异值降维压缩、奇异值矢量标准化和奇异值矢量排序,最后得到用于识别的奇异值特征矢量。运用基于径向基函数神经网络分类器进行人脸分类识别。在ORL数据库上进行实验和数据分析表明,该方法无论是在分类的错误率上还是在学习的效率上都能表现出极好的性能。     

基于粒子群算法优化BP神经网络漏钢预报的研究

针对标准BP神经网络中收敛速度慢以及易陷入局部最优解等问题,利用粒子群算法的全局搜索性,将粒子群算法应用到BP神经网络训练中建立了PSO-BP神经网络模型,结果表明改进模型不仅可以克服传统BP网络收敛速度慢和易陷入局部权值的局限问题,而且很大程度地提高了结果精度和BP网络学习能力,将此模型应用到结晶器漏钢预报系统中,并用某钢厂采集到的历史数据对该模型进行训练与测试,与标准BP神经网络测试结果进行分析与比较,实验表明PSO-BP网络模型预报更加实时、准确,具有很好的应用前景.     

粒子群优化神经网络在动态手势识别中的应用

为了提高动态手势学习训练速度和识别准确率,本文提出一种基于粒子群优化BP神经网络的动态手势识别方法。首先基于自然人机交互需要,定义一套基于机器视觉的动态手势模型;在获取指尖运动轨迹的基础上,提取动态手势的特征向量作为神经网络的输入;利用改进的PSO算法训练BP神经网络,得到神经网络的权值和阈值;最后利用训练过的神经网络识别基于机器视觉的动态手势。测试结果表明:改进的PSO算法能够提高神经网络训练速度和精度,进而提高动态手势识别准确率。     

基于小波变换和BP神经网络的人脸识别方法

提出了将人脸图像的小波分解系数和BP神经网络相结合以达到人脸识别的新方法。针对不同的小波基,对人脸图像作小波分解,并将分解低频系数作为人脸特征送入神经网络进行训练。实验表明,选择恰当的小波基能够达到较高的识别率。     

基于EMBP情感神经网络的人脸识别算法研究

在传统BP神经网络基础上,引入情感因素,重新构建了BP神经网络结构,建立了EMBP情感神经网络,给出了EMBP网络的权值修正算法,把该算法应用于人脸识别.采用奇异值分解（SVD）对人脸图像进行信息压缩,提取人脸数据的奇异特征值作为EMBP情感神经网络输入信号,并设计EMBP人脸分类器.实验结果表明,在奇异值特征个数保持不变前提下,随着参与训练样本数增加,系统的识别率逐渐提高,EMBP的性能比普通BP有明显的提高.     

基于DWT和BP神经网络的人脸识别方法

提出了将人脸图像的离散小波变换DWT和BP神经网络相结合以达到人脸识别的方法。由于离散小波变换具有良好的多尺度特征表达能力,能将图像的大部分能量集中到最低分辨率子图像,高频部分则对应于图像的边缘和轮廓,能很好的表征人脸图像的特征。而BP神经网络具有很强的分类能力,并且可以运用神经网络的学习算法进行学习。实验表明:二者的结合对人脸识别具有计算量小,识别率高的优点,有很强的实用性。     

基于小波神经网络的人脸识别

利用最近在小波变换、人工神经网络和证据理论上取得的进展来进行人脸图像的识别。由于小波变换在时间和频率空间具有良好的定位特性，使小波神经网络可对输入、输出数据进行多分辨的学习训练。将小波变换和反向传播神经网络理论结合，设计一种小波神经网络结构，介绍了神经网络的数学框架和该网络的学习算法，把此算法用到人脸识别中，实验结果证明小波神经网络在人脸识别中收敛速度快、识别率高。     

基于PSO和BP网络的粉状炸药配方的预测控制

BP神经网络具有良好的非线性处理能力,粒子群优化算法(PSO)提高神经网络的学习效率、保证神经网络全局收敛。针对粉状炸药配方控制系统中存在的强耦合、非线性及参数不确定等问题,建立一种基于粒子群和BP神经网络的炸药配方预测控制模型。仿真和现场运行结果表明,该配方控制系统具有良好的自学习和自适应能力,取得了良好的控制效果,满足实际生产要求。     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

基于WT/PCA的自适应神经网络人脸识别方法

提出一种基于小波变换和自适应人工神经网络的PCA人脸识别方法。该方法首先在预处理中对图像进行光照强度的补偿，然后用小波变换的方法提取人脸图像的低频子带，再用PCA方法提取特征分量，并用BP人工神经网络进行训练和识别。此算法将PCA优化的特征抽取与神经网络的自适应性相结合，取得了较高的识别率和优良的抗噪声性能。