基于BP神经网络的数字识别

利用BP神经网络算法实现对数字的识别。首先获取各种0-9共10个号码数字的样本图像,提取Hu矩不变矩特征向量作为特征值输入BP网络,对其进行训练与测试,再用训练好的BP网络对待识别的数字图像进行识别,实现了对存在旋转、平移和缩放等几何失真的图像的正确识别,实验结果表明,基于Hu不变矩和BP网络的数字识别方法具有很强的抗图像平移、拉伸和旋转识别能力,并且具有实现简单、训练速度快、识别率高等特点。     

模糊理论与BP网络在目标识别中的应用

针对利用神经网络进行目标识别时特征向量选取中存在的一些问题：如特征向量选取不当，导致不同目标特征向量值可区分性差；相同目标由于大小、平移、旋转角度的不同，导致特征向量值具有较大差异等，首先对样本图像边缘提取，然后对已有的隶属函数进行改造，提出了一种基于模糊理论的阈值分割法，把图像二值化处理，提取出样本图像中目标的边缘轮廓，对其取不变矩．并归一化不变矩．为了避免不变矩数值过小，对其取对数，以此作为BP网络的输入特征向量，进行训练和识别．试验表明该方法能快速有效地识别出目标．     

一种模糊红外目标边缘和不变特征提取方法

针对红外图像中模糊目标难以分割和识别的情况,提出以小波多尺度滤波分解后的逼近图像作为自适应域值进行图像二值化的方法,由此分割出模糊图像中的目标,提取目标的轮廓边缘.然后,提出一种新的矩计算方法提取目标的不变性特征.实验结果表明,该方法具有很强的抗噪和抗扰性能,能有效提取复杂背景中模糊目标的平移、缩放和旋转不变量,极大提高了运动模糊目标识别的可靠性.     

基于线不变矩和封闭性的遥感图像港口识别

针对遥感图像中的港口目标识别问题,本文提出了一种基于海岸线不变线矩特征与港口海岸线封闭特征结合的识别算法。首先采用边界寻找和阈值分割的方法进行海陆分割和海岸线的提取,然后通过封闭性检测确定港口区域和属于港口区域部分的海岸线,将封闭度和线不变矩特征组成的特征谱作为识别港口的依据,最终实现了对港口的识别。实验结果表明,该算法能够准确地识别遥感图像中的港口目标。     

神经网络在二维图像识别中的应用

本文提出了一种基于神经网络的二维图像识别技术。选取一组机械零件的二维图像,对每张图像进行放缩和旋转变换,并分析、提取对应图像的nmi特征和7个不变矩特征作为BP网络的输入样本,图像的二进制编号为输出样本构建BP神经网络。并对网络进行抗干扰训练,使网络对理想输入及带噪声的输入均有较好的识别率。实验证明该网络具有一定的工程实用性。     

结合Zernike矩的多尺度模板形状匹配

针对形状匹配中小波表达对起始点依赖的问题,提出一种结合Zernike矩的多尺度模板进行形状匹配的方法。该算法对输入图像进行预处理后提取目标轮廓,经过归一化处理得到目标形状的平移、尺度不变的链状表达,再通过小波变换进行多尺度分析;引入Zernike矩,利用Zernike矩的特性,实现小波表达的旋转不变性,解决了小波变换对起始点的依赖。匹配过程是以小波表达的各阶Zernike矩为特征向量,在由粗到精的尺度上进行的。实验结果表明,对于同一目标,原图像与旋转不同角度的图像的正确匹配率为91％。该算法适用于轮廓较明显的目标。     

基于矩特征的水下目标识别研究

对大量水下获得图像的判读,采用人工识别,工作量大时效性差,不利于信息的及时获得.根据图像中目标的矩特征,引入小波变换,利用小波矩不变量来表示目标特征,提出结合离散度和浮动搜索算法的特征选择方法,选择最优特征组.经过仿真实验,证明了用小波矩不变量来识别不同形状的目标,识别效果很好.     

基于结构照明和BP神经网络的三维物体识别

提出一种具有旋转不变性的三维物体识别的新方法,该方法通过结构光照明的方法,使物体的高度分布以变形条纹的形式编码于二维强度图中,由于条纹图包含有物体的高度分布信息,因此对条纹的相关识别具有本征三维识别的特点.旋转不变性是通过BP神经网络实现的.计算机模拟结果表明,用二维强度像的基频分量做训练样本设计BP神经网络,选择训练样本和隐藏层神经元的数目,基于结构光编码的BP神经网络对三维物体具有良好的旋转不变识别效果.     

基于熵及不变矩特征的图像检索

提出了一种基于熵及不变矩特征的图像检索算法.图像首先被划分为不同分块,结合图像信息熵的概念,提出采用单元熵来描述分块特征,从而将图像转化为由单元熵构成的熵矩阵;在此基础上,利用不变矩来描述该熵矩阵的特征,并在对该特征归一化的基础上用于图像检索.结合不变矩的特性,试验中对算法的尺度不变性、旋转不变性、平移不变性及对噪声的不敏感性进行了验证,试验结果证明了算法的有效性.同时,由于熵的对称特性,算法对于图像灰度的变化也有较强的鲁棒性.     

不变矩法分类识别带钢表面的缺陷

针对带钢表面缺陷的识别和分类技术,本文采用一种将不变矩与主成分分析法相结合的特征提取方法.首先,对每幅缺陷图像提取22 维不变矩特征向量,满足对图像平移、尺度及旋转变化都不敏感;然后,为了提高分类器的效率,应用主成分分析法对特征向量进行空间降维处理,得到4 维特征向量;最后,将特征向量作为BP神经网络的输入,对网络进行权值和阈值训练,达到缺陷分类的目的.实验结果表明,该方法对带钢表面缺陷的平均正确识别率可达到85%以上.     

基于平移不变Zernike矩和模块化神经网络的掌纹识别方法

在对掌纹原始图像进行去噪、分割等预处理之后,利用平移不变的Zernike矩特征矢量（TIZMs）作为掌纹特征建立特征库,根据已知分类信息建立样本集。并将问题分解为多个小规模的两类问题,然后采用模块化神经网络（MNN）作为分类器进行掌纹识别。对香港理工大学的Polyu PalmprintDB数据库中的3200个掌纹进行实验,在响应时间和识别精度等方面获得了很好的结果。     

融合时频域特征的舰船识别方法及实验研究

文章提出了一种融合舰船辐射噪声时频域特征的识别方法,将舰船辐射噪声的线谱特征和线性预测倒谱特征作为输入,分别利用反向传播（Back Propagation,BP）神经网络进行训练、降维及初步判别,并采用加权投票方式,引入置信度算法和拒判机制实现决策级融合识别。实验结果表明,对比基于舰船单一特征的识别方法,利用舰船辐射噪声时频域特征的互补性进行融合识别,减小了单一识别方法误判对总识别率的影响,具有较强的鲁棒性,可有效提高对目标的识别率。     

Research on automatic identification system of tobacco diseases

In order to improve recognition accuracy of tobacco diseases, an identification method based on multi-feature and genetic algorithms optimizing BP neural network was proposed. First, Otsu method was used to obtain disease location information and GrabCut function was initialized for extracting diseased area effectively. Second, colour moments, disease contour and GLCM were used to get colour, multi-contour and texture features. Once again, BP neural network was optimized by genetic algorithm, and the optimal initial weights and thresholds were obtained, which shortened the training time and improved the accuracy of disease identification. Finally, BP neural network model for tobacco diseases diagnosis was established with the mobile client as input and the user services as output. The field experiment showed that the method could diagnose eight types of tobacco diseases effectively and automatically. The average recognition accuracy rate of selected tobacco diseases was about 92.5%.     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。     

基于自相关特征的舰船大小识别方法

基于自相关处理方法,提出了一种利用舰船辐射噪声自相关曲线特征值对舰船大小进行识别的方法,并利用BP神经网络对两类海上实测舰船目标噪声信号进行了识别。实验结果表明,利用该方法对舰船目标大小具有较好的识别效果。该法与其他识别方法相比,在保证较高分类识别率的前提下,特征量提取方法简单,特征量维数少,运算量较低,更便于工程实现。     

重载并联六维力传感器及静态标定

针对传感器重载小尺寸需求,提出一种具有混合分支的重载并联六维力传感器,分析了其结构特点和测量原理。搭建了重载并联六维力传感器标定系统,为改善维间耦合及制造误差等对测量精度产生的影响,从标定算法及模型优化方面对其进行了研究。分别利用最小二乘法和BP神经网络算法对加载实验数据进行了处理,分析结果表明BP神经网络算法要明显优于最小二乘法,并通过数据随机分组测试验证了结果的正确性。基于BP神经网络,提出了一种基于人工鱼群算法的BP神经网络算法,并采用优化后的BP神经网络标定算法对实验数据进行了计算分析,结果表明优化后的BP神经网络计算结果较好且稳定,不易陷入局部极值。     

ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network

Underwater target recognition is a key technology for underwater acoustic countermeasure. How to classify and recognize underwater targets according to the noise information of underwater targets has been a hot topic in the field of underwater acoustic signals. In this paper, the deep learning model is applied to underwater target recognition. Improved anti-noise Power-Normalized Cepstral Coefficients (ia-PNCC) is proposed, based on PNCC applied to underwater noises. Multitaper and normalized Gammatone filter banks are applied to improve the anti-noise capacity. The method is combined with a convolutional neural network in order to recognize the underwater target. Experiment results show that the acoustic feature presented by ia-PNCC has lower noise and are well-suited to underwater target recognition using a convolutional neural network. Compared with the combination of convolutional neural network with single acoustic feature, such as MFCC (Mel-scale Frequency Cepstral Coefficients) or LPCC (Linear Prediction Cepstral Coefficients), the combination of the ia-PNCC with a convolutional neural network offers better accuracy for underwater target recognition.     

PSO算法结合BP神经网络在传感器静态非线性校正中的应用

将粒子群优化(PSO)算法与BP神经网络相结合,应用在传感器静态非线性特性的校正中.用PSO算法所得到的全局最优值作为BP神经网络的初始权值,训练BP神经网络,训练结束后的神经网络作为传感器的静态特性校正器.应用结果表明,该方法可以提高BP神经网络的精度,并且该神经网络具有良好的泛化能力.     

基于 EEMD样本熵与小波神经网络的汽车关门声品质预测

针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建了基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。