基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

大气杂质气体神经网络识别的推广性研究

采用支持向量机(SVM)方法对小波变换压缩后的非线性荧光光谱数据进行识别,对学习样本和未学习过的样本进行测试,其正确识别率均为100％。为了全面比较推广性能的好坏,建立了一个模拟实际监测数据的模型,并采用这些数据对提出的SVM网络与概率神经网络(PNN)进行了比较研究。仿真结果表明,无论对实验室数据的推广能力,还是对监测条件变化的推广能力,SVM网络较PNN有更好的推广和容错性能。     

一种用于大气中杂质气体识别的新方法

提出利用物质的荧光光谱联合人工神经网络识别大气中杂质气体成分的新方法。物质的非线性荧光光谱与其分子原子结构有关，所以当大气中含有不同的杂质(有害)气体时，混合气体具有不同的非线性荧光光谱，通过对气体非线性荧光光谱的分析，可以确定大气中所含杂质气体的成分。掺杂气体的非线性荧光光谱是通过大功率超短激光脉冲与气体的非线性作用得到的；对非线性荧光光谱的识别则采用人工神经网络的方法。实验及计算机仿真模拟结果表明，这是一个确实可行的识别大气中杂质气体成分的新方法。     

荧光光谱结合概率神经网络用于无醇啤酒的识别

为了快速、准确地识别无醇啤酒和普通啤酒,采用荧光光谱结合概率神经网络的方法,建立了识别无醇啤酒的模型。实验中发现无醇啤酒和普通啤酒在紫外-可见光激发下,都能产生较强荧光,测得无醇啤酒荧光峰在420nm～620nm之间,荧光峰值波长为490nm左右。将小波变换处理荧光光谱得到的低频系数作为网络数据,训练、建立了概率神经网络,并对60个啤酒样本进行了识别,识别率达到了98.33%。该研究结果为无醇啤酒和普通啤酒识别提供了一种新方法。     

应用3维同步荧光光谱测定胭脂红浓度

为了测定混合色素溶液中胭脂红的浓度,采用归一化的方法对荧光光谱进行数据预处理,将处理后的光谱数据结合径向基神经网络,建立了对胭脂红含量的预测模型。结果表明,3维同步荧光光谱、普通3维荧光光谱预测结果的平均相对误差分别为2.86%,11.12%;对于混合色素溶液中单个色素浓度的测定,3维同步荧光光谱结合径向基神经网络效果较好。该研究为预测混合色素溶液中各色素浓度提供了帮助。     

基于加权小波分析和神经网络的人脸识别

基于加权小波分析和神经网络提出一种新的准正面人脸识别算法.二维的小波分解具有对表情变化不敏感的特点,可很好地压缩和表征人脸图像的特征,再加上变换后高频的人脸特征,能很好地表达人脸特征;径向基网络作为分类器有很好的推广性能,有利于大容量样本的分类.在对人脸库ORL和YEL的识别实验中,与传统算法相比有很高的识别速度和识别率.     

光电子技术

9907262基于小波神经网络的光谱数据表征与分类研究[刊]/张永胜//数据采集与处理.—1998,13(4).—393～396(V)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,说明了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。参6     

一种特征压缩及分类神经网络的研究

由于多对多类问题的高维数据无法直接观察其聚类和分布特性，本文采用神经网络法实现自适应主元特征提取（ＡＰＥＸ），以压缩特征空间的维数，并保持足够的信息来鉴别事物之间的类型，它可有效地提取信号的主要特征和抑制噪声，我们将高维数据压缩影射到２或３维，从而实现特征数据的可视性分析，显示物体对象间的类似程度和关系结构，并采用高阶函数的神经网络对其进行了非线性分类，同时与ＢＰ网络的非线性分类能力进行了实验比较     

基于改进样本驱动的高光谱矿物识别模型压缩方法

针对机载成像高光谱遥感仪器获得的大批量高光谱数据很难实现高效快速的矿物信息提取和识别的问题,提出了一种基于改进样本驱动的高光谱矿物识别模型压缩方法,对神经网络中的冗余神经元进行剪枝,从而获取高效的矿物识别模型。首先,以验证数据集中的正确识别样本为数据驱动,计算各神经元经激活函数后的输出零值频率,并将其作为该神经元重要性判据,探讨各神经元对神经网络正确识别样本的贡献;其次,通过设置重要性阈值对冗余神经元进行剪枝,并对剪枝网络进行再训练,在保留原网络正确识别特性的基础上,提升压缩模型识别精度;最终通过多次迭代剪枝获得高效的压缩矿物识别模型。利用基于改进样本驱动的模型压缩方法对基于多层感知机的矿物识别模型进行压缩改进,并以美国内华达州Cuprite矿区的机载可见光/红外成像光谱仪的高光谱数据作为测试数据,获得了压缩比3.33、矿物识别精度94.35%的高效矿物识别模型。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。     

应用小波神经网络实现探地雷达信号的滤噪

本文介绍了小波神经网络的结构和算法，并将其应用于探地雷达回波信号的噪声滤除中。文中采用以Bubble母小波为基础的小波神经网络，提出用逐步逼近法实现雷达回波信号的去噪。结果表明，经过滤噪后的信号达到了预期的效果，很好的拟合了原来的信号。本文工作对雷达信号的处理有着重要的实用价值，有着较好的应用前景和优越性。     

遗传小波神经网络的非线性模拟电路故障诊断方法

提出了一种将遗传算法(GA)、神经网络与小波变换相结合对非线性模拟电路进行故障诊断的方法;分析了传统BP型神经网络在非线性模拟电路故障诊断中存在的缺陷;提出了一种新的解决方法--利用小波变换对非线性电路故障信号进行预处理,对故障信号中的冗余信息进行剔除,然后利用遗传算法优化BP网络参数,如网络权值、阈值等.利用该方法对非线性电路进行故障诊断,有利于提高神经网络对电路故障诊断的智能性及识别故障类别的能力,提高故障诊断的精度与速度.实验结果表明,该方法是可行的.     

小波神经网络在电磁无损检测中的应用

在基于正交小波变换的小波神经网络模型构造的基础上,选取B-小波为小波基提出了一种小波神经网络新算法。通过选取典型训练样本集的方法提高了该小波神经网络诊断的准确性,并运用该小波神经网络对钢丝绳电磁无损检测信号进行了压缩与重构,试验结果证明了小波神经网络能够较为理想地完成缺陷信号的智能化检测,采用小波神经网络算法比传统的断丝识别方法准确率提高了很多。     

基于BP神经网络的地震动信号识别

通过数据采集得到三种不同类型车辆的地震动信号,采用小波消噪和特征提取,得到样本数据对神经网络进行训练,训练完成的神经网络就能实现车辆类型的识别。试验结果表明,BP神经网络对车辆目标具有较高的识别率,证明对地震动信号的特征提取方法是正确的,人工神经网络是有效的目标识别方法。     

非线性阈值自调整小波图像去噪方法研究

为解决小波变换阙值去噪方法中阙值的合理选取,提出一种基于非线性阙值自调整小波变换的图像去噪方法。在传统小波阈值去噪方法的基础上,结合神经网络的非线性双曲线正切函数和BP训练方法,首先对含噪图像进行二进小波分解,然后对分解系数进行小波重建,并将重建系数在BP神经网络中采用最速梯度下降法进行优化处理,得到最优阈值,最后对阈值处理的重建系数进行叠加,得到原始图像信号的估计值,即去噪后的图像信号。仿真实验表明,该方法具有较好的重建图像视觉效果,信噪比（SNR）和峰值信噪比（PSNR）均比传统小波阈值方法提高了1～2dB。     

基于编码—解码模型的D类功率放大器行为建模

D类功率放大器具有优异的传输效率,属于开关类功放,其输出信号存在较大的非线性失真。对D类功率放大器进行行为建模时要同时考虑其非线性和记忆特性。文中将小波变换引入到编码—解码神经网络模型中,提出了小波编码—解码神经网络模型。使用基于门限循环单元的编码—解码模型和小波编码—解码模型进行D类功率放大器的行为建模。实验结果表明,文中提出的D类功率放大器行为模型相比于传统的Voterra-Laguerre模型而言,在信号的时域和频域都具有更高的精度。     

基于小波变换及神经网络的SAR图像目标检测方法研究

由于小波分解的多分辨分析特征及神经网络的自学习、自组织等性能,在图像处理中得到了广泛的应用。本文研究了SAR图像非线性采样目标低频小波树特征提取方法,利用PCA（主分量分析）对低频小波树降维,用降维后的特征值训练LVQ神经网络,将其应用于SAR图像目标检测,取得了较好的检测结果。     

Wavelet Neural Network Approach for Testing of Switched-Current Circuits

Combining the time and frequency location and multiple-scale analysis of wavelet transform with the nonlinear mapping and generalizing of neural network, an efficient defect-oriented parametric test method using Wavelet Neural Network (WNN) for switched-current integrated circuits is proposed. Contraposing to the fully compatible digital CMOS technology and current scaling calculation of SI circuits, parameter cohort of switched current elements is used to compute the sensitivity and gain tolerance and is applied for selecting the test models. The selecting of the appropriate wavelet function based on particular switched current fault signal is discussed, and the number of network input and output nodes are determined by the circuit status and dimension of eigenvector which is the energy of wavelet decomposition coefficient. To simplify configuration of the neural network, the sampled data was preprocessed by wavelet transform. Illustrative examples show that the proposed wavelet neural network method for testing of switched current circuits is effective.     

S-transform-based intelligent system for classification of power quality disturbance signals

In this paper, a new approach is presented for the detection and classification of nonstationary signals in power networks by combining the S-transform and neural networks. The S-transform provides frequency-dependent resolution that simultaneously localizes the real and imaginary spectra. The S-transform is similar to the wavelet transform but with a phase correction. This property is used to obtain useful features of the nonstationary signals that make the pattern recognition much simpler in comparison to the wavelet multiresolution analysis. Two neural network configurations are trained with features from the S-transform for recognizing the waveform class. The classification accuracy for a variety of power network disturbance signals for both types of neural networks is shown and is found to be a significant improvement over multiresolution wavelet analysis with multiple neural networks.     

Simultaneous determination of brilliant blue and indigotine by derivative fluorescence spectrometry combined with WT-RBFNN

The mixed solutions of brilliant blue and indigotine are prepared and the fluorescence spectra of them are experimentally measured. The serious overlapping spectra of brilliant blue and indigotine are solved by means of the first-derivative fluorescence spectrometry. The wavelet coefficients, obtained by compressing the spectral data using wavelet transformation (WT), are taken as inputs to establish the radial basis function neural network (RBFNN). The neural network model can realize simultaneous determination of brilliant blue and indigotine, and the mean relative errors of both compounds are 1.84% and 1.26% , respectively.