改进神经网络算法在车牌识别中的应用

研究现代智能交通管理中的车牌准确识别问题.由于车牌图像存在模糊不清、倾斜,分割后字符图像笔画粗细不均、断续不完整等特殊性,导致传统车牌识别算法识别速度慢、识别正确率低,不能适应车牌识别的实时性要求.为了提高车牌识别正确率,提出一种BP神经网络的车牌识别算法.该算法首先对车牌字符图像进行归一化处理,消除图像中无用信息,然后对车牌字符进行特征提取,消除笔画粗细不均、断续不完整等影响,再将提取车牌字符特征输入到BP神经网络进行学习和识别,并采用动量因子和自适应学习速率对BP神经网络进行改进,加快其收敛速度,从而提高识别的实时性.仿真结果表明,改进用BP神经网络提高了车牌识别正确率和识别速度,缩短了识别时间,适合于实时性强的智能交通管理系统应用.     

基于Stein-Weiss函数的彩色掌纹特征识别算法

针对目前掌纹识别算法中对彩色掌纹图像的识别研究不多,提出一种新的基于Stein-Weiss函数解析性质的BP神经网络彩色掌纹图像的识别算法。首先为彩色掌纹图像中的每个像素点构建一个Stein-Weiss函数,再根据Stein-Weiss函数的解析性,计算出相应像素的十六个特征值,将这些特征值输入到BP神经网络的输入层,通过BP神经网络的自学习能力对这些数据进行分类学习;然后通过BP神经网络的泛化能力来获取掌纹边缘线;最后对掌纹边缘线提取成对几何特征建立特征库,通过成对几何直方图相交算法进行掌纹识别。实验结果表明,相对于以往的灰度掌纹图像识别算法,该算法能够更快地提取出更精细的掌纹线,识别率更高,并且对于旋转和噪声的干扰具有较强的鲁棒性。     

神经网络在超声脂肪肝图像识别中的应用研究

本论文通过利用人工神经网络来研究脂肪肝超声图像的识别算法。通过基于空间灰度独立矩阵,空间频率分解和分形特征的特征提取,采用两层BP神经网络对正常肝脏,轻、中和重度脂肪肝脏共四类超声图像进行分类识别。实验结果表明神经网络分类器对四种肝脏超声图像的分类可以达到95.33%的正确率,其结果对实际辅助诊断很有用。     

基于FESTO自动化仓库系统工件的图像识别研究

针对德国FESTO公司自动化仓库系统的工件识别问题,采用图像识别技术识别工件的颜色和位置,实现仓库信息的实时反馈。运用MATLAB软件采用RGB算法提取仓储工件颜色特征,通过向量组合形成该图像特征值。对所有样本的图像特征输入BP神经网络进行训练,并将经过处理的实时图像数据存储在INFOR数组中。在自动化仓库系统运行中,利用INFOR数组和实时图像对比,实现对工件的颜色识别与位置识别。     

基于径向基神经网络的立体匹配算法*

针对双目视觉中的图像立体匹配问题,提出了一种基于径向基神经网络的立体匹配算法。该算法提取图像的尺度不变特征变换（SIFT）特征建立特征匹配矩阵,对特征匹配向量进行约简,最后将约简的特征匹配向量输入径向基神经网络进行识别输出。仿真和实际图像实验表明,该算法的匹配正确率比标准的SIFT有所到提高。     

基于概念的形状分类与识别

基于内容的图像检索已经成为图像检索的一个重要研究方向。其中利用形状特征可以实现形状较为明显的各类图像库的检索。该文对图像形状特征的提取和描述方法进行了较深入地研究,选取其中一部分特征值,分别利用BP神经网络和支持向量机进行形状识别,取得令人满意的实验效果。     

基于多特征和BP神经网络的脑-机接口研究

研究了一种基于运动想象识别的脑-机接口(BCI)系统,通过提取想象过程中的脑电信号(EEG)中Alpha波特征,采用多特征分类的方法,以提高脑-机接口系统运动想象识别的正确率。针对脑电信号单特征分类精确度低、耗时长等缺点,采用自回归模型法、统计特征提取和频域分析的方法对Alpha波提取多个特征值,利用BP神经网络进行分类,对运动想象进行识别。通过实验验证了其识别率较高,取得了预期的效果,证明了多特征融合结合BP神经网络运用于脑机接口系统的可行性。     

基于双距离像的空间目标多姿态角特征融合识别算法

介绍一种有效的空间目标电磁特征提取与识别方法.首先通过处理目标多个姿态角的平均距离像,在双谱变换的基础上,生成目标姿态角的双距离像;然后计算双距离像矩阵的特征值,得到一个融合特征矢量,以此为判决依据对空间目标进行分类识别;最后,通过大量实测数据验证,该方法对空间目标能作出正确判决,统计识别正确率高于常用的前向(BP)神经网络分类方法.     

基于改进概率神经网络的纹理图像识别

引入差异演化（DE）算法来弥补基本概率神经网络的不足,从而提出一种基于改进概率神经网络（MPNN）的纹理图像识别方法。首先用树形结构小波包变换提取纹理图像的能量特征,用基于统计的纹理特征方法提取统计均值、平均能量、标准差和平均残余特征,得到纹理图像的特征矢量;然后用改进的概率神经网络训练纹理图像的特征矢量,从而实现纹理图像的识别。实验结果表明：采用基于改进概率神经网络的纹理图像识别方法较BP神经网络、RBF神经网络和基本的PNN有更高的识别正确率,且收敛更快。     

基于PCA-SSA-BP神经网络的烟叶分级方法

基于机器视觉检测的烟叶分级方法,存在识别效率低、识别稳定性差等问题。针对这些问题,该文基于主成分分析（PCA）、麻雀搜索算法（SSA）、BP神经网络提出一种烟叶分级方法,首先对采集到的烟叶图像进行分析提取17个图像特征进行PCA降维处理,以消除冗余信息,结合烟叶分级标准并平衡烟叶分级的识别正确率和分级效率确定最佳降维的维数为七维;然后,将七维特征向量作为BP神经网络的输入,利用SSA对BP网络模型的权值和阈值进行优化,完成网络模型的训练。实验结果表明,PCA-SSA-BP模型的平均识别率达到96%以上,总运行时间为97.99 s,因此该方法能有效提高小样本烟叶分级的识别效率和识别稳定性。     

Use of neural network to in situ conditioning of semiconductor plasma processing equipment

A strategy for in situ fault detection of plasma equipment is presented. This was accomplished by combining optical emission spectroscopy (OES), neural network. The OES was used to collect fault spectra, inducted by radio frequency source and bias powers. A fault detection model was constructed by training the backpropagation neural network (BPNN) on the whole OES spectrum representing a normal plasma operation. The trained BPNN model was tested on the test data generated at other powers. The test result indicates that the BPNN model was capable of detecting abnormal plasma caused by a small variation of 1% in the source power. Due to less impact on the plasma properties, the BPNN model reacted sensitively only to a relatively large variation in the bias power. The performance of the BPNN model-based monitoring scheme was further compared to that of identified radicals. Much improved sensitivity of the BPNN model over them was clearly demonstrated for the source power variation. On the other hand, certain radicals yielded much improved detection for the bias power variation. This was manifest as plasma was monitored by means of the CUSUM control chart. In consequence, monitoring BPNN model-based prediction and identified radicals simultaneously is expected to provide an improved detection of plasma processing equipment.     

基于逐步判别分析和BP神经网络的电子鼻猪肉储藏时间预测

旨在探讨一种快速检测猪肉储藏时间的电子鼻方法.本研究采用德国Airsense公司的PEN 2型便携式电子鼻对不同储藏时间(0～7 d)的猪肉样品进行检测,每天检测42个样品,每个样品质量为10 g,密封时间为5 min.提取第60 s数据进行线性判别分析,结果显示电子鼻能较好的区分不同储藏天数的猪肉样品.同时用逐步判别分析和BP神经网络对猪肉储藏时间进行预测,训练集的准确率,前者为100%,后者为94.17%,而预测集的准确率,前者为97.92%,后者为93.75%.研究表明电子鼻技术有望在猪肉新鲜度快速检测上得到广泛的应用.     

基于C# .NET与Matlab接口和BP网络的汽车产量预测

为了提高软件预测系统的开发效率和精度,研究了误差反向传播神经网络(Error Back Propagation Neural Network,BPNN)在Matlab 2006a环境下的实现方法,采用迭代法选择神经网络训练参数。探讨了Matlab与C# .NET开发平台的接口技术,能成功实现C# .NET对Matlab神经网络工具箱的调用。以汽车产量预测为应用案例,开发了基于C# .NET和Matlab接口的神经网络预测系统。实验结果表明,该预测系统对汽车产量预测有着良好性能,接口技术的应用提高了软件开发效率。     

基于傅里叶变换的随机纹理瓷砖的高精度表面缺陷检测

针对经典缺陷检测算法不能很好地提取随机纹理瓷砖图像的缺陷的问题,提出一种基于傅里叶变换的随机纹理瓷砖表面缺陷高精度检测方法。在此基础上,完成了瓷砖表面缺陷检测硬件系统设计。对采集的瓷砖图像,首先利用傅里叶变换得到频率谱图像,然后研究截止频率参数对滤波的影响,设计最优化滤波器进行滤波,再通过傅里叶逆变换获得重构图像,达到抑制背景纹理信息,加强缺陷区域信息的目的,最后通过阈值化和形态学操作获得缺陷区域。实验结果表明: 本方法对不同的随机纹理瓷砖样本进行缺陷检测的准确率高,在瓷砖缺陷检测中具有较高的实用价值。     

基于改进型模糊ARTMAP网络的CBR遥感图像分类系统研究

针对难以及时地获取充足而准确的遥感样本、缺乏积累和管理遥感样本的有效手段是制约遥感图像分类技术发展的瓶颈问题。构建了基于改进型模糊ARTMAP网络的CBR(case-based reasoning范例推理)遥感图像分类系统。系统将改进型模糊ARTMAP网络作为范例的知识提取器和图像分类器,运用CBR求解策略实现遥感样本知识的合理储备、优化组合和重复利用。分别应用本文所建系统、最大似然法、BP网络和改进型模糊ARTMAP网络对向海自然保护区TM遥感图像进行分类操作,实验结果表明,本文建立的系统与其他分类方法相比,能够更好地提高遥感样本数据的利用效率和遥感图像的分类精度,而且一定程度上解决了在样本有限的条件下如何高效利用已有数据进行遥感图像分类的问题。     

基于NMEA-BP的WSN数据流异常检测算法

针对常规BPNN(Back Propagation Neural Network)容易陷入局部最优解、收敛速度慢等问题,提出了一种基于小生境思维进化NMEA(Niche Mind Evolutionary Algorithm)及BPNN的传感器数据流异常检测算法(NMEA-BP).该算法利用NMEA的全局搜索性优化BPNN的参数,获得BPNN的最优权阈值,从而提高异常检测的准确性.为了评估算法的性能,使用因特尔伯克利实验室数据集IBRL(Intel Berkeley Research Lab)及带标记的传感网络数据集LWSNDR(Labeled Wireless Sensor Network Data Repository)完成了仿真实验,并与基于常规BPNN、支持向量机(Support Vector Machine)和极限学习机(Extreme Learning Machine)等3种异常检测算法作对比.仿真实验结果表明,与上述3种算法相比,NMEA-BP算法对各个数据集都具有较高的检测率和较低的误报率,检测率平均达到99.45％,误报率平均仅为1.45％.此外,NMEA-BP异常检测算法的模型训练时间比传统的BPNN异常检测算法平均减少30％以上.     

基于小波神经网络的医学图像分类方法

为了提高乳腺癌早期诊断的准确率,将小波理论与神经网络理论相结合提出改进的小波神经网络算法。将经过预处理的医学图像提取特征值,然后利用基于改进的小波神经网络算法的分类器对医学图像进行分类。通过实验表明此分类器具有较高的分类精度,是有效和可行的;与单独使用后向传播神经网络算法相比分类效果也得到了改善。     

基于机器视觉的随机纹理瓷砖的分选系统

针对日益加快的瓷砖生产速度与缓慢的人工分选速度之间不协调导致的瓷砖出产效率低下的问题,提出了以机器视觉软件HALCON 11.0为软件开发平台的结合瓷砖颜色、纹理特征提取的算法,以及针对多分类问题的改进多层感知器神经网络算法(MLPNN).首先对拍摄到的瓷砖图像进行去噪预处理,在HSI颜色空间中提取瓷砖的色调(Hue)特征并计算反映瓷砖的纹理特征的灰度共生矩阵(GLCM)和灰度幅值分布特征,再将得到的特征作为多层感知器的神经网络输入层神经元,然后设计以softmax为激活函数的多层感知器神经网络来进行模式匹配,并与BP神经网络模式匹配方法进行对比,最终搭建出具有简单人机交互界面的随机纹理瓷砖的分选实验样机.实验结果表明:本系统对实验的各类随机纹理瓷砖的分选准确率都在90%以上,具有较高的分选准确率,能应用于瓷砖生产实践.     

Text categorization based on combination of modified back propagation neural network and latent semantic analysis

This paper proposed a new text categorization model based on the combination of modified back propagation neural network (MBPNN) and latent semantic analysis (LSA). The traditional back propagation neural network (BPNN) has slow training speed and is easy to trap into a local minimum, and it will lead to a poor performance and efficiency. In this paper, we propose the MBPNN to accelerate the training speed of BPNN and improve the categorization accuracy. LSA can overcome the problems caused by using statistically derived conceptual indices instead of individual words. It constructs a conceptual vector space in which each term or document is represented as a vector in the space. It not only greatly reduces the dimension but also discovers the important associative relationship between terms. We test our categorization model on 20-newsgroup corpus and reuter-21578 corpus, experimental results show that the MBPNN is much faster than the traditional BPNN. It also enhances the performance of the traditional BPNN. And the application of LSA for our system can lead to dramatic dimensionality reduction while achieving good classification results.     

Hybridized approach of image segmentation in classification of fruit mango using BPNN and discriminant analyzer

In machine learning, image classification accuracy generally depends on image segmentation and feature extraction methods with the extracted features and its qualities. The main focus of this paper is to determine the defected area of mangoes using image segmentation algorithm for improving the classification accuracy. The Enhanced Fuzzy based K-means clustering algorithm is designed for increasing the efficiency of segmentation. Proposed segmentation method is compared with K-means and Fuzzy C-means clustering methods. The geometric, texture and colour based features are used in the feature extraction. Process of feature selection is done by Maximally Correlated Principal Component Analysis (MCPCA). Finally, in the classification step, severe portions of the affected area are analyzed by Backpropagation Based Discriminant Classifier (BBDC). Proposed classifier is compared with BPNN and Naive Bayes classifiers. The images are classified into three classes in final output like Class A –good quality mango, Class B-average quality mango, and Class C-poor quality mango. Finally, the evaluated results of the proposed model examine various defected and healthy mango images and prove that the proposed method has the highest accuracy when compared with existing methods.