一种基于学习向量量化网络的垃圾邮件过滤方法

伴随着电子邮件的广泛使用,垃圾邮件泛滥成灾,严重影响了人们正常的学习、工作和生活。拳文针对目前的垃圾邮件主要是由多种商业或政治性类别的垃圾邮件组成的特点,利用学习向量量化网络能把多个子类合并成一个复杂大类的特性,构建了一个反垃圾邮件的LVQ神经网络模型,我们对该LVQ网络模型进行了与其他算法的对比试验,试验表明它比基于贝叶斯公式算法和基于神经网络BP算法的过滤器有更好的性能。     

修正的广义学习向量量化算法

讨论了Pal等的广义学习量化算法(GLVQ)和Karayiannis等的模糊学习量化算法(FGLVQ)的优缺点，提出了修正广义学习量化(RGLVQ)算法。该算法的迭代系数有很好的上下界，解决了GLVQ的“Scale”问题，又不像FGLVQ算法对初始学习率敏感。用IRIS数据集对算法进行了测试，并应用所给算法进行了用于图像压缩的量化码书设计。该文算法与FGLVQ类算法性能相当，但少了大量浮点除法，实验过程表明节约训练时间约l0％。     

基于学习向量量化神经网络的软件可靠性预测

针对传统的软件可靠性预测模型在实际应用中存在预测泛化性能不佳等问题,提出一种基于学习向量量化（LVQ）神经网络的软件可靠性预测模型。首先分析了LVQ神经网络的结构特点以及它与软件可靠性预测的联系,然后运用该网络来进行软件可靠性的预测,并基于美国国家航空航天局（NASA）软件数据项目中的实例数据集,运用Matlab工具进行了仿真实验。通过与传统预测方法的对比,证明该方法具有可行性和较高的预测泛化性能。     

一种基于学习向量量化神经网络的图象分割方法

基于视觉传感器实现道路信息的理解是目前移动机器人自主导航的重要研究方向,其中道路图象的正确分割是提取有效路径信息的关键。该文针对复杂、干扰因素多的室外环境下传统方法难以实现道路图象正确分割的问题,提出了一种基于LV Q神经网络的道路图象分割方法。该方法通过选取道路图象的归一化色彩分量为特征向量,应用基于LV Q学习算法的神经网络分类器进行道路与非道路识别;为解决环境噪声对神经网络输出的影响,本文设计了串行级联式四阶形态滤波器实现对神经网络输出的分割图象的滤波处理。通过对实测图象进行分割处理验证了该方法的有效性和鲁棒性,可用于室外环境下机器人的实时视觉导航控制。     

一种足球机器人中指定颜色属性物体的识别方法

为解决足球机器人中已知颜色属性的物体的识别问题,本文提出了一种基于HSV模型，应用H、V参数特征值来识别指定颜色属性物体的方法，在HSV模型中，参数H能较集中的反映被识别物体的颜色种类特性，但当RGB值较小时，色调趋向于不确定，可以通过引入参数V改进这点不足，从而有效的实现颜色物体的识别。     

基于离散余弦变换低频分量特征及学习向量量化的煤岩识别方法

针对现有煤岩识别方法适用范围小、识别正确率低等问题,采用图像分块离散余弦变换处理煤岩图像,将每一个图像块的DCT变换系数以"Z"字型排列,构成表达图像块的向量;采用2种方式提取煤岩图像特征:一种是用图像块向量每一维的均值和所有图像块向量的总体方差构成煤岩图像特征向量,另一种是按照图像块DCT变换顺序,将图像块向量级联构成煤岩图像特征向量;采用学习向量量化神经网络进行煤岩识别,2种特征提取方式的识别准确率均为96.67%,比Haar小波方法提高了3.3%,比Daubechies小波方法提高了5.8%。     

基于向量量化的图像超分辨率方法

受分形编码思想启发,提出了一种新的基于向量量化的图像超分辨率方法。该方法使用学习算法来获取单幅输入图像中的高频信息和低频信息之间的对应关系,并利用此关系对输入图像的一个倍频程的空间频率内添加图像细节以获得高分辨率图像。该方法克服了传统插值方法中因过度平滑导致图像模糊和纹理保持较差的缺点,能够重现出传统插值方法不能复原出的一些高频图像细节。实验结果显示该算法在客观和主观上都比传统插值方法有更好的评价。     

基于DWT-SVD的奇异向量量化水印算法

提出了一种新颖的可用于版权保护的小波奇异值分解的量化水印算法。与传统的水印比特信息直接嵌入小波系数不同,水印信息被量化嵌入原始图像小波低频子带分块奇异值分解得到的奇异向量中。水印提取无需原始图像,可在密钥和量化阂值控制下实现盲提取。实验表明,含水印图像质量好且能较好地抵抗常规的图像处理,对JPEG压缩具有优异的鲁棒性。     

室内智能移动机器人规则物体识别与抓取

规则物体的识别与抓取往往比非规则物体的识别与抓取更加有规律性,因此本文以规则的圆形、长方形物体为例,对圆提出圆形度这种度量方法,对长方形基于角点检测,提出计算各个角点之间夹角,结合HSV模型对图像进行分割,提高物体识别度。为了使单目机器人更准确的抓取物体,需要比较准确的知道目标物体相对于机器人的位置信息,结合地平面约束测距模型算法计算圆形物体的具体世界坐标。在Visual Studio2010,Pioneer3-AT机器人平台上实验表明,基于圆形度的物体识别方法能够比较快速准确的识别圆形物体,进而准确抓取。     

基于物体识别的增强现实系统

基于物体识别的增强现实系统由于现有的识别技术无法满足交互需求,对平面物体识别算法进行针对性改进。首先采用FAST提取目标物体的关键点;其次使用随机Ferns分类器对关键点进行离线训练;识别阶段采用随机抽样一致性算法,得到物体在实时帧中的位置与姿态。主要有两点优化:特征检测阶段,基于大尺度关键点鲁棒性更强的原理,对关键点进行加权筛选;识别阶段,改进后的ARANSAC拟合算法将初始随机集合中的内点比例增大,提高拟合的性能。算法较之基线算法,在各方面性能都得到极大提升,已满足增强现实系统的实时性、可靠性要求。     

基于学习矢量量化网络的智能BIT故障诊断方法

将一种经过修正的基于学习矢量量化算法的竞争网络应用在多电飞机电气系统智能BIT故障诊断中,该网络在竞争层实现故障模式的自组织聚类,在输出层给出了具体的故障模式,通过与原算法进行比较,修正后的算法达到了很好的故障识别和分类效果.     

基于LVQ神经网络的微钙化分类方法

提出了一个基于自适应的学习矢量量化神经网络（LVQ）的乳腺肿瘤良恶性分类方法,在提取特征向量的基础上,对CC和MLO两种视图的良性和恶性数字化乳腺X光片图像进行训练和测试,并使用最佳分类率和平均分类率来分析分类结果。实验结果表明该方法对CC视图的图像的平均测试分类率为92.6%,而对MLO视图是93.18%。在微钙化分类系统中采用逻辑＂或＂的方式合并两种不同视图下的网络,可以获得的最佳分类性能是94.8%。     

基于EMD和LVQ的信号特征提取及分类方法

针对非平稳、非线性、微弱信号难以分析和处理的特点,本文提出了一种基于经验模式分解和学习向量量化神经网络的信号处理和分类方法,并在生物信号处理领域(左、右手运动想象的脑电信号)进行了研究和应用.首先通过经验模式分解算法对脑电信号分解,然后选取主要固有模态函数分量并计算其绝对均值作为特征值,最后使用学习向量量化网络进行分类,并分别与支持向量机和误差反向传播神经网络分类算法进行了对比研究.实验结果表明,所提出的算法分类正确率达到了87％,相比于其余两种对比算法在特定的信号处理领域优越,具有一定的参考和研究价值.     

基于人工神经网络的彩色校正方法研究

中医舌象的物理特性主要反映在舌体的颜色上 ,而如何进行颜色的测量以及如何在不同设备间保持色彩的一致性和重复性 ,即彩色校正是研制中医舌象分析仪必须解决的难题 .该文简要介绍了中医舌象分析仪的系统结构 ,同时讨论了照明光源的选择和设计 ,最后提出了采用神经网络进行彩色校正的方法     

一种基于颜色统计聚类的医学图像检索技术

基于颜色检索的基本思想是将图像间的距离归结为其颜色直方图间的相似性度量,从而图像检索也就转化为颜色直方图的匹配。目前基于颜色检索的算法主要集中在不同颜色空间进行全局颜色聚类或融合其他可视特征(纹理,颜色空间信息等)联合检索两个方向上。该文在具体的结肠镜图像检索系统研究中,根据医学图像的特点,提出一种在HSV空间的颜色统计聚类的检索方法,取得了良好的检索效果。     

纹理去除的皮革图像颜色分类方法

针对皮革图像存在 天然纹理,凸凹结构纹理会使得扫描或摄影的皮革图像亮度变化明显,影响皮革图像颜色的准确分类,提出一种去除图像纹理的皮革图像颜色分类方法。首先利用相对总变差模型去除皮革图像纹理,获得只包含皮革图像颜色信息的图像;然后利用均匀彩色空间模型L*a*b*具有的较强的色差分辨能力,提取去除纹理后的皮革图像L*a*b*颜色分量的平均值作为皮革图像的整体的颜色特征;最后运用SVM支持向量机对皮革图像颜色特征进行分类。实验结果表明,该方法能够比较精确地区分皮革图像颜色,实现皮革图像的颜色分类,具有可行性 。     

基于LVQ网络的电力变压器故障诊断

本文提出了一种基于学习矢量化(Learning Vector Quantization)神经网络分类器结合油中溶解气体分析(DGA)的变压器故障诊断方法,把故障信号的训练样本输入到LVQ网络中进行训练,利用网络的竞争性将分类信息转变成使用者所定义的类别.训练和测试结果表明了该方法的有效性.     

基于K-means聚类和LVQ神经网络的OLED缺陷像素识别

提出改进的K-means聚类分割和LVQ神经网络分类的方法，用于有机发光二极管显示面板喷墨打印制程中缺陷像素的识别。首先采用改进的K-means聚类算法对预处理后的打印像素进行分割，然后采用连通域水平矩形确定每一个打印像素的坐标及几何特征，再通过灰度共生矩阵提取其纹理特征，最后通过LVQ神经网络对所述特征进行分类，完成缺陷像素的标记及分类统计。结果表明，本文算法的识别率明显优于其他常用分类识别算法，平均缺陷检测率为100%，分类准确率达到98.9%，单像素检测时间为8.3 ms。