基于小波概率网络的局部放电模式识别

针对高压电器局部放电模式分类中样本数较少,常规的分类方法识别率较低,提出了一种基于概率神经网络与小波变换的混合算法。利用实验室模拟的局部放电信号进行小波分解,提取小波能量系数作为特征参数,并作为概率神经网络的输入进行分类。其得到的结果优于多层前馈神经网络及采用顺序最优化学习方法的支持向量机算法。     

基于小波和BP神经网络的无线电探测目标识别技术

目标识别是智能弹药研发的关键技术之一，本文采用小波变换和BP神经网络理论对无线电探测目标识别技术进行了研究，给出了分类识别算法，并用实测数据进行了实验验证，结果表明该识别算法具有很高的目标识别率．     

基于小波神经网络的嵌入式语音识别系统

以ARM和嵌入式操作系统Windows CE为平台设计了基于小波神经网络的语音识别系统。首先介绍了语音识别的基本原理、系统的硬件组成、系统的功能结构、系统的工作原理,然后叙述了小波和神经网络的理论知识及算法,最后介绍了嵌入式语音系统的软件设计。由于采用S3C2410芯片负责系统的控制和识别工作,而语音信号的特征提取和训练算法全部由SPCE061A芯片来完成,从而使得语音识别系统识别率提高,可移植性好。     

一种新的红外机动目标识别算法

为了改善因红外图像中目标轮廓模糊造成的识别率低,提出一种适用于红外机动目标的识别算法。通过自适应步长的细菌觅食算法对BP神经网络进行优化,利用图像中目标的最左点和最右点及两极点上部的目标边缘信息构造以局部面积比组成的特征向量,通过神经网络对目标分类识别。实验结果表明本文提出的识别算法不仅提高了BP神经网络的收敛速度和计算精度,同时有效地提高了对机动目标的识别率,当目标部分区域被遮挡时也有很好的识别效果。     

短期电力负荷在小波包分解下的径向基神经网络预测方法

针对短期电力负荷预测问题,提出一种在小波包分解下的径向基神经网络预测方法。通过小波包分析,将电力载荷及其温度变量对称地分解为低频的近似系数和高频的细节系数。针对不同的小波系数,设计径向基神经网络作为预测器,并通过试错法确定网络合适的结构。网络的训练过程中,采用滑动窗口数据选择策略减少数据样本集,采用随机梯度法更新权值、中心位置和扩展参数。预测的小波系数用于重构出最终的电力载荷值。与前馈多层神经网络的对比数值,实验结果表明,新提出的方法具有较高的预测准确性。     

大量目标识别的光学相关与神经网络融合方法

本文基于光学相关与神经网络学习算法和编码聚类原理的融合 ,提出一种大数量目标的高效率分类识别方法 ,并以 67个字符 ,其中包括2 6个英文字母、1 0个数字和 31个省和直辖市的简称汉字的分类识别作为实例 ,给出详细的原理说明和结果。     

船用雷达目标跟踪的新方法

本文提出一种由广义小波神经网络实现船用雷达跟踪中航迹外推的自适应新方法.由S(sigmoid)函数构造的尺度函数和小波作为网络中神经元的激励函数,隐层节点数由小波分解次数和处理信号维数决定,输出层采用局部连接方式以解决多维信号的不利影响.理论证明,广义小波神经网络的鲁棒性在一定条件下优于BP网络.仿真表明,该方法的在线处理运算量不随所跟踪的运动目标模型的复杂性而增加,并且对变加速和急转弯运动目标具有较高的跟踪精度.     

直升机声信号的检测和识别

详细介绍了一种基于小波包和神经网络的新算法，用于对直升机声音信号检测并且识别机型。具体方法是对采集到的声音样本利用小波包分析提取特征向量，把这些特征向量输入反向误差传播（Back Propagation，BP）神经网络训练，用训练好的检测神经网络进行直升机的检测。检测完毕，证实是直升飞机声信号后，再通过识别神经网络区分不同型号直升机。实验表明，此方法能利用小波包时频局部聚焦分析能力和BP神经网络的自适应能力，较好地对不同型号的直升机声信号进行有效地检测和识别。因此。基于小波包和神经网络的直升机检测和识别算法不仅可靠而且是可行的。     

基于模糊模式和BP算法的手写数字识别

通过对多种手写数字识别算法的研究和分析，提出了一种基于模糊模式识别和BP神经网络寸亏写数字进行识别的新算法。首先应用BP神经网络对手写数字样本进行学习，然后再结合模糊模式识别的思想进行手写数字识别。实验证明：该算法与传统的手写数字识别算法相比，识别率明显提高。经过推广，该算法可应用于汉字识别、人脸识别等领域。     

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。     

蚁群约简与神经网络用于航空发动机故障识别

为解决航空发动机转子系统故障模式识别这一复杂问题,将蚁群算法与BP神经网络相结合应用于故障模式识别.文中采用蚁群算法对反映发动机运行工况的故障特征参数进行约简,并结合BP神经网络对故障识别过程做了分析,以航空发动机转子系统的故障识别为对象进行了实验验证.结果表明,利用蚁群算法对航空发动机转子系统故障特征参数进行约简,剔除了输入冗余信息,降低了网络数据维数,提高了运算效率和故障识别的正确性.     

基于激光距离传感器的路况识别系统的设计

针对动力型下肢设备存在的运动模式识别率低的问题,设计了一种可穿戴式路况识别系统。通过安装在腰部的便携式激光距离传感器和惯性测量传感器分别采集激光距离信息和地形高度信息,利用小波去噪算法对所采集的数据进行处理,提取特征值,最后选择训练简单、结构清晰的概率神经网络进行路况识别。实验结果表明,该便携式系统能有效识别平地、上楼、下楼、上坡和下坡五种路况并提高识别精度,证明了将可穿戴式路况识别系统应用于假肢或助行器等动力型下肢设备环境感知系统的有效性和可行性。     

基于SVM方法的神经网络呼吸音识别算法

提出了一种神经网络的SVM(支持向量机)呼吸音识别算法,将通过小波分析得到的呼吸音特征输入神经网络,作为SVM方法的特征输入,对训练样本进行训练,再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别,同时与K最近邻(KNN)方法进行比较。实验结果表明,SVM方法具有较高的识别精度,能够对呼吸音状态进行识别,同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于SVM方法的神经网络呼吸音识别算法有较好的精度,可为身体局域网技术提供信息处理的有效算法。     

基于遗传算法和BP模糊神经网络的红外步态识别

为了提高红外步态识别精度的目的,采用分别基于小波描述子特征的模糊分类器识别和基于体形平均灰度图特征的贝叶斯分类器识别,再进行基于遗传算法和BP模糊神经网络的多分类器融合识别的新方法。做了基于中科院红外步态数据库的识别仿真实验,获得识别率、等错误率和累积匹配分值的实验数据及对比结果,得到多分类器融合识别比单分类器识别提高约10%识别率,降低约10%等错误率,完全收敛阶数提高1倍多的结论。具有识别精度高、收敛速度快的特点。     

基于径向基神经网络的粒子群表面缺陷识别算法

金属部件表面缺陷识别问题是模式识别领域的研究热点,高效、可靠的表面缺陷识别方法能够有效提高生产效率、维护生产安全。针对这一问题,文中提出了一种利用径向基(RBF)神经网络和粒子群优化(PSO)算法相结合的表面缺陷识别算法。采用PSO算法确定和改进RBF神经网络的权值参数,同时对PSO算法中的惯性权重进行线性处理,有效消除了PSO算法中的最优解局部振荡现象。针对金属部件表面常见的几种缺陷对RBF-PSO表面缺陷识别算法进行网络训练,并进行相应的实际测试。文中提出的RBF-PSO表面识别算法识别准确率可达96%,相比于传统的神经网络算法具有明显的性能提升。     

雷达目标识别技术综述

针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的4类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的4种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。     

一个基于神经网络的航空照片自动目标识别算法

针对航空照片中自动目标识别的复杂性,该文提出了一种基于神经网络的自动目标识别算法,算法包括检测和虚警排除两个阶段。检测阶段是在整幅区域中进行快速搜寻,找出所有可能的目标;虚警排除阶段是对检测阶段得到的结果进行进一步的验证,在尽可能保留全部真目标的前提下,将伪目标排除。实验结果证明了算法的可行性。     

基于区域定位与轮廓分割的红外目标检测

红外图像受随机噪声干扰严重.传统的基于高斯混合模型的检测算法检测得到的红外目标受虚假轮廓影响,不易准确辨识.为了准确识别红外目标,采用了一种基于脉冲耦合神经网络和高斯混合模型的红外目标检测算法.首先利用高斯混合模型定位红外目标区域的位置,然后利用基于空间信息的分水岭算法得到闭合区域,再利用基于脉冲耦合神经网络的分割算法剪切其虚影,最终检测到完整的运动目标.结果表明,该方法能够消除在传统方法中产生的虚影现象,得到精确的红外运动目标.通过比较,实验结果优于传统方法.     

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。     

基于神经网络的智能交通信息管理系统研究

把图像处理技术和人工神经网络相结合,设计了一种基于小波神经网络的智能交通信息管理系统,给出了系统的体系结构、功能原理和设计方法.对运动目标的识别与分类,提出了一种基于改进型帧间差值检测法和基于小波神经网络的车辆类型分类算法.