基于多尺度分析和均值漂移的Kway-Ncut算法

提出一种基于多尺度分析和均值漂移的谱聚类算法.该算法以Kway-Ncut算法为基础,通过缩小待分割图片的分辨率来实现快速和对大分辨率图片的分割.首先,利用均值漂移算法对图片进行预分割,随后缩减图像和预分割结果的分辨率.再利用预分割提供的先验信息和像素的空间一致性构建相似度模型,计算缩小后的图片像素相似度,使用Kway-Ncut进行分割.最后,将分割结果扩展为原始分辨率,用原始分辨率的预分类信息对图像边界及细节部分加以恢复,获得最终的分割结果.通过使用多幅彩色图像进行分割实验,结果表明文中算法在准确性和高效性方面都有良好表现.     

基于仿生模式识别的构造型神经网络分类方法

提出了一种基于仿生模式识别理论的神经网络构造方法.仿生模式理论认为:"同类而不完全相等的事物之间,必至少存在一个渐变过程,在这个渐变过程中间的各事物都是属于同一类的".利用这一理论,从不同结构神经元模型在高维空间中的几何意义出发,通过对一种新型的神经网络的构造,实现了对不同类样本在高维空间中形成的不同形状几何体的覆盖,从而达到分类的目的.通过双螺旋曲线的分类实验,证明了这种神经网络具有很好的识别效果.     

分式线性神经网络及其非线性逼近能力研究

提出了结构简单的分式线性神经网络,证明该种神经网络可无限逼近Rm上有界闭子集到Rn上的任意连续映射,同时,证实该种神经网络可无限逼近Rm上无界闭子集到Rn上的在无穷远有极限的任意连续映射,扩充了BP神经网络的非线性逼近能力;给出了实现分式线性神经网络逼近有界或无界区域上连续映射的反向传播算法.仿真实验表明所给出的反向传播算法可行有效.该结果为无界区域上的分类问题和决策问题的解决提供了理论基础.     

权值初始化与激励函数调整相结合的学习算法

提出了一种基于独立元分析(ICA)方法的权值初始化方法和动态调整S型激励函数的斜率相结合的神经网络学习算法。该方法利用ICA从输入数据中提取显著的特征信息来初始化输入层到隐含层权值。而且通过使神经网络的输出位于激励函数的活动区域,对隐含层到输出层的权值进行初始化。在学习过程中,再对每个隐单元和输出单元的激励函数的斜率进行自动调整。最后通过计算机仿真实际的基准问题,验证了论文提出的方法的有效性。实验结果表明,所提出的方法能有效地加快多层前向神经网络的训练过程。     

人工神经网络与神经计算机及其实用化

人工神经网络从名词上看显然是指用人工方法来模拟大脑神经网络的意思.但从生物学观点来看,则人工神经网络事实上与大脑结构相差悬殊,几乎难找共同之处.然而从工程科学角度看,则不管与大脑相似不相似,只要能解决实际问题就会被人们所关注.近年来人工神经网络在各方面被广泛使用正是由于它比其他方法能更好地解决实际问题.本文综述了人工神经网络在测控技术中的应用,重点介绍国内的人工神经网络实用化条件.     

新型半导体传感器和材料的发展趋势

<正> 在众多的材料中,半导体材料对制作各种传感器有着天然的优越性,因它对光、热、压力、磁场、辐照、湿度、气体、离子等都很敏感,并能以电信号的形式输出。在各种技术中,半导体工艺技术在制作传感器上又有独到之处。目前,传感器正向着微型化、集成化、     

多自由度神经元模型的人脸识别算法研究

针对人脸识别问题,提出一种基于多自由度神经元模型的人脸识别算法.首先,给出多自由度神经元模型及其神经网络的构造算法;然后,将算法用于UMIST人脸库和YALE人脸库,同时在计算中给出了一种简单有效的减少光照影响的预处理的方法;最后将本文算法与SVM算法进行比较,证明了算法的有效性.     

基于视觉仿生的图像目标分类算法

总结了当前图像目标识别算法的现状;从生物医学角度出发,分析了人类对图像信息的获取原理,提出一种基于仿生思维的图像亮度自适应调整算法;从人的视觉系统机制出发,实现一种从各种复杂的图像背景中分辨出同类目标的视觉仿生分类算法。实验结果表明,对于针对各种复杂的、具有多目标的图像,与其它目标分类算法比较,视觉仿生算法的分类效果更好。     

基于矢量方向特征的非参数动态背景建模

针对传统的背景建模会产生空洞和阴影误检测的问题,提出了基于矢量特征的动态背景建模方法。该算法分为初始背景模型学习和更新背景模型学习两个部分。初始背景模型把图像RGB 3个特征对应到球坐标中的方向特征,并取前若干帧图片通过矢量均值聚类算法算出K个聚类,认为这K个类为这一像素点的背景模型,当一张新的图片对应像素的矢量特征落在这K类中的任何一个时,就认为其为背景;更新算法是初始模型的后续,它除了对新来的图片进行背景分析之外,也将其用来更新背景模型。该算法能够有效避免空洞现象和阴影误检测,并且当场景改变时能及时有效地更新背景。     

一种按基因重要度收敛的进化算法

提出基因重要度的概念,通过实验证明基因重要度对于单变量边缘分布算法(Unvaried Marginal Distribution Algo-rithm,UMOA)收敛的重要性.由此提出一种基于基因重要度的进化算法.该算法首先对组成染色体的各基因进行重要度排序,随后对重要度大的基因先进行收敛操作,每次收敛当前重要度最大的基因,直到所有基因全部收敛.实验数据表明,本算法的收敛速度更快,而且更容易求出满意解.