SOFM模型在杂草图像识别中的应用

针对在杂草图像分割方面存在使用阈值分割需要选择分割阈值、图像分割精度不高等不足,本文结合超绿特征分割算法和SOFM网络,构造出一种杂草图像识别模型——G-SOFM空间聚类模型。该方法是一种无监督学习方式,不需要指定阈值,利用网络自组织、自竞争的特性,实现对杂草图像的分割。在对图像进行超绿特征处理之后,使用超绿特征的灰度和归一化两个特征向量,实现SOFM空间聚类。实验结果表明,改进的G-SOFM方法相比其他三种杂草图像分割算法的分割结果都有一定的提高,分别比HIS阈值分割、超绿特征分割、双阈值分割提高28%、20%、21%。本算法结合后期形态学去噪后,识别正确率可达94%。     

基于机器视觉的软体纤维丝集束智能计数系统

设计了一种基于机器视觉的可以对软体纤维丝集束实现自动计数的检测系统。系统采用自制半球形LED光源照明,对软体纤维丝集束切片,经显微光学系统放大,再由电荷耦合器件(Charge coupled device,CCD)采集放大图像至计算机,通过图像处理系统计算出集束中软体纤维丝数量,并与标准值比较,自动给出是否合格的判别结果。并提出了一种图像处理方法,该方法首先采用基于区域熵值最大的原则将不同光强照射下获取的源图像进行融合,再对融合后的图像利用自组织特征映射(Self organization feature map,SOFM)神经网络求取分割阈值,然后使用求取的分割阈值作为测度指导源图像实现二值化融合,最后采用基于统计量的边界分离和计数方法实现纤维丝集束的计数。实验证明,该系统检测误差不大于1%,重复测量标准差不超过0.07,实现了对软体纤维丝集束的智能计数。     

基于一种新型粗糙集神经网络的故障诊断

分析了粗糙集与神经网络各自的优缺点,结合粗糙集与神经网络提出了一种基于SOFM网络的新型粗糙集神经网络,给出了该网络的流程图,描述了系统各组成部分的工作原理。应用一实例验证了该网络在故障诊断中的有效性。结果表明,新网络较好地解决了训练样本的大小、样本质量等对人工神经网络的精度以及泛化能力有直接影响的问题,简化了神经网络的结构,缩短了训练时间,并实现了结果可视化,最后得到了故障可视拓扑映射图。     

基于自组织特征映射神经网络的局部矢量量化算法

提出了一种基于自组织特征映射神经网络的局部矢量量化算法（Local vector quantizatin algorithm based on Self-Organizing Feature Mapping neural networks,LSOFM）,LSOFM算法是对SOFM算法的一种改进,它将隶属关系引入到参考点权值的修改中,自组织特征映射神经网络的领域大小的确定依赖于训练矢量与参考点之间的隶属关系。     

基于SOFM神经网络的军用灰色涂层腐蚀行为研究

目的探究军用车辆有机涂层在全浸泡条件下的腐蚀行为特征,寻找评价涂层腐蚀防护性能的有效方法。方法利用电化学阻谱技术,对某型军用灰色涂层在全浸泡条件下的腐蚀行为进行了研究,分析了其阻抗谱及低频阻抗模值0.1 Hz|Z|、高频相位角10 k Hzq、相对介电常数re三种特征参数的变化规律。以三种特征参数作为评价指标,利用SOFM自组织神经网络对涂层性能的变化过程进行研究。结果灰色涂层在全浸泡下的腐蚀过程大致经历三个阶段。良好阶段:高频相位角q位于70°附近,低频阻抗模值|Z|均大于10~7。防护性能下降但仍具有保护作用阶段:高频相位角q下降至50°附近,低频阻抗模值|Z|下降至10~6附近。防护性能丧失阶段:高频相位角q全部低于50°,低频阻抗模值|Z|已经低于10~5。SOFM自组织神经网络对涂层的分类结果与对阻抗谱特征分析的结果保持一致。结论通过实例分析,证明自组织神经网络SOFM方法可实现对涂层性能状态的快速判断。     

一种新的像素级多聚焦图像融合算法

该文在小波变换的基础上提出了一种将一维自组织特征映射(SOFM)网络和进化策略相结合的多聚焦图像融合算法。该方法对不同聚焦点的图像进行冗余小波分解,再分别将其各方向、各尺度的高频信息进行叠加,并在高频信息叠加层上提取反映图像清晰度差异的归一化特征图,依据此特征图,使用SOFM网络对原始图像像素进行分类,并利用进化策略对各类像素求出最优的融合系数。实验结果表明该算法比拉普拉斯变换法和小波变换法具有更好的融合效果。     

无人工选择训练样本的高光谱图像神经网络分类方法研究

文中针对在无人工选择训练样本条件下高光谱图像中奇异点及噪声对SOFM神经网络分类效果的影响．提出应先对高光谱图像进行奇异点检测处理以消除其对网络分类的干扰和提取区域特征光谱以抑制噪声,并给出了相似度阈值的选取方法;在此基础上提出了基于区域特征光谱的高光谱图像无人工选择训练样本分类方法,通过对高光谱数据进行仿真．结果表明：文中提出的方法显著抑制了噪声的影响．分类结果更加合理。     

New learning rules for the ASSOM network

The ASSOM is a self-organising neural network with the capability of adapting to linear subspaces. Here we propose two new methods to train the ASSOM network. A nonlinear system of equations is derived for network training. This system can be solved by a gradient-based approach or by the Levenberg–Marquardt method. Each of these two approaches gives a different learning rule. A comparison is carried out among the original Kohonens method and the proposed learning rules. Experimental results are reported, including a convergence speed experiment and a speech processing application, which show that the new learning rules have better performance than the original one.     

EMG pattern classification using SOFMs for hand signal recognition

 We propose a method of pattern classification of electromyographic (EMG) signals using a set of self- organizing feature maps (SOFMs). The proposed method is simple to apply in that the EMG signals are directly input to the SOFMs without preprocessing. Experimental results are presented that show the effectiveness of the SOFM based classifier for the recognition of the hand signal version of the Korean alphabet from EMG signal patterns.