基于粗糙集的并行协作模块化神经网络模式分类器

该文提出了基于粗糙集的K类模式分类器的体系结构(RSPCMNNC),基于粗糙集理论提出了三个预处理算法,简化了分类器的结构,降低了学习难度,有效地避免产生过多的子网。样本空间基于最大均衡的策略来划分,保证BP算法在学习过程中的有效性。实验结果表明,该文提出的RSPCMNNC分类器显示出更高的识别率,对于实际应用中多特征模式的识别问题,具有很大的实用价值。

一种自组织结构的神经网络模式分类器

本文研究了一种自组织结构的神经网络模式分类器．它由一个多层网络和一个自组织机构组成．通过对训练样本的聚类分析，它能有效地构造和训练网络，并能在学习过程中自适应地调节网络结构．它具有收敛速度快，能避免局部极值点和应用方便等显著优点．计算机模拟实验证实了其优越性．

新的可拓模式分类器研究

为了解决传统可拓模式分类器只适合用于模式类别较少和一维数据等缺点,针对可拓学中可拓距和关联函数的特点,提出了采用可拓距和关联函数新的可拓模式分类器,包括平均关联函数法、K最大关联函数法和最大关联函数法。详细介绍三种可拓模式分类器的设计步骤;并针对平均样本法、平均距离法、K近邻法、最近邻法和三种可拓模式分类器,采用二维平面数据、多维向量数据和手指静脉图像特征矩阵数据进行实验对比分析。实验结果表明:新的基于可拓距与关联函数的可拓模式分类器算法不仅可以解决模式类别较多的多维数据问题,分类效果也可以达到经典的K近邻分类器或最近邻分类器的分类水平。

一个自生成的神经树网络模式分类器

本文研究一种神经树网络（ＮＴＮ，ＮｅｕｒａｌＴｒｅｅＮｅｔｗｏｒｋ）模型，提出一种能自动生成其体系结构的有监督的竞争学习算法，指出该模型能解决复杂的多类模式分类问题．模拟数字例子——手写体数码识别的结果也表明该分类器是有效的．

基于卷积神经网络的模式分类器

研究了使用卷积神经网络((Convolutional Neural Networks,CNNS)构造模式分类器,并用于文本/图像分割和文本检测的可能性.CNNs可以避免显式(直接)特征取样.更为重要的是,CNNs能直接运作于灰度图像,使其应用变得直截了当.对诸如卷积核尺度、网络收敛速度等具体算法实现问题进行了讨论,并给出CNNs在汉字文本/图像分割和文本检测方面的各种实验结果.

基于自组织映射网络的模式分类器对储产层自动分类方法研究

文章提出了一种储产层识别及预测方法，该方法利用了神经网络中的自组织特征映射网络，它是由无人管理训练而得到的。当该网络被用作储产层的模式分类器时，它需要进行有导师指导的训练，这个模型就变为储产层的模式分类器。

神经元模式分类器学习的进化计算算法

本文提出了一种用于神经元模式分类器学习的进化计算算法。该算法综合了非确定有限自动机和次群体的动态数据结构,可有效地完成神经网络模式分类器的结构学习,以获得最优的求解结果。该算法的有效性已由计算机仿真实验所证实,可被认为是一种很有发展前途的模式分类系统的机器学习算法。

应用模式分类器进行变压器色谱分析的处理

变压器油中溶解气体的色谱分析是检验变压器初期故障的主要手段。用前向多层神经网络作为故障模式分类器,将色谱分析的特征气体输入网络,网络即给出故障模式的分类结论。针对BP算法存在的收敛速率低、有局部振荡的缺陷,提出了在共轭梯度方向修正权值,使用概率接收原则决定目标函数值变化的取舍,并以实例证明其具有快的全局收敛性。模式分类方法的自学习与修正能力使得色谱分析更具有对象的针对性,从而提高了准确性与实用性。

局部二值模式分类器耦合特征脸的人脸识别算法

为了解决当前人脸识别考勤系统在面对表情、眼镜、头发干扰时,其识别稳定性差的不足,论文设计了基于局部二值模式分类器(LBP Classifier)与特征脸(Eigen Faces)的人脸识别算法。首先,通过优化高维特征,提取低维特征,设计了基于LBP Classifier的人脸检测算子,标识出人脸区域;然后提取特征数据,结合人机交互输入,进行监督式学习,设计了基于EigenFaces的人脸识别算子,完成对人脸特征的识别。实验数据显示:与当前人脸识别算法相比,在面对表情、眼镜、头发干扰较大时,论文算法拥有更高稳定性与识别率。

Voronoi域模式分类器

提出基于模式训练的Voronoi划分向量分类器结构,指出该结构是以欧几里得距离为测量的最优模式分类器,给出M类k维(k≥2)Voronoi域分类器的两个判决准则和三种结构。

应用遗传算法构建化学模式分类器

神经网络和统计分析所构建的分类器均为复杂算式,难以体现专业知识;而分类规则直接以属性值为条件,确定个体类别,易于专业分析。对于连续属性的样本数据,本文应用基于信息熵的Chi-merge方法将其离散化,并将提取最优规则转换为组合优化问题,进而采用遗传算法求解。为此,本文将规则提取演绎为种群进化,并设计了个体适应度函数。由此提取出最优的分类规则,经过修剪处理后,与判别准则一起构成模式分类器。本文将其应用于橄榄油产地判别,所建立的分类器简单明了,规则数少,性能良好,适用于化学模式分类。

用于过程故障诊断的自适应kernel学习网络分类器

提出一种统一的最小二乘kernel学习框架,将自适应kernel学习(AKL)网络辨识器推广为分类器,用于化工过程的故障诊断。推导了AKL分类器在向后缩减和向前增长两种情况下的递推算法,实现了对记忆样本长度的控制。该分类器无需利用历史故障数据,即可进行在线学习并建立过程诊断模型。通过对Tennessee Eastman(TE)过程的5种典型故障的诊断分析,验证了该方法的有效性。

权值与结构双确定法的RBF神经网络分类器

为了解决径向基函数(RBF)神经网络权值与结构难以确定的问题,基于权值直接确定法,及隐层神经元中心、方差、数目与神经网络性能的关系,提出一种边增边删型的网络权值与结构双确定法。在此方法基础之上,构建一种RBF神经网络分类器并探讨其分类性能和抗噪能力。计算机数值实验结果验证所提出的边增边删型的权值与结构双确定法能够快速、有效地确定网络的中心、方差和网络最优的权值与结构,所构造的模式分类器具有优越的分类性能和抗噪能力。

基于最小分类错误训练的神经网络分类器设计

提出了一种基于最小分类错误 (MCE)训练的采用多层感知器 (MLP)结构的模式分类器设计方法 .这是一种以分类错误率最小化为目标的模式分类器设计方法 ,将它用于 MLP分类器设计能够进一步提高分类器的性能 .采用 MLP实现 MCE训练中的分类损失计算 ,从而将 MCE训练过程与 MLP分类器设计统一在一个神经网络结构中 ,通过 BP算法予以实现 .这不仅能达到提高MLP分类器性能的目的 。

基于混合遗传训练方法的分类器参数设计

针对分类器这一狭义模式识别问题，分析了基于多层前向神经网络（ＭＦＮＮ）实现的复杂性．提出了一种混合遗传算法（ＧＡ）和数学规划的权值训练方法，用于模式分类器的参数设计，并进行了仿真研究．

基于元胞自动机的分布式数据挖掘分类器

针对常用分类方法分类精度较低和内存消耗较高的问题,设计一种基于多吸引子元胞自动机(MACA)的模式分类器tsPCM,把它应用于分布式数据挖掘。通过改变MACA的描述方法,用依赖串和依赖向量将分类过程设计成两阶段,用遗传算法优化设计。实验结果表明tsPCM具有较高的分类精度和较低的内存消耗,分类复杂度由O(n3)降低到线性级O(n),具有较好的应用价值。

基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。

沥青路面破损图像分割方法研究

提出了一种减少沥青路面破损图像识别计算量的图像分割方法。将路面图像等分为64×64像素的子块图像,并用灰度方差值描述子块图像特征。同时,设计了基于BP人工神经网络的子块图像模式分类器,利用子块图像模式分类结果所组成的矩阵作为路面破损图像分割结果。实验表明,该方法可较好地分割路面破损图像。

Tabu搜索在特征选择中的应用

研究利用Ｔａｂｕ搜索从大特征集中选择一组有效特征的问题．分析了Ｔａｂｕ搜索中表长、邻域大小和候选解数量等参数对Ｔａｂｕ搜索的影响．对两种特征选择的问题，与经典及最近新提出的一些特征选择方法如ＳＦＳ，ＳＢＳ，ＧＳＦＳ，ＧＳＢＳ，ＰＴＡ，ＢＢ，ＧＡ和ＳＦＦＳ，ＳＦＢＳ等算法的实验比较表明，Ｔａｂｕ搜索在求解时间和解的质量上都取得了满意的结果．

雷达一维距离像目标识别方法性能的研究

给出了雷达距离像的数学模型,从平均距离像和距离像的协方差阵出发,用判别距离观点分析了常用的基线法、相关法、双谱法、主本征向量法和二次型法的分类性质.用判别距离准则将它们分为两类:基于平均距离像的线性分类器,基于平均距离像和协方差阵的二次型分类器.分析结果表明,二次型分类器利用了多个距离像的协方差信息,比线性分类器具有更好的分类效果.