基于构造性形态学神经网络的一种提升算法

构造性形态学神经网络算法(CMNN)是一种数学形态学与传统的神经网络模型相结合的一种非线性神经网络,有较强的实用性。其训练算法根据形态学联想记忆而来,在测试过程中采用形态学算子将测试样本归类于训练得到的超盒之中。由于其测试过程无法正确地将落在超盒外的样本进行分类,后有人提出了一种基于模糊格的形态学神经网络(FL-CMNN),该算法用样本与超盒的隶属度判断提高了原CMNN算法的分类效果,但增加了算法的复杂程度且分类效果不稳定。这里提出一种基于构造性形态学神经网络算法的提升算法(LCMNN),该算法继承了原有的形态学算子运算速度快的优点且能够将落在超盒之外的样本进行准确地归类。数值实验表明,基于构造性形态学神经网络算法的提升算法(LCMNN)与其他几种算法相比,能够达到最好的分类效果,而且简单易行,计算时间少。

基于构造性神经网络与全局密度信息的不平衡数据欠采样方法

多数类欠采样是当前数据层面解决不平衡数据学习的主流技术之一,近年来,研究者们提出了一系列的欠采样方法,但大多都将重点放在如何选择代表性的样本,从而降低信息损失。然而,如何在欠采样过程中保持多数类内部的结构信息,仍然是欠采样面临的主要挑战。针对该挑战,提出了一种基于构造性神经网络和全局分布密度的不平衡数据集欠采样方法。该方法首先基于构造性神经网络,设计了一种多数类局部模式的学习方法;然后基于多数类局部模式,设计了两种具有结构保持特性的样本选择策略;最后针对局部模式学习的随机性可能导致的采样结果非优的问题,进一步引入了bagging集成策略,提升了方法的性能。在59个数据集上与13种对比方法进行了对比实验,验证了所提方法在G-mean,AUC和F1-score这3个常用指标上的有效性。

基于神经网络深度学习模型的踝关节X线片标志点自动定位研究

目的探索基于神经网络深度学习模型的踝关节X线片标志点自动定位方法及其应用价值。方法选取陕西省人民医院2019年1月至2022年11月间行X线检查的360例成年人正常左踝关节正、侧位片影像资料为研究对象,将其随机分配至训练集(210例)、验证集(90例)和测试集(60例)。以人工标注作为参考,对图像预处理后分别建立基于神经网络Unet架构的踝关节X线片标志点预测模型,生成对应的热力图,并用测试集数据进行验证。结果在踝关节X线正位片6个标志点的预测中,2 mm阈值的平均正确估计比例(Percentage of Correct Keypoints,PCK)可达99.7%,总体平均径向误差(Mean Radial Errors,MRE)为0.411,总体标准差(Standard Deviation,SD)为0.290。距骨顶端内点的预测准确度最高,1 mm阈值时的PCK可达100%,同时其MRE及SD在正位片6个点中最小,分别为0.290和0.178。在踝关节X线侧位片9个标志点的预测中,2 mm阈值的平均PCK达到95.0%,总体MRE为0.669,总体SD为0.710。胫骨下段最前点的预测准确度最高,1 mm阈值时的PCK可达100%,同时其MRE及SD在侧位片9个点中最小,分别为0.334和0.173。正位片和侧位片所有标志点的预测位置坐标与对应参考标准标志点位置坐标差异均无统计学意义(P>0.05)。结论基于神经网络深度学习模型能够实现对踝关节X线片标志点的有效自动定位,对辅助踝关节X线片形态学自动测量和疾病诊疗具有应用价值。

基于数学形态学和神经网络的车牌识别(英文)

汽车牌照的自动识别系统是一种应用于公路交通管理和收费的智能监控系统 .文中提出了基于形态学处理定位牌照图象的区域的方法 .该方法与其它方法相比对图象没有严格的限制和要求 .三层反馈神经网络用来识别和分类 。

基于数学形态学和神经网络的纹理分类

本文提出一种基于数学形态学和神经网络的纹理分类方法．首先运用数学形态学的开、闭运算提取纹理图像的特征，然后用ＢＰ神经网络对纹理进行分类．

模糊格构造型形态神经网络

针对构造型形态神经网络(CMNN)决策函数的局限性,提出了一种模糊格构造型形态神经网络(FLCMNN);该模型在利用训练好的CMNN进行分类时,引入模糊格包容性测度计算测试样本属于各超盒的隶属度值.采用仿真数据集对提出的FL-CMNN模型进行了评价,并与原始的CMNN和传统的人工神经网络、支持向量机、最近邻分类器进行了对比;试验结果表明,FL-CMNN在测试精度上明显优于原始的CMNN,训练时间远远低于传统的神经网络和支持向量机,而分类精度丝毫不亚于传统的神经网络和支持向量机.

基于构造性神经网络的时间序列混合预测模型

针对传统时间序列预测模型不适应非线性预测而适应非线性预测的BP算法存在收敛速度慢,且容易陷入局部极小等问题,提出一种基于构造性神经网络的时间序列混合预测模型。采用构造性神经网络模型(覆盖算法)得出的类别值对统计时间序列模型的预测值进行修正,建立一种同时考虑时间序列自身周期变化和外生变量因子对时间序列未来变化趋势影响的混合预测模型,涵盖了实际问题的线性和非线性两方面,提高了预测精度。将该模型应用到粮食产量的预测中,取得了较好的预测效果。

基于模糊细胞神经网络的彩色图像形态学重构

利用彩色图像的 Ｒ Ｇ Ｂ空间分解，在模糊细胞神经网络上实现了彩色图像数学形态学的基本算子，并讨论了该实现相对于常规串行计算机算法的优越性和局限．进一步地利用按分量的灰度重构，实现了彩色重构算法．最后讨论了该重构算法在抑制彩色图像高频噪声中的应用．给出的仿真结果对于推广模糊细胞神经网络在彩色图像实时处理和硅眼等模拟逻辑系统中的应用有着重要的意义．

构造性神经网络在测井岩性识别中的应用

测井岩性识别是石油勘探中十分重要的基础工作,准确的岩性识别结果可以为勘探和开发提供可靠的依据。人工神经网络方法可对复杂的高维数据进行非线性映射,在模式识别领域得到越来越广泛的应用。针对传统的BP神经网络算法存在收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法———级联算法(Cascade Correlation Algorithm,简称CC算法)及其在石油工程中的应用。采用该算法对甘肃镇原-泾川地区进行岩性识别研究,通过与BP神经网络的识别结果进行比较,体现出构造性神经网络的优越性。

基于数学形态学和神经网络对番茄生理病害果的识别

应用数学形态学理论,提出一种膨胀和腐蚀的快速算法运用于番茄不同病害果特征提取,运用计算机视觉技术,根据病害果的几何矩特征,应用神经网络技术进行番茄病害果识别.研究表明,该方法能准确识别番茄病害果的形状,满足分级的要求,识别率达90%以上.

基于模糊数学和神经网络的数学形态学方法

文中应用模糊数学的原理，采用构造隶属函数的方法，在实现二值图像数学形态学基本算法的基础上，结合人工神经网络的方法实现了一种更为灵活的数学形态学运算．该方法不仅能实现传统的数学形态学的基本运算，而且通过选取适当的权值和阈值还可以实现除噪、滤波、边缘检测等更复杂的运算．

基于形态学和细胞神经网络的边缘检测方法

采用形态学方法提取二值图像的边缘,利用二值形态学与离散细胞神经网络(DT-CNN)的某种天然对应关系,将离散细胞神经网络引入形态学,将形态学运算转化为某种特定模板下的多层离散细胞神经网络,然后对该模板进行优化设计使之转化为单层离散细胞神经网络,降低了运算的复杂度。在此基础上,通过综合灰度图像像素在每个比特位上的边缘检测结果,提出了采用二值形态学提取灰度图像边缘的方法。与传统边缘提取方法Sobel和Log相比较,该方法边缘提取效果良好,收敛迅速。

基于神经网络和形态学的钢表面缺陷识别

钢表面图像的信噪比很低,探测目标很小,形状也不规则,因此钢材表面缺陷难于识别。引进基于神经网络和形态学的图像识别方法检测钢表面的各种缺陷,简述图像的预处理和BP神经网络建立的基本过程。通过对比BP神经和RGB阈值方法对钢表面图像的分割结果,表明BP神经网络方法优于RGB阈值方法。利用形态学处理方法过滤噪声,使结果更清晰。此方法能检测出不同类型的缺陷,且具有很强的鲁棒性。

构造性神经网络覆盖算法的模糊化技术及其应用

本文通过将模糊逻辑的结构性定义引入构造性神经网络模式分类系统中,给出模糊神经网络模式分类边界的直观描述方法.在系统信息不完备的情况下,可以获得更为合理的模式分类边界,并提高模式分类的精度.实验结果表明以上方法正确.

基于数学形态学和BP神经网络的足趾形状识别方法

根据足趾二值图像形状特征,提出基于数学形态学消散度技术的足趾形状特征提取及BP神经网络聚类的足趾形状识别方法。该法依据数学形态学理论提取物体形心,仅受较少边界凹点影响,对噪声不敏感,比几何中心稳定。提取边界上距形心距离稳定并能区分不同形状的特征点及相互关系,生成特征向量。此向量在二维连续空间中,具有平移、旋转、尺度不变特征;在二维离散应用环境中,由平移、旋转、尺度变化造成误差小,稳定性强。用训练成功的BP神经网络,对不同质量足趾图像识别,均能达到较高识别率。大量实验表明,该法是满足识别精度要求、识别率高于其它方法的一种行之有效的足趾形状识别方法。

基于形态学小波理论和SVM神经网络的人脸识别

主要研究了快速识别人脸的基本算法,它包括人脸检测和人脸识别两部分.人脸检测部分利用肤色电平的聚类特性和形态学处理检测出准人脸图像,再利用小波特征提取出特征进行人脸认证.人脸识别部分采用支持向量机(SVM)神经网络进行人脸识别.支持向量机神经网络对二类判别具有很强的识别能力.对于N类判别需连续使用N次.该方法识别速度快,且不受发型、头饰、眼镜等的影响.仿真证明了该方法的有效性.

数学形态学运算的再定义及其神经网络实现

该文在分析了传统的数学形态学基本运算的基础上,利用集合势的概念,提出了一种新的形态学算子定义方法,并据此引入了程度化数学形态学运算的概念,将腐蚀和膨胀运算合二为一。最后讨论了程度化形态学运算的神经网络实现及计算机仿真结果,从而,在不同于前人思路的情况下,实现了使用较少的结构元素信息对图象进行噪声滤波的操作。

基于构造性神经网络的石油测井解释方法

为了克服传统的BP神经网络算法收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法——级联算法CCA及其在石油工程中的应用。采用该算法进行了储层参数预测的研究,通过与BP神经网络的研究结果进行比较,进一步体现出构造性神经网络的优越性。

G神经网络函数映射能力的构造性证明

该文研究了G神经网络的函数映射能力,给出了前馈G神经网络映射任意G型多项式的构造性证明。采用该文的方法映射同一个多项式,所用的神经元数目可少至以往方法的2/(n+1),其中n是G型多项式的次数。

调节形态学运算及其神经网络实现

数学形态学是一门建立在集合论基础上的学科,为数字图像处理和分析提供了一种有效的工具。在分析传统的数学形态学基本运算的基础上,引入调节数学形态学运算的概念,然后讨论了调节形态学运算的神经网络实现,并给出了用于图像滤波的计算机仿真结果。该方法较之传统的数学形态学基本运算更为灵活。