基于模糊自适应共振理论映射算法的单样本三维人脸识别

针对传统的三维人脸识别分类算法大多需要多个样本进行训练,而在单训练样本的前提下识别性能会严重降低的问题,提出了基于模糊自适应共振理论映射(Fuzzy ARTMAP)的算法对三维人脸数据库进行分类识别。首先对三维人脸深度图像进行局部二值模式(LBP)统一模式算子的特征提取,再对LBP特征进行Log-Gabor小波变换,提取图像的频域特征向量作为训练的输入向量,最后将单样本训练向量集送入Fuzzy ARTMAP分类器进行训练识别。该算法在FRGC v2.0三维人脸数据库中的识别率可达到87.15%,分类器的训练时间为24.88s,单张待识别人脸样本与单张已注册的人脸匹配时间为0.0015 s,一张新的人脸样本在数据库完成一次搜索匹配则需要1.08 s。实验结果表明,所提方法在测试中的性能优于概率神经网络(PNN)和极限学习机神经网络(ELM),既能保证较高的识别率,又能拥有较短的训练时间,且时间增幅稳定,可控性强。

基于模糊理论与自适应共振网络的油中气体分析诊断

介绍了基于模糊理论的自适应共振网络在变压器故障诊断中的应用。根据对实际运行变压器进行统计得出的故障特征气体分布规律，确定分段隶属函数的分界值，并给出隶属函数的经验参数。针对变压器故障诊断的特点，在ＡＲＴ—２网络的基础上，构造了具有输入隐层的ＦＡＲＴ（ＦｕｚｙＡｄａｐｔｉｖｅＲｅｓｏｎａｎｃｅＴｈｅｏｒｙ）网络，对各特征气体采用不同的隶属函数处理，以增强网络对主要气体特征的灵敏度。并通过实例进行了检验，证实了该方法更为有效。

基于模糊自适应共振理论的图象分割

提出了一种基于模糊 ART神经网络的灰度门限化图象分割方法 ,该方法不仅可以自动确定分类数目 ,而且还能有效抑制噪声 。

自适应共振理论网络在煤炭资源资产分类中的应用研究

将自适应共振理论网络应用于煤炭资源资产分类,以基于聚类的综合评判模糊数学模型的分类结果作为选择训练样本的基础,建立了自适应神经网络分类模型.网络不仅能得到理想的输出结果,而且能准确地进行煤炭资源资产分类.分类结果表明,用自适应共振理论网络进行分类具有分类稳定、结果可靠等特点.

模糊广义学习向量量化算法在交通事故预测方面的应用

模糊逻辑系统易于理解,而神经网络则有极强的自适应能力。本文将模糊数学方法和神经网络结合起来建立组合模型,用广义模糊神经网络(FGNN)预测道路交通事故。运用MATLAB语言编程,利用模糊广义学习向量量化算法(FGLVQ)建立模糊神经网络模型,并应用于交通事故预测中,改进了交通事故预测的计算方法。理论分析和实例表明,设计的模糊神经网络模型具有良好的非线性映射功能和泛化功能,对预测交通事故有较好的适应性。

基于FUZZY-ART变换的自适应盲数字水印算法

图像认证是近几年发展起来的新技术。数字水印技术作为图像认证技术的一种，近年来得到了充分的关注。本文对一种基于FUZZY-ART理论的自适应数字水印算法进行了研究，首先对宿主图像进行分块学习，挑选出适合嵌入水印的图像块，并根据学习的结果，自适应地嵌入被置乱以后的二值图像水印。本文提出的是一种基于掩码盲检测的算法，大大减少了所需要传输的额外信息。实验证明本算法可以抵抗多种恶意的攻击。

一种快速模糊ARTMAP神经网络算法

模糊ARTMAP神经网络学习算法可以动态高效地检测新闻文本中的模式,但随着网络大小的增加收敛速度变慢,计算复杂,鲁棒性不高。因此提出了一种快速模糊ARTMAP神经网络算法。该算法主要提出了新的匹配函数和激励函数,不需要规范化和补码计算步骤,去除了匹配跟踪过程,当发生未遂节点为赢得竞争的节点时,直接建立一个新的模板层的类标识。算法的革新之处在与既能动态维持聚类结构同时又减少了算法的复杂性。实验结果证实了该算法在合理时间内产生了高质量的模式发现。

一种改进的模糊ART神经网络学习算法

对模糊ART神经网络模型中的类别选择方法进行改进,并在权值向量的修改规则中引入隶属度,得到一种改进的FuzzyART学习算法。IRIS数据分类结果证明了新方法的可行性。

多维时间序列数据符号化表示方法的研究

提出了一种简单高效的多维离散时间序列符号化方法,该方法用模糊自适应共振理论(Fuzzy ART)对多维时间序列数据进行聚类,实现多维时间序列数据的符号化问题。同时,通过属性相关性预处理分析,过滤掉聚类中不相关或弱相关的属性,保证了聚类算法的准确性,将提出的算法应用于多维交通流数据的符号化,效果很好。

基于Fuzzy-ART神经网络的红外弱小目标检测

针对现有背景抑制算法未能有效抑制背景而导致目标检测率低的问题,提出了一种基于模糊自适应共振理论(fuzzy adaptive resonance theory,Fuzzy-ART)神经网络的弱小目标检测算法。首先,采用Fuzzy-ART神经网络结合Robinson警戒环技术,建立自适应局部空间背景模型,并以此分析像素点的背景模糊隶属度来抑制背景杂波;然后依据目标与残留背景杂波的空间特征采用模板均差法来突显目标,并提出基于行列模糊聚类的自适应分割算法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联从而检测出真实目标。理论分析与实验结果表明,该算法能随背景的局部情况来自适应调节空间背景模型,从而自适应抑制背景杂波、突显目标,能有效提高信噪比,检测出弱小目标。

Fuzzy-ART背景抑制的单帧红外弱小目标检测

针对现有背景抑制算法未能有效地抑制背景而导致目标检测率低的问题,提出一种基于模糊自适应共振理论(Fuzzy-ART)进行背景抑制、基于行列k均值(k-means)聚类实现阈值分割的单帧红外弱小目标检测算法.首先依据红外成像原理仿真生成红外弱小目标训练样本;然后采用Fuzzy-ART神经网络建立目标模型,并以此分析各像素点的目标模糊隶属度来抑制背景杂波;最后采用基于行列k-means聚类的自适应阈值分割算法来检测真实目标.实验结果表明,该算法能有效地抑制背景杂波和突显目标,并能有效地提高信噪比检测弱小目标.

基于几种神经网络方法的公司财务风险判别研究

笔者针对提高公司财务风险判别准确度问题,提出运用人工神经网络中具有明显自适应性、自组织性的自适应共振理论算法和自组织特征映射算法分别构建公司财务风险判别模型进行仿真研究。结果表明:自适应共振理论算法判别正确率为87%,而自组织特征映射算法判别正确率则达到了89%,较反向传播神经网络等方法判别准确度更高。

基于Fuzzy ART的K-最近邻分类改进算法

提出了一种K-最近邻改进算法,该算法用模糊自适应共振理论(Fuzzy ART)对K-最近邻的训练样本集进行浓缩,以改善K-最近邻的计算速度.该算法首先用Fuzzy ART将训练样本集中的每一类样本进行聚类,减小了训练样本集的数据量,提高了算法的计算速度,保持了预测精度,从而使该算法适用于海量数据集的情况.实验表明,该算法适用于对复杂而数据量较大的数据库进行分类.

一种新型确定性风电功率预测模型及其概率性评估

现有风电功率预测多数为确定性预测,而由于风电功率具有随机性和波动性,确定性预测在不确定性条件下难以为系统调度决策提供有效信息,概率性预测能够提供预测的不确定性信息。提出一种基于小波变换和模糊自适应共振映射的新型确定性预测方法,利用数值天气预报及风电功率历史数据进行确定性预测。同时基于分位数回归分析,并以置信度、锐度、技术评分为指标,对确定性预测结果进行概率性评估。以某风电场为例,给出了确定性预测值及概率性评估,验证了所提方法的有效性。

基于改进的SOM和ART的动态手势识别

提出一种动态手势识别算法,将动态手势识别问题转换为轨迹识别问题.首先以SOM算法作为分类器提取手势特征,将多维手势信息投影到二维平面中,根据每帧的顺序产生一平面轨迹,将产生的平面轨迹输入到改进的ART网络进行识别.实验结果表明,该算法用于动态手势识别是可行的且性能稳定.

讲授“人工神经网络”课程手记

1 背景人工神经网络的研究源远流长.从本世纪中期开始几经兴衰.到80年代中、后期,再次形成了遍及世界各地和涉及多种学科领域的研究热潮。这一交叉科学技术领域的发展已从理论研究走向广泛的实际应用.人工神经网络的研究成果正冲击着电子与信息科学的发展进程与方向。在此期间,在某些研究工作.特别是研究生的论文工作中.

一种新的FART分类器

提出了一类基于贴近度理论的模糊ART神经网络模型 ,简称为CBFART(ClosenessBasedFuzzyART)模型。将模糊数学中的贴近度 (Closeness)和择近原则 (ClosestPrinciple)概念与自适应共振理论 (ART)相结合 ,形成了一种新的网络模型。该模型的学习以匹配—委托循环为特点 ,网络分类遵循择近原则。补码编码、匹配—委托和快速委托—慢速重编码方案相结合 ,保证了网络学习的收敛性和稳定性 ,并可以做到一次性学习 ,提高了学习速度。文中对高维样本进行分类仿真 ,给出了仿真结果 ,分析表明该模型具有良好的聚类特性 。

基于神经网络的聚类方法研究

针对常用聚类方法不能有效处理噪声数据的问题,本文结合神经网络具有自适应性的特点,提出基于神经网络的聚类(NN_Cluster)模型,并设计了基于自适应共振理论的神经网络聚类模型(ARTNN_Cluster)和基于自组织特征映射的神经网络聚类模型(SOMNN_Cluster)。标准数据集上的实验结果表明,与传统的K_means聚类方法相比,本文提出的基于神经网络的聚类模型有效地克服了传统方法的噪声问题,得到了较好的聚类效果。

FART神经网络的改进及其在晶圆在线监测中的应用

对模糊自适应共振理论(FART)神经网络进行改进,使用改进的FART神经网络对半导体生产线晶圆合格率进行在线检测,对晶圆合格率特征向量进行聚类分析,将合格率损失中拥有相类似特征的晶圆分为一类,一旦检测到生产线发生异常,便可找出故障设备并及时维护,从而使生产线处于高生产率状态。

一种新的拓扑保持ART模型

基本ART模型缺乏对样本集拓扑结构及分布特性的学习,导致其抗噪性能较差,容易产生类别增殖现象,进而导致分类性能不稳定。本文将基本ART模型与SOM、GNG的侧向连接和动态拓扑结构相结合,提出了一种具有拓扑保持结构的ART模型(topology preserving ART model,TPART)。利用构建的模型对聚类状分布的高斯分布数据集进行测试,在受到大量孤立噪声点干扰和输入样本顺序的影响下,其性能相对于Fuzzy ART有较大提高。进一步将其应用于灰度图像分割,也取得了较FuzzyART更好的分割结果。