基于模糊ART的图像分割

本文提出了一种基于模糊ART神经网络的灰度门限化图像分割方法 ,该方法不仅可以自动确定分类数目 ,而且还能有效地抑制噪声 .对人工和实际图像的分割实验结果验证了本文方法的有效性 .

一种用于模式分类有监督的模糊ART神经网络

探讨了一种将有监督学习机制融合到模糊ART网络构成一个有监督的模糊ART神经网络模型．这种网络能同时处理有监督和无监督学习问题，并具有积累和增加网络学习的能力．对该网络进行了滚动轴承检测数据模式分类实验，并与BP网络进行了比较性实验．结果表明：该网络具有良好模式分类能力和较好的可塑性．

模糊ART神经网络的识别算法及其应用

提出并设计了模糊ART神经网络的结构、学习规则和识别算法。为了把该算法应用于人脸识别,定义了相似函数和匹配搜索方法,通过向量柱状图提取人脸特征,并用模糊ART神经网络对向量柱状图生成的特征向量进行识别。仿真实验结果表明,对于快速学习和非快速学习,不同的人具有不同的识别率,各有不同的警戒参数值可以使神经网络到达在线最大识别率82.25%和86%。

一种区间型模糊ART神经网络

针对分类样本特征数据取值经常为区间值的情况 ,本文对Carpenter的点值模糊ART进行了改进 ,提出了一种区间型模糊ART网络 .文中阐述了区间型模糊ART网络中区间数的标准化方法、输入矢量相似度的计算方法、域值的检查方法和学习规则 .最后 ,对机械设计中的传动形式选择进行了实例验证 .

用模糊ART神经网设计自适应调色板

本文分别采用模糊ＡＲＴ神经网和模糊ＡＲＴ神经网的变体设计了自适应调色板．文中通过实验证明，模糊ＡＲＴ神经网设计灵活，且客观映射误差有比较明显地改善；同时，通过负模糊度概念的引入，构筑模糊ＡＲＴ神经网的一种变体：负模糊ＡＲＴ，进而从实验上证明了负模糊ＡＲＴ。

基于模糊ART划分的目标分群算法

针对目标分群中存在的分类数未知和噪声干扰问题,提出一种基于模糊ART划分的目标分群算法。通过目标识别属性划分,约减分群目标数规模,降低计算量;通过划分数据预处理消除尺度差异,在此基础上采用基于模糊ART的目标空间划分,经类选择、匹配度检验和类学习等步骤实现对目标的增量式动态分群。试验结果表明,该算法对复杂环境下未知分类数的多目标编队分群具有良好的有效性、稳健性和实时性。

基于模糊ART神经网络的在线人脸识别模型的设计和实现

本文描述了模糊ART神经网络的结构和特性,定义了相似函数和匹配搜索方法,通过去噪、去最小亮度和设计编码簿的方法产生人脸的特征向量图,以提取人脸特征,并用模糊ART神经网络对特征向量图进行识别。仿真实验证明,当选择合适的模糊ART神经网络参数后,该模型的在线最大识别率可以达到81.25%,离线识别率几乎为100%。

模糊ART神经网络模型及其在图像识别中的应用

提出了采用低通过率波、去最小亮度和向量柱状图来提取人脸特征的方法,设计了模糊ART神经网络的结构、学习规则和识别算法,并采用模糊ART神经网络对向量柱状图生成的特征向量进行识别。仿真实验证明,通过调整神经网络的警戒参数值,不同的人具有不同的最大在线识别率,所有人平均的在线最大识别率可以达到89%。

基于双重竞争共振机制的模糊ART神经网络

提出了一种基于双重竞争共振机制的模糊ART神经网络模型．该模型将输入节点的竞争共振机制引入到输出类别节点，采用输入节点和输出节点双重竞争共振机制，形成了一种新的模糊ART结构，解决了传统模糊ART网络记忆不稳定问题．将该模型应用于图像分割，解决了传统模糊ART网络图像分割结果随警戒参数的升高而出现的过度分割．实验结果表明，和原始模糊ART算法相比，新算法具有更好的分类识别性能，在飞机目标识别中平均识别率比原始算法提高3％～5％．

基于模糊ART神经网络的变压器局部放电模式识别

对变压器主要放电类型的3种局部放电典型电极模型进行试验,通过分析计算提取局部放电信号特征量,建立相应的局部放电信号特征库,以此作为模糊ART网络的输入,对局部放电的类型进行模式识别,并将识别结果与BP网络的识别结果进行对比。实验结果表明,模糊ART网络用于变压器局部放电模式识别是有效的。

基于模糊ART神经网络的雷达信号测向数据聚类方法

雷达信号测向数据率较大，数据显示的冗余度严重，信息获取也不便利，因此需要对雷达信号测向数据进行聚类融合。本文将模糊ART神经网络理论引入到雷达信号测向数据的聚类方法当中，针对雷达信号测向数据的特点，设计了具体的聚类流程。仿真表明，该方法具备良好的聚类性能，具备工程应用的可行性。

模糊神经网络理论研究综述

本文对于近年来受到普遍重视的前向模糊神经网络及有反馈的模糊神经网络的性质、学习算法及应用等方面的研究进行了较为详尽的综述，分析＊了所取得的主要成果及其特点，并指出了今后模糊神经网络理论研究中有待解决的许多问题。

基于模糊Hamming网络的模式识别的研究

探讨了一种模糊Ｈａｍｍｉｎｇ网络，它通过设置阈值对隐含层的神经元进行择优来代替模糊ＡＲＴ网络的搜索循环过程，克服了模糊ＡＲＴ网络在处理大样本问题时搜索时间长的问题，同时保持了模糊ＡＲＴ的良好性能．对该网络进行了模式识别实验，并与模糊ＡＲＴ进行了比较性试验，结果表明，该网络具有良好的分类能力和较高的学习效率．

Fuzzy ART及其在故障诊断中的应用

ＦｕｚｙＡＲＴ是近几年出现的一种新型ＡＲＴ（ａｄａｐｔｉｖｅｒｅｓｏｎａｎｃｅｔｈｅｏｒｙ）技术，文中介绍了该技术的实现方法，并用它对实测的不同工况的机器振动信号进行自组织聚类，收到了令人满意的效果．分析结果表明，采用这种无督学习的神经网络具有有督学习神经网络所无法替代的优势．

基于FART神经网络的高速公路交通事件检测法

突发性交通事件是造成高速公路交通拥堵的主要原因,为了快速并准确地检测交通事件,有效提高高速公路的利用率和通行能力,将一种模糊论与自适应谐振神经网络相结合的聚类算法—FuzzyART神经网络算法用于检测高速公路交通事件。根据高速公路事件检测相关参数之间的关系,选用了交通流密度残差和平均速度残差的组合向量作为神经网络的输入,给出了事件检测的算法步骤和输出判断方法,并进行了仿真实验。仿真结果表明,该算法不仅能够检测出交通事件的发生及其造成的拥堵程度,还可以快速识别已有的交通事件类型,记忆未知的交通事件类型,实现边工作、边学习,且检测结果具有较高的稳定性和准确性。

增强的Fuzzy ART在苹果图像分割中的应用

分析了Fuzzy ART神经网络的工作过程和参数对网络聚类结果的影响,提出了一种自适应确定警戒线的方法。采用基于灰度和纹理的特征提取方法,抽取组合特征向量,使用动态调整参数的Fuzzy ART网络分割图像,从而提取苹果的伤疤部分。实验结果证明,灰度特征和纹理特征相结合能有效地完成苹果表面伤疤的分割,不仅节约了时间,而且提高了网络的精度。

The Modeling of Fuzzy ART Neural Network Based on Self-defined Closeness Degree and Its Application

This paper defines and proves a new closeness degree firstly, and then presents an improved-CFART neural network model, after introducing the closeness degree into the standard fuzzy ART model. This paper also develops an information analysis and simulation system based on the recognition of industrial real-time data from field. The results of simulation experiments demonstrate that the CFART model has excellent capability of pattern recognition for dynamic waveform.

基于真彩色高分辨遥感影像稀疏植被覆盖检测

以视觉注意机制和模糊ART网络模型为理论基础,提出基于HSV颜色模型的影像植被显著性算法,结合模糊ART网络模型和影像特征,对影像进行自组织、自适应分类,实现稀疏植被信息的自动化提取。实验结果表明,本文算法对真彩色影像中具有不同分布特性的稀疏植被的提取效果较好,植被提取总体精度皆在90%以上,同时具有较高的Kappa系数,优于易康软件的植被提取结果。