简单非线性神经网络分类器及其在签名认证中的应用

该文分析了手写签名样本的特征值在特征空间上的分布。在此基础上,直接从神经元分类功能的物理意义出发,设计了具有非线性边界的,用于手写签名认证的神经网络分类器,妥善地解决了实际应用中,由于真实签名样本数量少和伪签名样本缺乏,不能训练神经网络的问题,取得了较好的认证结果。

非最小相位非线性系统的简单递归神经网络控制(英文)

从简单递归神经网络的统一结构出发设计了简单递归神经网络控制器 ,在引入了控制加权的目标函数下优化神经网络权值学习 ,因此是通常意义的神经网络控制器的推广 .证明了整个系统的稳定性 ,并通过仿真验证了控制器的有效性 .

基于模糊分类的模糊神经网络辨识方法及应用

基于改进的T S模型,提出一种自适应模糊神经网络模型(AFNN),给出了网络的连接结构和学习算法。基于竞争学习算法的模糊分类器确定系统的模糊空间和模糊规则数,并得出每个样本对每条规则的适用程度。利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN结构简洁,逼近能力强,能够显著提高辨识精度,并且在线辨识的模糊模型简单有效。将该AFNN用于非线性系统的模糊辨识和化工过程连续搅拌反应器(CSTR)的建模中,仿真结果验证了该方法的有效性,表明该网络能够实现复杂非线性系统的建模,而且建模精度高、收敛速度快,可当作复杂系统建模的一种有效手段。

一种分布式模糊神经网络在熔融指数软测量中的应用

采用Mamdani模型作为模糊分类器 ,利用神经网络建立非线性模型 ,构造一种分布式神经网络。采用多组样本数据建模 ,根据各输入模糊子集和隶属度函数 ,将输入样本空间模糊分割成多个子空间 ,对每个子空间用一个神经网络模型建立映射关系。对每一组输入向量在确定归属类后 ,自动切换至对应的子网络作为输入 ,该子网络的输出值则作为分布式网络的输出。仿真结果表明 ,该方法与用单个神经元网络相比 ,明显提高了模型的精度和泛化能力。

基于小波神经网络的服务器预警系统

提出了采用紧致型小波神经网络来构建服务器预警系统,将小波和神经网络直接融合,使网络训练过程从根本上避免了局部最优等非线性优化问题,小波神经元的低相关性,也使得小波神经网络有更快的收敛速度;将服务器中的日志数据数值化后进行网络训练,获得一个基于小波神经网络的入侵分类器。实验结果,表明小波神经网络系统自适应能力强、学习速度快、预警精度高、在入侵检测领域有良好的实用性。

基于Gabor变换和LMBP神经网络的车牌汉字字符识别

字符识别是汽车牌照自动识别系统中的关键环节,汉字字符识别是其中的难点。提出用Gabor滤波器对灰度汉字图像抽取横、竖、撇、捺的4幅能量特征图像的方法,同时对Gabor滤波器组输出值进行非线性变换,使其适应于不同亮度和低质量灰度车牌字符图像的识别,最终采用网络法提取4幅能量特征图像的特征,用改进的BP神经网络作为车牌汉字字符的识别器,提高车牌识别率。

基于神经网络的撞球机器人控制器设计

对撞球机器人的母球控制问题展开研究,设计了一种基于神经网络(NN)的控制器,使机器人能够控制母球在击打目标球后按照预定的模式运动至目标点——即完成走位。针对该问题非线性且非光滑的特点,对坐标系进行阐述并给出机器人击球的模型;在光滑的假设下使用理论分析的方法建立母球的运动学模型与边库反弹的理想镜像模型;进而使用神经网络方法对理想模型进行修正,并对不同的轨迹模式进行分析与分类。测试结果表明:经过训练的机器人能够掌握各种模式的走位,统计结果与模型分析结果相吻合;相比于单一使用神经网络方法,本文使用理论分析与神经网络相结合的方法能够有效地提升网络的品质,降低训练的误差。

基于深度网络特征提取与核非线性分类的视频行为识别

行为识别是视频分析的重要任务。本文利用稀疏自动编码机和卷积神经网络这两种典型的深度网络从视频运动历史图像中提取行为特征,利用最优泛化核非线性分类器对特征进行分类,实现行为识别。实验结果表明,与常用的特征提取和分类算法相比,所探讨算法正确识别率更高;而最优泛化核非线性分类器比常用的分类器能更好地兼顾识别效果和效率。

非线性分类结合平面变换的雷达信号分选方法

现有的对已知雷达分选方法存在识别速度慢、效率低,脉冲丢失敏感以及脉冲序列提取不完整等问题,为此提出了一种非线性分类器结合平面变换的雷达信号分选方法。该方法首先提取载频、脉宽、脉內调制等单脉冲分类特征,利用非线性分类器实现单脉冲识别,然后根据识别结果调取对应参数,通过平面变换完成对脉冲串的抽取。仿真实验表明,该方法具有速度快,准确率高,易于实现等优点。

金属断口图像的非线性模式识别方法

针对金属断口图像模式识别的特点,提出应用小波变换技术提取断口图像特征的方法,在此基础上,利用神经网络的基本原理设计了一种断口图像模式识别的非线性分类器·通过实验确定了分类器的网络结构,给出了相关参数选择的方法·对几种典型的金属断口图像进行了计算机实验研究·实验结果表明,其平均正确识别率达93 75%,单独以能量作为特征值,其平均正确识别率可达到95%·这说明采用非线性分类器进行断口模式识别比采用线性分类器能取得更高、更可靠的正确识别率·研究结果显示出,这种基于小波变换技术和神经网络原理的非线性模式识别方法能对纹理变化复杂、规律性不强的断口图像进行有效识别,具有更好的适应性·

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CBLRE模型的轴向柱塞泵空化状态检测研究

空化现象的产生严重制约了轴向柱塞泵向高速高压方向发展,需要对柱塞泵的空化状态检测与智能故障诊断展开研究,因此,结合深度学习网络与非线性分类器的优点,提出了一种基于CBLRE(CNN+BiLSTM+RELM)模型的柱塞泵空化状态识别方法(检测模型)。首先,对不同空化状态下柱塞泵的一维原始振动信号进行了数据增强,并对其进行了标准化处理;然后,利用卷积神经网络(CNN)自动提取信号的特征,并对其进行了特征降维处理;利用双向长短期记忆(Bi-LSTM)网络学习特征序列的时间依赖性,利用正则化极限学习机(RELM)的非线性分类器对特征进行了分类,实现了对柱塞泵的空化状态检测与智能故障诊断;最后,为测试CBLRE模型的性能,搭建了实验平台,在此之上将CBLRE模型与其他模型进行了对比,分析了该模型在不同工况下的性能表现。研究结果表明:该模型的结构稳定、训练时间短,且在不同负载下均可保持良好的泛化性能,空化状态识别率均达到99%以上,该结果验证了柱塞泵空化状态识别方法的有效性;此外,该模型还可有效识别空化现象与柱塞泵的其他故障。