基于HMM-FNN模型的复杂动态手势识别

复杂动态手势识别是利用视频手势进行人机交互的关键问题.提出一种HMM-FNN模型结构.它整合了隐马尔可夫模型对时序数据的建模能力与模糊神经网络的模糊规则构建与推理能力,并将其应用到复杂动态手势的识别中.复杂动态手势具备两大特点:运动特征的可分解性与定义描述的模糊性.针对这两种特性,复杂手势被分解为手形变化、2D平面运动与Z轴方向运动3个子部分,分别利用HMM进行建模,HMM模型对观察子序列的似然概率被作为FNN的模糊隶属度,通过模糊规则推理,最终得到手势的分类类别.HMM-FNN方法将高维手势特征分解为低维子特征序列,降低了模型的复杂度.此外,它还可以充分利用人的经验辅助模型结构的创建与优化.实验表明,该方法是一种有效的复杂动态手势识别方法,并且优于传统的HMM模型方法.

基于FNN-GARCH组合模型的船舶电磁仪表器材消耗预测研究

针对船舶电磁仪表器材消耗预测过程中存在的数据序列波动性问题,结合电磁仪表器材消耗特点和维修保障工作实际,分别建立了模糊神经网络模型(FNN)和广义自回归条件异方差模型(GARCH)以及FNN-GARCH组合模型,通过比较研究,基于FNN-GARCH1组合模型来对电磁仪表器材消耗量进行预测,可以很好地提高预测精度,为电磁仪表器材维修保障决策提供了定量依据和实用预测方法。

基于FNN的校园电能短期预测算法研究

为了获得反映校园负荷变化的预测模型,采用FNN模型与模糊控制器相结合的方法,使用校园负荷影响较大的天气因素及日期类型作为负荷预测外部干扰,进行了深入的研究。通过预测模型对校园历史负荷进行学习,完成预测网络参数的训练。结合模糊理论,将预测后的误差及误差变化率作为模糊控制器的输入,完成对负荷预测结果的修正。通过与典型BP网络进行对比,验证了该方法的有效性,为高校能源的管理奠定了坚实基础。

基于灰色预测和神经网络的人口预测

人口预测是土地利用总体规划的重要基础工作。未来人口规模是土地利用总体规划中确定各类土地需求量控制性指标,调整土地利用结构,实现土地供需平衡,解决人地矛盾的重要依据。人口预测是否科学准确,直接关系到总体规划方案是否合理和实用。利用灰色预测建模所需信息少、方法简单的特点和神经网络具有较强的非线性映射能力的特性,提出一种基于灰色预测和神经网络的人口预测方法。首先对人口规模的NARMA(p,q)的递归网络模型进行一步预测及其灰色预测GM(1,1)等维新息模型预测,然后再用前馈神经网络对GM(1,1)模型和递归网络模型的预测值进行组合预测以作为其最终的预测值。以温州市为例,对其总人口进行了试验预测。结果表明:NARMA(p,q)递归网络模型比GM(1,1)模型具有更高的预测精度,而FNN模型的组合预测效果优于其它单一预测模型。

基于机器学习的铁路道岔故障诊断模型构建及仿真

针对铁路道岔故障诊断不够准确这一问题,提出一种基于机器学习的铁路道岔故障诊断模型。首先结合神经网络较强的学习能力和数据处理能力以及模糊逻辑较强的结构性知识表达能力,提出模糊神经网络(FNN)故障诊断方法;然后根据铁路道岔实际故障情况,采用值投影及柱状图的方法对道岔动作电流曲线特征进行提取,以此获得特征输入,并构建了基于FNN的诊断模型;最后以陇海线骆驼巷站ZYJ7型道岔为研究对象,对提出的FNN模型进行仿真实验。结果证明,基于值投影及柱状图的特征提取方式的FNN铁路道岔故障诊断模型诊断效果良好,诊断准确率可以达到97%左右,满足实际铁路道岔故障诊断需求。