基于LVQ神经网络的水果图像分割研究

由于传统边沿检测算子在水果颜色多样、亮度不均匀时,难以分割得到完整、无噪声的二值图像且依赖优化的阈值,本研究提出了一种基于LVQ神经网络的水果图像分割方案。首先将彩色图像转变为灰度图像;然后对Canny算子获得的边沿图像随机选取一些像素作为网络的学习监督信号,仅以灰度图像中相同位置像素3×3邻域的Kirsch算子梯度值作为输入,训练权值;最后重新将原灰度图像的Kirsch算子梯度值输入到训练好的网络中,获得封闭的边沿并填充得到二值图像。考察了14幅像素为640×480的水果图像,结果表明:网络在很宽广的阈值范围内(0.001~0.99)分割得到完整、一致的二值图像;面积误差最小为0.9%,最大为8.83%,不依赖于优化的阈值,不需要对原始图像滤波预处理。与没有阈值及滤波的算法相比,本方案的误差和时间复杂度均更低;与设置了阈值和/或滤波的算法相比,本方案与之相当,甚至效果更优。

基于LVQ神经网络的青年女性胸部识别模型构建

为提高青年女性胸部形态分类的准确率,填补文胸号型分类体系存在的缺陷,结合青年女性胸部体型特征构建了一种基于LVQ神经网络的青年女性胸部识别模型。研究运用非接触式激光三维技术共采集216个青年女大学生胸部数据,将因子分析提取的9个胸部特征指标采用K-means聚类法,通过手肘图、轮廓系数图确定K值,最终将胸型分为4类。在此基础上构建LVQ神经网络胸型识别模型,以9项胸部特征指标为输入,4种胸型为输出,进行LVQ神经网络的训练。研究结果表明:模型经训练及测试后,识别精度达到95%,Kappa系数为0.932。与BP、PNN神经网络模型相比,在运算效率、模型精度和稳定性方面,LVQ神经网络模型的表现要明显优于其他两种神经网络。

基于LVQ神经网络的电力网络智能风险预警方法

针对现有电力网络风险预警方法在实际应用中,存在无法找出全部异常数据,无法实现对电力网络安全的准确判别问题,引入LVQ神经网络,开展对电力网络智能风险预警方法的设计研究。从多个来源采集电力网络运行数据,并对其处理。利用LVQ神经网络,实现对异常数据的排查和定级。最后,应用全业务合规管理监控,实现对电力网络风险的智能化预警和对预警结果的可视化展现。通过对比实验证明,新的预警方法可以实现对电力网络中异常数据的全部查出,促进电力网络运行安全性提升。

An Intelligent Approach to Sensory Evaluation: LVQ Neural Network

Converting between “fuzzy concept” and “numerical value” in computer aided assessment is rather difficult in many applications. This paper presents a LVQ neural network paradigm for sensory evaluation. This intelligent approach utilizes predefined class information for supervised learning in order to solve the converting problem and keep the fuzziness and imprecision of the whole sensory information. The method is validated by the experiment on stimulation evaluation of cigarette sensory.

基于相空间重构与GSA-LVQ的有载调压变压器分接开关机械故障诊断

针对有载调压变压器分接开关机械故障诊断准确率不高以及潜在机械故障不能及时被发现的问题,提出了一种基于互补集合经验模态分解(CEEMD)、相空间重构结合万有引力搜索法(GSA)改进学习矢量量化神经网络(LVQ)的有载分接开关机械故障诊断新方法。采用CEEMD对振动信号进行时频域分解,然后通过C-C算法确定延迟时间和嵌入维数,对反映不同频率特征的固有模态函数(IMF)进行相空间重构,并提取反映混沌特征的两个特征量李雅普诺夫指数和关联维数构成特征向量。利用GSA优化LVQ,解决网络对初始连接权值敏感的问题,增强网络对有载分接开关机械故障分类识别性能。通过对有载分接开关机械状态的实验分析,证明了相空间重构结合GSA-LVQ算法的可行性和有效性。

基于LVQ神经网络的雷达杂波抑制方法

针对雷达目标检测后的剩余杂波影响雷达航迹起始和航迹跟踪的问题,提出基于学习向量量化(learning vector quantization,LVQ)神经网络的雷达杂波抑制方法。从雷达回波点迹的特征入手,通过分析目标点迹和杂波点迹的特征分布,通过人工提取特征的方式选取具有差异化的特征。根据特征数量和点迹类别数量构建LVQ神经网络分类模型,并对模型进行训练。利用训练好的LVQ神经网络分类模型对雷达回波点迹进行分类,区分目标点迹和杂波点迹,保留判别为目标的点迹,滤除判别为杂波的点迹,从而实现杂波抑制功能。通过对某型航管雷达的实测数据进行测试表明:该方法能够有效区分目标点迹和杂波点迹,杂波抑制能力比BP神经网络算法更好。

基于LVQ神经网络的植物种类识别

提出一种基于学习矢量量化(LVQ)神经网络的计算机植物种类识别新方法.使用2-D不变矩、多尺度2-D Gabor滤波器等多种方法分别提取了叶片的几何特征和纹理特征,应用LVQ神经网络识别植物种类.实验结果表明,该方法对植物种类的识别效率较高.

基于AGA-LVQ神经网络的软件可靠性预测模型研究

针对当前大多数软件可靠性预测模型预测准确率不高等问题,利用LVQ神经网络的非线性运算能力和自适应遗传算法(AGA)的参数寻优能力,提出了一种基于AGA-LVQ的软件可靠性预测模型。首先对待预测的数据用主成分分析(PCA)等方法进行预处理以降低维度,去除冗余和错误数据,然后根据自适应遗传算法来计算最优的LVQ神经网络初始权值向量,最后运用LVQ神经网络进行软件可靠性预测实验。通过与传统方法的对比,证明该方法具有较高的预测准确率。

基于LVQ神经网络的配电网故障定位方法

分析了配电网单相接地故障定位的难点及利用行波精确定位的问题。在利用故障点反射行波信号确定配电网单相接地故障距离的基础上,重点研究了应用学习向量量化(Learn Vector Quantization,LVQ)神经网络方法,利用该方法对不同分支的反射行波进行了特征提取与模式识别,实现了故障分支的判别,从而实现了精确定位。为了明确LVQ神经网络方法在精确定位方面的优越性,同时利用传统的BP(Back-Propagation)神经网络方法进行了比较。ATP-EMTP和Matlab软件对LVQ和BP两种神经网络方法进行了仿真验证;结果证明,在解决配电网单相接地故障精确定位问题方面,LVQ神经网络的效果优于BP神经网络。

基于小波包LVQ网络的传感器故障诊断

提出小波包分解提取各个节点特征能量与LVQ神经网络进行故障模式分类的传感器故障诊断方法.小波包三层分解得到各个节点的分解系数,通过一定的削减算法使得故障瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练LVQ神经网络.通过正常状态及各种故障模式下的特征数据训练,LVQ网络具有了传感器故障诊断的功能.最后,通过火箭发动机试车台液氢管路流量传感器数据对训练之后的LVQ神经网络进行检验,验证了这种方法的实用性和有效性.

基于LVQ神经网络的冷轧带钢表面缺陷分类方法

将LVQ神经网络用于冷轧带钢表面缺陷的自动分类中，解决了以往分类方法在多缺陷模式类型情况下耗时多和准确率低的问题．对现场采集到的14种主要缺陷类型进行了实验．实验结果表明，基于LVQ神经网络的分类器训练与分类的时间短，在多缺陷种类分类的过程中准确率能得到保证．

一种基于LVQ神经网络与图像处理的火焰识别算法

针对传统火灾探测技术存在的不稳定、误判率高等缺点,通过分析室内火灾图像与常见干扰光源图像的特点,提出一种基于人工神经网络的火焰图像检测技术。对火焰图像的基本特性进行分析,利用火焰图像序列的面积重叠率和中心相对移动率以及颜色等信息,结合实现学习向量量化(LVQ)神经网络融合技术,对视频序列图像中火焰的自动检测。仿真试验结果表明,基于LVQ神经网络的信息融合算法的网络收敛速度较快,有较高的火灾火焰识别准确率。

基于ANP-LVQ方法的城市洪灾风险评价

为了更好地为城市防洪工作提供指导,以宿城区为例,从灾害和风险角度建立了城市洪灾风险评价指标体系。结合网络层次分析法(ANP)主观性和学习向量化法(LVQ)客观性的特点,建立了基于ANP-LVQ方法的城市洪灾风险综合评价模型,并通过构建风险指标函数,将评价结果以风险指数的形式量化地表示出来。结果表明,宿城区防洪现状介于危险与一般之间,洪灾损失指数接近危险,洪灾概率指数接近一般,因此今后防洪工作的重点在于建立健全有效的洪灾应急预案。

遗传算法优化LVQ网络的监控视频关键帧内容识别

为解决监控视频检索中公安视频侦查关注目标的识别问题,提出一种基于遗传算法优化LVQ神经网络的关键帧内容识别方法。首先通过运动目标检测及二值图像的聚散熵,对监控视频进行子镜头划分,从而提取视频关键帧。其次归一化关键帧中的待识别目标,提取待识别目标的形状统计特征。再次构造LVQ网络并利用遗传算法对网络的初始权值进行优化,训练网络实现关键帧内容识别。最后列举出该方法的实验结果及性能分析。该方法在关键帧内容识别的准确性和鲁棒性上都有良好表现。

基于EMD和LVQ的信号特征提取及分类方法

针对非平稳、非线性、微弱信号难以分析和处理的特点,本文提出了一种基于经验模式分解和学习向量量化神经网络的信号处理和分类方法,并在生物信号处理领域(左、右手运动想象的脑电信号)进行了研究和应用。首先通过经验模式分解算法对脑电信号分解,然后选取主要固有模态函数分量并计算其绝对均值作为特征值,最后使用学习向量量化网络进行分类,并分别与支持向量机和误差反向传播神经网络分类算法进行了对比研究。实验结果表明,所提出的算法分类正确率达到了87%,相比于其余两种对比算法在特定的信号处理领域优越,具有一定的参考和研究价值。

基于LVQ神经网络的手写字母识别

提出了一种基于LVQ神经网络的手写英文字母识别方案.介绍了LVQ神经网络的基本原理,并利用LVQ神经网络的结构简单、泛化性能好、收敛速度快的特点,将它应用于复杂的英文字母识别.通过对英文字母图像进行预处理和特征提取,将提取的特征对网络进行训练,并利用训练好的网络对英文字母进行识别.Matlab仿真实验结果表明,LVQ神经网络可以对英文字母获得较高的识别率.

基于LVQ神经网络风电机组齿轮箱故障诊断研究

针对风电机组齿轮箱故障诊断技术的不足,提出一种基于LVQ神经网络的故障诊断方法,利用小波分析方法对某风电机组齿轮箱正常状态、磨损故障和断齿故障状态下的振动信号进行降噪处理,在时域和频域内提取了5个特征参数对所建立的模型进行训练。为了检验模型的实际诊断能力,与标准BP神经网络的诊断结果进行对比。仿真结果表明:基于LVQ神经网络的故障诊断速度更快、准确率更高、泛化能力更强,验证了所提出方法的实用性和有效性。

LVQ神经网络在煤矿风机故障诊断中的研究

介绍了LVQ神经网络的结构,学习算法及其步骤,利用煤矿风机振动频域的特征向量作为学习样本,建立与风机故障类型的映射关系,达到对风机的故障诊断。仿真结果表明,LVQ网络训练速度快,准确可靠,具有很好地泛化能力。LVQ网络无需对输入向量进行归一化,正交化,结构简单,是一种有效的诊断方法。

LVQ神经网络方法预测蛋白质结构中的二硫键

在蛋白质结构预测的研究中,一个重要的问题就是正确预测二硫键的连接,二硫键的准确预测可以减少蛋白质构像的搜索空间,有利于蛋白质的3D结构的预测,成功地将LVQ神经网络方法引入蛋白质的二硫键的预测工作中。结果表明蛋白质的二硫键的连接与半胱氨酸的局域序列模式有重要联系,可以由蛋白质的一级结构序列预测该蛋白质的二硫键的连接方式,应用这个方法对蛋白质结构的二硫键进行了预测取得了良好的结果。

LVQ神经网络在滚动轴承故障诊断中的应用研究

滚动轴承多部位多类别故障诊断属于大规模或者较复杂分类问题,利用智能方法诊断时需要设计结构合理的神经网络才能实现高精度诊断。因此,笔者对基于学习向量量化(LVQ)神经网络的滚动轴承多故障诊断进行了研究。首先通过模拟故障实验采集到滚动轴承不同部位和类型的10种故障振动信号。然后选择db16母小波对实验所采集的数据信号进行三层小波变换,并提取第三层小波8个节点信号的能量特征。最后将能量特征组成LVQ神经网络的输入特征向量进行网络训练与检测,以实现滚动轴承的故障定位和模式识别。实验结果证明,所提出的诊断方法避免了故障定位和故障类型的分别诊断,能够在网络训练后同时较精确地实现滚动轴承10种故障的定位与模式识别。