基于脉冲耦合神经网络和施密特正交基的一种新型图像压缩编码算法

自从脉冲耦合神经网络(PCNN)被提出以来,在图像处理、模式识别、人工智能等领域得到了广泛应用.由于其生物学背景的特性,使得其能够对灰度图像进行完美的分割:PCNN局部连接域的作用及阈值指数衰减特性,使得具有近似灰度特性的邻近像素能够同时处于激活状态,这就构成了PCNN分割特性的基础,使得图像分割结果既能较好地包含原始图像细节信息,又能避免一些无意义的小分割块的产生.借鉴施密特正交化思想,利用自然初始基对每一分割区域进行变换,得到一组正交基的变换系数,相对于分割前图像的数据量大为减少,存储空间需求小,从而实现了压缩.相对于JPEG算法,该方法使重建图像的质量得到显著提高,同时也使得逐步重建图像成为可能.

信息理论框架下的神经网络构建

神经网络模型的构建方法是神经网络研究的重点和难点,传统的构建方法建立在实验和重复学习的基础上,本文提出了一种信息理论框架下的神经网络构建方法基于熵的神经网络(EBNN).EBNN借助于前馈网络与决策树的等价性,采用熵做为神经网络构造的准则,利用决策树的构造思想和方法,建立了一种系统的神经网络构造方法.实验表明EBNN方法学习速度比传统BP网络快,但又不降低神经网络性能.

小波神经网络在齿轮早期故障诊断中的应用

在单级齿轮传动运行试验的基础上 ,对齿轮箱表面振动进行同步信号平均采样处理 ,用小波分析来提取齿轮传动的故障信息特征 ,并以此作为前置处理手段为神经网络提供输入特征向量 ,利用神经网络的模式分类功能 ,有效地识别出正常齿轮传动、具有轮齿裂纹的齿轮传动和具有齿面剥落的齿轮传动

红外与可见光图像融合技术的研究进展

红外与可见光融合图像既具有红外的辐射信息又具有可见光的细节信息,在生产生活、军事监视等场景得到广泛应用,已然成为图像融合领域的重点研究方向。根据图像融合方法的核心思想、融合框架、研究进展对基于多尺度变换、稀疏表示、神经网络等融合方法进行详细阐述对比,并综述了红外与可见光图像融合在各领域内的应用现状,以及常用的评价指标。并选择具有代表性的多种融合方法与评价指标,应用于六个不同场景,验证各方法的优势与不足。最后,实验分析并总结现有红外与可见光图像融合方法存在的问题,对红外与可见光图像融合技术的发展趋势进行展望。

基于神经网络的柔性结构损伤模式识别方法

提出一种基于人工神经网络 ( ANN—— Artificial Neural Network)的柔性结构损伤模式识别方法 ,将神经网络用做损伤模式的分类器。引入通过对输入模式的增强来实现多种模式分类的函数连接型神经网络构成损伤模式识别方法。通过对柔性悬臂梁结构的损伤识别实验表明 ,该方法运用于模式较少的场合非常有效 ,并且网络结构简单 ,学习速度快。实验中采用 PVDF压电薄膜作为信号获取元件 ,并且以柔性结构多个位置传感器的输出值的相对值作为模式识别中的特征向量 ,识别时对梁的振动幅度没有固定要求。实验结果表明 。

空心双拐曲轴内高压成形加载路径优化的研究

内高压成形技术是一种利用液体作为传力介质,通过控制内压力和轴向推力来达到成形空心零件目的的先进制造技术,在航空、航天、汽车等轻量化领域获得了广泛的应用。管材的内高压成形过程十分复杂,成形结果与诸多因素有关,其中内压力及轴向进给的加载路径及其匹配关系对成形结果影响尤为显著,如何找出诸多影响因素对内高压成形的影响规律并进行合理的优化是内高压成形面临的重要问题。首先利用均匀设计法设计BP神经网络训练样本与检测样本。其次,分析BP神经网络和遗传算法,并进行融合,基于MATLAB语言编写BP神经网络的算法程序及遗传算法程序,对空心双拐曲轴内高压成形加载路径工艺参数进行了优化,得到其最优成形参数。并通过Dyna Form软件仿真验证了结果的准确性,从而完成对管材内高压成形加载路径的参数优化,进一步提高了管材内高压成形的成形质量。

利用离散Hopfield网络的码本设计方法

论文提出了一种利用Hopfield网络的码本设计方法,分析了LBG算法和离散Hopfield网络的特点,针对该特点构造聚类表格,并按离散Hopfield神经网络串行方式运行,从而得到最终码字集。通过实验表明,在码本大小相同的情况下,峰值信噪比提高了2.742～3.825dB,生成的码本质量较传统的LBG算法更加有效。

基于UKF-SOFNN的近距机动目标跟踪滤波算法

对于多目标杂波环境中的机动目标跟踪,由于目标集群中各个目标间的空间距离可能小于探测器的空间分辨率,因而可能出现误跟、诱饵欺骗与杂波虚警等一系列严重后果。对此,提出一种综合运用UKF(不敏卡尔曼滤波)和SOFNN(自组织模糊神经网络)的UKF-SOFNN滤波跟踪算法,将机动目标模型视作严格的非线性系统,利用UKF-SOFNN对非线性参数的辨识能力提高对锁定机动目标的跟踪能力。仿真实例表明,该算法能有效地辨识目标群中的目标,并进行可靠的跟踪。

基于PCA优化的神经网络飞机燃油消耗预测方法

针对传统方法存在的不足,提出了基于主成分分析法优化的Elman神经网络飞机燃油消耗预测方法。利用主成分分析法降低神经网络输入维数。构建主成分分析与Elman神经网络模型,进行基于飞参数据的实例分析,并将几种神经网络的预测效果进行了对比;提出了基于K-S检验法预测结果冗余修正法并进行了修正。误差指标和预测图像表明与主成分分析结合后Elman神经网络对飞机燃油消耗的预测性能优于其他传统神经网络,且K-S检验法能够有效实现对预测结果的修正。

于GA-BP模糊神经网络的商业银行信用风险评估

研究了商业银行信用风险评估的现状,针对单独应用BP神经网络评估信用风险时存在的缺陷,提出了基于遗传算法优化模糊BP神经网络的信用风险评估新模型。通过遗传算法训练模糊BP神经网络,克服网络建模中产生的局部极小的缺点,提高了风险评估的准确性。最后,利用Matlab软件对样本数据进行训练和测试,仿真结果表明所构造的评估模型预测误差非常小。

Kohonen与Madaline用于解析重叠光谱测定钨和钼

首先应用Kohonen网络对钨、钼的混合吸收光谱进行波长选择，在全光谱中优选最能代表光谱特征的波长，被选波长处吸光度作为Madaline网络的输入，设定输出目标函数为G（λ）＝∑Aiexp[-4(ln20）(λ-t）^2/2]，进行解析重叠光谱，同时测定了钨和钼，该法利用特征光谱代表全谱进行光谱解析，减少了解析光谱中大量的数据。

网络控制系统前向通道随机时延的在线多步预测

针对网络控制系统中前向通道随机时延带来的不确定性问题,在时序分析的基础上,提出一种基于自回归(AR)模型的时延在线预测模型.采用True Time构建闭环仿真系统,由反馈通道采集执行器端的时延信息,经预处理后用于建立AR模型,并由递推最小二乘法在线更新模型参数;最后,通过滚动预测实现前向通道时延的多步预测.实验结果表明:与基于广义回归神经网络的在线预测模型相比,本文提出的前向通道随机时延的在线预测模型具有更好的预测性能.