基于ARTNN的GIS绝缘故障识别新方法

为根据局部放电信号识别早期的GIS绝缘故障缺陷类型,提出了一种利用ART神经网络在线识别GIS绝缘故障类型的新方法。较之常用BP神经网络,该法训练时间短、所需样本少、权值稳定、不存在局部收敛,故更适于在线识别。网络的输入量为一个工频周期内局部放电脉冲重复率、主频率、阻尼系数、放电量、放电相位分布。利用5种GIS绝缘缺陷类型的实验所得数据对ART神经网络进行训练及验证,证明该法的缺陷类型正确识别率可>98%,在GIS绝缘故障类型的在线模式识别中具有广泛的前景。

基于Fuzzy-ART神经网络的红外弱小目标检测

针对现有背景抑制算法未能有效抑制背景而导致目标检测率低的问题,提出了一种基于模糊自适应共振理论(fuzzy adaptive resonance theory,Fuzzy-ART)神经网络的弱小目标检测算法。首先,采用Fuzzy-ART神经网络结合Robinson警戒环技术,建立自适应局部空间背景模型,并以此分析像素点的背景模糊隶属度来抑制背景杂波;然后依据目标与残留背景杂波的空间特征采用模板均差法来突显目标,并提出基于行列模糊聚类的自适应分割算法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联从而检测出真实目标。理论分析与实验结果表明,该算法能随背景的局部情况来自适应调节空间背景模型,从而自适应抑制背景杂波、突显目标,能有效提高信噪比,检测出弱小目标。

改进ART Ⅱ算法的仿真研究

ART Ⅱ网络以模式的相似性量度值为基础,能够对动态的输入模式样本进行自适应的聚类和识别,然而标准的ART Ⅱ网络在输入数据处理过程中,忽略了样本数据中的负数信息和幅值信息,造成信号畸变和"同相位不可分"问题,在权值调整过程中,聚类中心发生移动,容易造成"模式漂移"现象。针对上述问题结合相关文献提出了引入非线性函数对输入数据进行变换的方法解决"同相位不可分"问题,用待测数据与同一模式类中有限数据的欧氏距离与限定值进行比较实现聚类判定,抑制"模式漂移"现象。用Matlab仿真表明,改进算法性能优于标准算法。

一种改进的ART型神经网络学习算法

指出常规ART1型神经网络的不足,提出了一种改进的相似度计算方法。它同时考虑两向量对应位子值,避免了ART1网络中两个向量由于输入顺序的不同而得到不同的相似度的结果;针对ART1网络模式识别的漂移问题,提出了少数服从多数原则来减少这种问题的出现。改进了ART1型神经网络的应用效果。

快速自适应共振理论网络

基于实验心理学理论,按记忆强度分组自适应共振理论网络聚类,将模式识别过程划分成若干按序进行的子过程。通过合理设置网络参数,在保证准确识别的前提下,尽可能地避免了自适应共振网络所固有的遍历匹配运算。实验表明,新网络的模式识别性能与原网络相当,而计算效率却得到了显著提升。

基于模糊自适应共振理论映射算法的单样本三维人脸识别

针对传统的三维人脸识别分类算法大多需要多个样本进行训练,而在单训练样本的前提下识别性能会严重降低的问题,提出了基于模糊自适应共振理论映射(Fuzzy ARTMAP)的算法对三维人脸数据库进行分类识别。首先对三维人脸深度图像进行局部二值模式(LBP)统一模式算子的特征提取,再对LBP特征进行Log-Gabor小波变换,提取图像的频域特征向量作为训练的输入向量,最后将单样本训练向量集送入Fuzzy ARTMAP分类器进行训练识别。该算法在FRGC v2.0三维人脸数据库中的识别率可达到87.15%,分类器的训练时间为24.88s,单张待识别人脸样本与单张已注册的人脸匹配时间为0.0015 s,一张新的人脸样本在数据库完成一次搜索匹配则需要1.08 s。实验结果表明,所提方法在测试中的性能优于概率神经网络(PNN)和极限学习机神经网络(ELM),既能保证较高的识别率,又能拥有较短的训练时间,且时间增幅稳定,可控性强。

位移不变的视觉模式在线学习和识别

提出了一种二维模式识别的神经网络模型ＡＲＴ－Ｃｏｇｎｉｚｅｒ，该模型采用新认知机的结构和自适应共振网络的自顶向下的注意和匹配机制，因此对模式在视野中的缩放和平移有容忍能力，并对自组织学习过程有自稳定能力。

改进的ART1网络及其在英文字符识别中的应用

通过实验发现传统的ART1人工神经网络的分类结果和输入样本的顺序有关 .分析并指出了原因 ,给出了相应的改进算法 .最后 。

ART-2及其改进方法综述

ART-2是一种基于自适应谐振理论的自组织神经网络,广泛应用于模式聚类与识别等方面.本文介绍原始的 ART-2的结构和运算过程,分析它的训练算法,探讨其固有局限性.归纳总结各主要改进 ART-2的背景、目标和实现,评述它们的特征及适应场合.最后指出进一步改进 ART-2的一些思路,在解决具体问题运用各方法的一些参考原则和 ART-2的理论应用价值.