基于改进的TLD算法的手势跟踪算法

该文在分析表征手势特征基础上,分别根据金字塔LK原理、FERN分类原理和P-N学习原理及手运动轨迹的连续性规律来研究适用于手势识别的关键技术,即手势目标跟踪技术、P-N学习的样本增长和修剪技术的算法。针对目前在手的局部区域跟踪过程中,手势目标跟踪失败后难以恢复和容易受到脸部、肤色和手臂的干扰等问题,该文在TLD单目标跟踪算法的基础上,提出了一种改进的多目标手势局部区域跟踪TLD算法,针对算法的检测模块,在FERN分类器的基础上,采用颜色特征相交系数的方法,改进FERN分类器的第一级方差分类器;还提出一种自适应坐标系的方法,缩小了检测模块扫描窗口的滑动区域。通过仿真实验证明,相对于原算法,这一改进算法在客观评价指标和主观视觉效果上都有明显提高。     

基于普通PC摄像头的手势识别系统

该文从PC端手势识别应用的需求出发,对常用的手势识别技术进行了分析。通过对普通家用低分辨率摄像头的手势识别进行设计,实现通过普通摄像头识别人的手势动作,转化为特定指令,嵌入其他应用软件或游戏中,在不增加硬件成本下带给用户更多的体验。     

单目标跟踪算法综述

目标跟踪是计算机视觉领域的一个基本问题,具有广泛的研究与应用价值。该文根据算法理论的不同,将目标跟踪算法分成目标表观建模和跟踪策略两部分,又将目标表观建模分成生成式跟踪和判别式跟踪分别进行介绍;从基于均值漂移和滤波理论两方面介绍跟踪策略;并重点介绍了基于深度学习的相关算法,总结了深度学习算法的优缺点。     

基于云模型关联规则的企业转型战略风险预警

针对评价指标数据的特点,构造了一种基于云模型的数值型关联规则挖掘算法,并将其运用于企业转型战略风险预警。首先运用云模型约简评价指标;然后,采用属性空间软划分方法对定量型属性的定义域进行划分,使定量型关联规则挖掘转换为定性关联规则挖掘,此基础上提取规则模版;最后采用有规则约束的Apriori算法挖掘云关联规则,并对检验样本风险等级进行判别。实证分析结果表明,与标准BP神经网络模型相比,该模型是一种更为有效和实用的战略风险预警工具。     

基于战略转换的企业战略风险预警模型研究

将粗糙集理论与神经网络相结合,构建了基于战略转换的企业战略风险预警模型。该模型首先运用基于信息熵与MDV函数的模糊聚类算法进行连续属性离散化,然后采用粗糙集理论约简出重要指标体系,最后采用BP神经网络进行学习和训练,进而对检验样本的风险等级进行判断。实证分析表明：基于MDV函数与信息熵的模糊聚类算法能够有效改善离散化效果;添加动量因子的改进BP算法提高了网络学习效率,且该预警模型对检验样本的总体预测精度较高,是一种有效和实用的战略风险预警工具。     

人才环境及基于神经网络的陕西经济发展预测模型研究

利用多层前馈神经网络的反传算法(BP算法),在建立陕西人才环境评价指标体系的基础上,采用MATLAB软件建立了人才环境与经济发展关系的神经网络模型,映射出各年人才环境指标与人均GDP指标之间的函数关系,此BP神经网络可以成功地根据陕西人才环境指标对经济发展进行预测。     

基于知识采纳模型和多层感知机神经网络的评论有用性识别研究

移动互联网、社交媒体平台及电子商务的迅速发展，产生了大量的用户评论，其商业价值凸显，如何有效识别用户评论的有用性成为重要研究主题。本文提出基于知识采纳模型(Knowledge Adoption Model，KAM)理论和多层感知机(Multilayer Perceptron, MLP)神经网络的分类算法对评论文本进行有用性识别。该算法根据知识采纳模型理论从评论质量和评论来源可信度两方面进行评论有用性识别的特征提取：利用先验领域知识词典构造领域词占比、停用词占比等评论质量方面的特征,有效解决了特定领域评论存在的领域知识壁垒问题；根据评论作者的粉丝数、作者获赞数等信息构建评论来源可信度方面的特征。为了验证本文所提方法的识别效果，本文采用知乎论坛中医相关评论数据进行实验；实验结果表明，本文提出的方法能有效提高在线评论有用性的分类效果，提高了可解释性。     

智能组合预测方法及其应用

由于具有能以任意精度逼近任意复杂非线性函数的优良性能,神经网络在灰色系统预测中得到了较大的应用。在已有的研究基础上,针对灰色神经网络进化时容易陷入局部最优,参数修正受阻的问题,建立基于遗传粒子群混合算法优化的新型灰色神经网络模型。首先将灰色神经网络进行数学建模,以便于优化算法的应用;其次,综合遗传算法与粒子群算法的优点,构造一种混合算法,运用混合算法对灰色神经网络进行优化;最后通过日本入华游客数量预测的算例研究,比较新型灰色神经网络与灰色神经网络、单一算法优化的灰色神经网络的预测精度。所得结果表明,混合算法优化的新灰色神经网络具有更好的预测性能,在社会经济领域有着广泛的应用前景。     

图像识别技术在车辆识别中的应用

本论文提出了使用基于神经网络的图像识别算法,同时对图像处理中的重要步骤也根据神经网络的特点进行了相应的改进.主要简要介绍了图像识别原理和几种常用的模式识别方法.分析了目前在图像识别中常用的前馈神经网络模型及其算法,将遗传算法与BP网络相结合,有效解决了图像识别中BP算法容易陷入局部极小的不足.并且针对有限图像样本情况,建立了现有信息下可获得最优解的支持向量机模型.研究了多模式分类问题,提出了一种新的多分类策略,并给出了一种动态样本增量训练方法,使SVM能够根据需要随时增加需识别类型.并在最后给出了在实际问题中的应用方法.     

基于贝叶斯神经网络短期负荷预测模型

本文提出了基于贝叶斯神经网络(BNN)短期负荷预测模型。根据气象影响因素和电力负荷的样本数据,针对权向量参数的先验分布分别为正态分布和柯西分布两种情况,应用混合蒙特卡洛(HMC)算法学习了BNN的权向量参数。由HMC算法和Laplace算法学习的贝叶斯神经网络以及BP算法学习的传统神经网络分别对4月 (春)、8月 (夏)、10月 (秋)和1月(冬)每月25天的每个整点时刻的负荷进行了预测。这些神经网络的输入层有11个节点,它们分别与每个整点时刻和的气象因素、上一个整点时刻的气象因素和时间变量相对应,输出层只有一个节点,它与负荷变量对应。试验结果表明HMC算法学习的BNN的预测结果的百分比平均绝对误差( MAPE)和平方根平均误差( RSME )取值远远小于由Laplace 算法学习的BNN和BP算法学习的人工神经网络的 MAPE和RMSE。 而且,HMC算法学习的BNN在测试集和训练集上的预测误差MAPE和RMSE的相差很小。 实验结果充分说明HMC算法学习的BNN具有较高的预测精度和较强的泛化能力。     

基于两阶段优化算法的神经网络预测模型

采用基于两阶段优化算法(multi-stage optimization approach,MSOA)的GA人工神经网络,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构.针对复杂系统建模输入节点难以确定的问题,提出将其与自组织数据挖掘算法相结合,利用GMDH算法获得神经网络的初始化节点,使用训练好的神经网络模型进行预测.将由此建立的预测模型应用于粮食价格的预测,并进一步探讨了MSOA算法的收敛性问题.结果表明基于GMDH和MSOA的神经网络组合预测模型能较大提高神经网络的全局收敛能力和收敛速度,提高预测精度.     

基于模糊优选和神经网络的企业财务危机预警

提出了基于系统模糊优选和神经网络模型的企业财务危机预警方法, 对企业财务危机的 测定、财务危机预警推理知识的神经网络动态学习与推理、财务危机指标的预测等功能进行了 集成, 实例分析表明该方法有效、可行, 为企业财务危机的动态预警提供了新的途径.     

基于蚁群算法的成本敏感线性集成多分类器的客户流失研究

针对电信客户流失预测问题的复杂性,融合自组织神经网络良好的连续属性值离散化优势、粗糙集理论出色的属性约简功能和蚁群优化算法全局的随机搜索特点,在模型集成技术和成本敏感学习理论的基础上,提出了一种新的基于蚁群算法的成本敏感线性集成多分类器的电信客户流失预测模型。构建该集成模型可分为4个阶段:(1)连续属性值的离散处理:利用自组织神经网络对连续属性值进行非监督离散化处理;(2)原始属性集的约简处理:使用粗糙集理论按属性重要性原则对离散属性进行约简;(3)子分类器的建立:分别使用NaiveBayes、Logistic回归、多层感知器和决策树等4种差异性很大的分类技术在约简属性集上建立4个对应的客户流失预测子分类器;(4)子分类器的集成:基于成本敏感学习理论,构建了4种不同的线性集成模型,采用蚁群优化算法求解集成模型的最优线性组合权重系数。将该模型应用于某电信客户流失预测,其实验结果表明该集成方法是可行且有效的。     

基于人工神经网络的企业知识管理综合评价模型研究

本文主要研究人工神经网络在企业知识管理评价中的应用问题。为了克服综合评价过程的随机性与评价专家主观上的不确定性,本文提出基于人工神经网络的企业知识管理综合评价模型。该模型采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具。通过仿真实例与专家评估相比较,验证了该模型的有效性。     

一种基于动态关系辨识算法的短期预测方法

针对目前众多短期预测问题中存在的业务数据波动性增大、预测结果影响因素增多等问题,结合自适应建模技术,提出了一种基于动态关系辨识算法的统计类短期预测方法。该方法首先根据预测问题提出动态关系模型,然后结合不断更新的业务数据和最佳预测精度值,对模型参数和模型结构系数进行动态调整,从而使得决策者能够始终基于模型的最优状态获得预测结果。研究结果表明:针对波动性较大的业务数据,该方法自我调整能力较强,对近期数据的跟踪性较好,鲁棒性强,易于推广应用。     

基于粗糙集理论-神经网络-蜂群算法集成的客户流失研究

针对电信客户流失问题的复杂性,融合粗糙集理论、神经网络和蜂群算法的优势,提出了一种新的客户流失预测模型——基于粗糙集理论、神经网络和蜂群算法线性集成多分类器的客户流失预测模型。首先利用自组织神经网络(SOM)对连续属性值进行非监督离散化处理;接着使用粗糙集方法(RS)对离散属性进行约简;然后分别使用BP神经网络、RBF神经网络、ELMAN神经网络和广义回归神经网络(GRNN)在约简属性集上建立4个子分类器;最后使用模型集成法对4个子分类器进行线性集成,并采用人工蜂群(ABC)算法优化线性组合的权重。将该模型应用于某电信客户流失,实验结果表明该集成方法是可行且有效的。     

基于多分类器动态选择与成本敏感优化集成的电信客户流失预测研究

针对不同样本在特征空间中具有不同的区域特性和不同分类算法之间的预测互补性,在电信客户流失预测理论基础上,融合多分类器动态集成理论和成本敏感学习理论,建立了电信客户流失多分类器集成预测的利润函数,并提出了一类新的基于多分类器动态选择与成本敏感优化集成的电信客户流失预测模型.首先使用K均值聚类法聚类训练样本成多个分区;接着使用NaiveBayes算法、多层感知机算法和J48算法在各分区样本上构建客户流失预测子分类器;最后使用改进人工鱼群算法分别对各分区的子分类器进行成本敏感优化集成.实验结果表明,所提出的基于多分类器动态选择与成本敏感优化集成模型的分类性能不仅优于由训练集全体样本所构建的3个单模型,也优于基于改进人工鱼群算法优化集成这3个单模型而得到的集成模型.     

基于神经网络的备件库存风险级别预测

本文提出了一种基于神经网络的备件库存风险级别分类方法,在对备件的供货来源、重要性、易损程度、标准化程度、供货周期等指标进行模糊评价的基础上,建立了多层前向神经网络模型,利用BP训练算法,确定神经网络模型的连接权系数。将某测井服务公司100种备件的历史数据作为样本,进行了BP训练仿真,并利用模型预测了该公司60种备件的库存风险级别,预测结果与实际结果的符合率为84%。     

具有最优学习率的RBF神经网络及其应用

传统固定学习率的RBF神经网络在金融时间序列预测方面已经有比较成功的应用,但网络学习率的选择问题却给传统RBF神经网络的使用带来了不便.利用梯度下降法及优化方法推导出了RBF神经网络的动态最优学习率并将其应用于网络学习算法,具有最优学习率的RBF神经网络能够在保证网络稳定学习的同时兼顾网络的收敛速度.为了检验具有动态最优学习率的RBF神经网络的预测效果,对沪深300指数波动率进行了预测实验.实验结果表明,具有动态最优学习率的RBF神经网络比传统的固定学习率的RBF神经网络有着更快的收敛速度,同时也避免了人为选定学习率的不便.     

有模糊时间窗的车辆调度组合干扰管理研究

研究带有模糊时间窗的车辆调度组合干扰管理模型及其混合遗传算法.采用时间窗模糊化处理方法,定义客户满意度函数,根据干扰管理思想对车辆调度中组合性干扰事件进行分析,从配送路径、配送成本和客户满意度三个方面进行干扰辨识与度量,建立基于模糊时间窗的车辆调度组合干扰管理模型;构造模型求解的混合遗传算法,将最佳客户插入规则与遗传算法结合,同时在算法中嵌入模糊优化程序以处理问题的模糊特征;进行数值实验,实验结果验证了模型与算法的有效性.