基于非显式小波神经网络的通信信号调制识别方法研究

用非显式小波神经网络的组合分类来实现通信信号调制识别，并拟对非稳定、低信噪比的通信信号实现复杂调制类型信号识别，计算机仿真结果证实此方法的可行性。     

尾灯特征的ADAS系统前方车辆识别

为可靠识别汽车安全辅助驾驶系统(ADAS)前方车辆目标,提出了基于车辆尾灯特征提取的径向基神经网络车辆识别方法。构建了车辆尾灯对宽度限制、高度约束及左右尾灯面积比等约束条件,提取了车辆的尾灯信息并获取尾灯的质心位置,经过形态学运算后确定了尾灯的标记区域,再结合车辆图像与实际尺寸比例得到车辆可能存在的感兴趣标记区域。针对感兴趣标记区域进行了车辆存在性的进一步确认,提取了感兴趣区域的边缘特征与区域特征共计19个特征参数(6个独立不变矩、8个余弦变换描述子和5个区域特征参数),构建了由19维输入神经元和2个输出量组成的三层径向基神经网络车辆识别器。利用采集的车辆样本图像,分别验证了正常天气与雨天、雪天及夜间行车环境下基于尾灯特征获取车辆区域检测方法的可行性。对采集的1 700张车辆正、负样本,完成了径向基神经网络的训练,通过训练误差性能曲线得知本文设计的网络达到了训练精度要求。随机选取了60%的样本,完成了径向基神经网络车辆识别器的测试,实现了检测区域内车辆的进一步确认,也针对停车场及并行车辆等情形进行了确认测试,其正确率达到94%,有效弥补单一尾灯特征实施车辆检测的漏检或误检现象,大大提高了车辆检测的可靠性。     

基于自适应模糊神经网络的砂轮磨损评估

为实现砂轮磨损状态的实时监测评估，课题组提出了使用自适应模糊神经网络模型对砂轮状态进行监测。通过对磨削过程的振动信号及声发射信号特征值的提取，获得了不同磨损程度砂轮的多特征信号样本；采用多特征信号样本对自适应模糊神经网络进行学习与训练，建立了砂轮磨损状态识别模型；实现了对砂轮磨损状态的准确识别与在线监测。实验表明：基于自适应模糊神经网络的砂轮磨损程度评估系统，测试样本的实际磨损程度和网络判别结果类别相符。该自适应模糊神经网络系统能够对砂轮磨损程度类型准确进行在线评估。     

层次分析的神经网络集成方法

提出了基于层次分析法的神经网络集成方法;介绍了四种不同类型的神经网络,并用这四种不同类型的神经网络构造了五个独立并行处理的模式识别子系统,对每个子系统进行独立训练并分别进行模式识别,统计每一输入模式被各子系统识别成的模式及次数,按识别次数进行两两成对比较;计算各输入模式的识别结果与典型故障模式识别结果间的期望与方差的大小,进行两两成对比较并进行一致性检验。选取层次分析法中准则层对目标层的权重,综合各神经网络子系统的识别情况与输入模式和目标模式的差异大小计算输入模式对各典型故障模式的整体权值并以此作出决策。使用matlab软件进行仿真计算,得到的故障正确识别率。层次分析法神经网络集成方法取得了比相对多数集成方法好的识别效果,还可集成其他模式的识别方法。     

基于神经网络集成的SAR图像目标识别

合成孔径雷达图像处理过程中目标的方向性会对目标的识别产生很大的影响,基于目标类别的不明确又会给目标方位角的估计带来困难.文中提出了一种基于神经网络集成模型的合成孔径雷达图像目标识别方法.该方法通过小波域主成分分析提取目标图像特征向量,针对同向目标的特征空间训练一个神经网络实现目标分类,并使用另一个二级神经网络对多个单向目标识别器的识别结果进行结合.该方法可以有效地避免目标类别和目标方向间的相互干扰,提高识别精度.该方法对于解决此类似问题给出了新思路.     

通信信号调制识别方法研究

通信信号调制识别的主要目的是进行信号监测及处理。该项技术常用于频率管理、通信对抗等领域。用小波分析和神经网络理论针对非稳定、大信噪比(SNR)变化的通信信号进行了有效的特征提取和分类，实现了通信信号调制样式的分类识别，使识别正确率得到了明显改善。计算机模拟结果证明了此方法的可行性。     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于BP神经网络的缝纫工序状态识别

为了在缝纫过程中对产品进行监测识别，提高缝纫产品质量，课题组提出了一种基于 BP神经网络的缝纫工序状态识别方法。首先采集正常工况下缝纫机伺服电机驱动电流信号，将采集到的信号进行时域、频域分析，从中提取出缝纫工序状态相关性较好的几个特征量，将其组成敏感特征向量；然后搭建BP神经网络进行训练学习来识别多种未知工序状态。实验表明该方法能够准确识别分类缝纫工序状态，实现了远程工作状态监测。     

基于BAM的通信信号分类方法

针对密集战术通信信号的实时分选问题,提出了采用TMS320C25开发系统为预处理器,BAM/NBAM(双向联想存储器/新型双向联想存储器)为信号分类器的新型分类系统结构,并分析了信号特征及提取方法。对BAM/NBAM作为信号分类器的结构、原理、性能作了探讨。结果表明,基于BAM/NBAM的通信信号分类方法是有效的,其性能优于传统的线性分类方法。     

基于P300和极限学习机的脑电测谎研究

极限学习机基于一种典型的单隐层前馈神经网络(SLFNs),其有效性在模式识别很多领域得到证实。该文针对当前的测谎方法的准确率不够高及训练时间较长的缺点,将ELM算法应用到测谎研究领域,作为分类器,对说谎者和诚实者的两类脑电信号进行分类识别,并将实验结果和三类典型的分类器:支持向量机(SVM)、人工神经网络(ANN)和线性分类器(FDA)的分类结果进行比较。实验结果表明,该方法不仅获得最高的训练和测试准确率,而且训练时间也大为缩短,证明了该方法的测谎有效性。     

二维小波变换在虹膜特征提取中的应用研究

本文提出了一种采用canny变换来提取虹膜特征,并用小波神经网络来进行分类的虹膜检测识别的新方法。该方法结合了小波神经网络作为一种新的分类方法,它很好地改进了识别精度,同时提高了系统的性能。一个简洁并且能快速训练的算子Adaboost也将在小波神经网络中给出介绍。实验结果表明,应用该算子进行分类识别时,识别率为100%,该方法具有很高效的可行性。     

静态手写签名验证技术综述

静态签名验证技术是基于人体特征的身份验证的重要技术之一.文章对目前的静态签名验证的基本过程、预处理、特征提取及目前常用的分类器分别作了介绍.最后,针对签名的变化性介绍了近年来的研究成果.     

秦简中的量词及其历时演变

六批秦简共有量词47个,物量词系统完备,动量词系统已经萌芽。秦简量词研究改写了我们以前从传世文献量词研究中得出的诸多结论,具有历史词汇学价值。与甲金文相比,秦简量词在数量上有了进一步发展,语法化也更进了一步。但量词与名词的搭配还不确定,其内部发展也不平衡,尤其是"数.量.名"结构仅2见,反映了秦简量词发展的不成熟。     

特征融合用于手写体汉字识别研究

分析了手写汉字特征的提取方法,提取具有一定互补性的轮廓方向特征和方向距离分布特征,并进行K-L变换降维处理,用多特征合成一个区分能力更强的新特征。讨论了RBF网络分类器特性,结合特征融合方法和模块RBF神经网络结构有机地构建一个小类别手写体汉字识别系统。实验表明,该系统可行和有效。     

一类优化的BP网络分类器的设计

从实用、经济和高效的角度出发 ,提出了一种优化BP神经网络分类器的设计与实现方案 ,它具有较好的模块性 ,可移植性以及透明性。对于各种模式识别的情况 ,它具有一定的实用和参考价值     

一种新的自适应神经网络均衡器

根据克服数字通信中码间干扰(ISI)的最佳均衡解一般表达式,提出了一种新的自适应神经网络均衡器结构,然后导出了基于该结构的一种自适应算法和相应的学习规则,最后对这种自适应神经网络均衡器进行了计算机模拟。研究结果表明:文中提出的神经网络均衡器非常有效,比传统线性均衡器和Gibson等人提出的多层感知均衡器(MLPE)性能更优越,更具实用性。     

电流模式神经网络分类器的CMOS实现技术

运用电流模式技术，以Ｈａｍｍｉｎｇ神经网络为基本模型，进行了二值模式的最优的最小误差分类器设计实现。给出了全电流模式胜者为王（ＷＴＡ）子网和模式间匹配值计算子网的ＣＭＯＳ实现电路，计算机仿真与理论结果相吻合。该分类器很好地模拟了生物神经网络中的侧抑制作用，所得电路结构简单，适合用标准ＶＬＳＩ工艺集成，有其应用价值。     

基于小波神经网络的服务器预警系统

提出了采用紧致型小波神经网络来构建服务器预警系统,将小波和神经网络直接融合,使网络训练过程从根本上避免了局部最优等非线性优化问题,小波神经元的低相关性,也使得小波神经网络有更快的收敛速度;将服务器中的日志数据数值化后进行网络训练,获得一个基于小波神经网络的入侵分类器。实验结果,表明小波神经网络系统自适应能力强、学习速度快、预警精度高、在入侵检测领域有良好的实用性。     

一种基于小波变换特征提取的集成学习算法

将不同训练数据子集和不同特征子集相结合,提出了一种基于小波变换特征提取的集成学习算法Wavelet-Forests.先随机划分特征集,用小波变换提取特征子集的特征,再用小波系数重构特征集训练基分类器.使用公认的WEKA平台验证了Wavelet-Forests算法的性能,与经典算法Bagging,AdaBoost和Random Forest相比,本文所提算法具有良好的泛化能力.