基于小波变换和支持向量机的彩色纹理识别

为了提高纹理图像的识别率,提出了一种将颜色信息融入到纹理识别中的新方法--基于小波变换和支持向量机的彩色纹理识别.首先将彩色纹理图像转化到HSV彩色空间,用小波变换进行树形结构小波分解提取彩色纹理的特征,然后用SVM对不同的特征进行纹理分类识别.对不同的彩色自然纹理图像进行了实验,并将结果与已有的进行了比较.实验结果证明,此方法的正确识别率比较高.     

基于小波神经网络的信号调制识别

采用小渡分析与神经网络相结合的思想进行数字通信信号调制类型的识别.首先利用小波分析对信号进行分解,根据小波系数进行特征提取,然后利用概率神经网络对4种常用数字通信信号进行识别.仿真结果表明,小波分析和神经网络相结合,可以很好的实现数字通信信号调制类型的识别.     

基于纹理特征与BP神经网络的运动车辆识别

在Gabor小波滤波器组与图像卷积值作为特征向量达到很高识别率的基础上,提出了一种特征值加权的Gabor小波纹理特征的提取方法.首先Gabor小波函数与纹理图像做卷积,然后加权处理尺度各不相同和方向各不相同的的卷积值,最后将均值和方差看作它们的特征向量,该方法使特征维数有所降低,并利用BP神经网络进行训练和仿真,实现运动车辆纹理图像的自动分类,达到运动图像的识别.实验结果表明此算法有效降低了图像的识别错误,增强了稳健性,对质量差的图像能够有效识别.     

基于Gabor小波特征的磨粒图像识别新方法

文章给出了一种基于Gabor小波纹理特征的磨粒图像识别新方法,主要是利用Gabor小波设计了一种多通道小波滤波器,对磨粒图像直接进行小波变换,用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的图像特征。把获得的小波特征归一化后输入到改进的BP神经网络分类器进行分类识别。最后,对磨粒图像进行了一系列的仿真实验,结果表明,识别正确率在91%以上,并且识别速度很快。     

基于小波概率网络的局部放电模式识别

针对高压电器局部放电模式分类中样本数较少,常规的分类方法识别率较低,提出了一种基于概率神经网络与小波变换的混合算法。利用实验室模拟的局部放电信号进行小波分解,提取小波能量系数作为特征参数,并作为概率神经网络的输入进行分类。其得到的结果优于多层前馈神经网络及采用顺序最优化学习方法的支持向量机算法。     

荧光光谱结合概率神经网络用于无醇啤酒的识别

为了快速、准确地识别无醇啤酒和普通啤酒,采用荧光光谱结合概率神经网络的方法,建立了识别无醇啤酒的模型。实验中发现无醇啤酒和普通啤酒在紫外-可见光激发下,都能产生较强荧光,测得无醇啤酒荧光峰在420nm～620nm之间,荧光峰值波长为490nm左右。将小波变换处理荧光光谱得到的低频系数作为网络数据,训练、建立了概率神经网络,并对60个啤酒样本进行了识别,识别率达到了98.33%。该研究结果为无醇啤酒和普通啤酒识别提供了一种新方法。     

基于最佳小波变换和神经网络的气体非线性荧光光谱的识别

将小波变换和神经网络相结合用于非线性荧光光谱的识别,针对非线性荧光光谱的特点,提出了选择最佳小波函数和分解层数的方法,处理后的光谱在保留光谱特征的基础上,大大压缩了数据维数;采用概率神经网络(PNN),对3种污染气体的非线性荧光光谱进行识别,获得了满意的实验结果。由于神经网络的输入是小波压缩后的数据,不仅提取了原始数据中的特征,而且数据的维数也下降7倍多,大大提高了气体识别的速度。     

多母小波自适应小波滤波器

利用自适应小波变换（AWT）能融合不同母小波的优点,采用盖伯母小波和墨西哥帽母小波构成自适应小波.以光学人脸识别中降噪问题为应用背景,使用神经网络法对小波参数和组合系数进行优化,将生成的多母小波自适应小波滤波器用作人脸特征提取器.对噪声图像做特征提取,进行相关识别,采用3个指标定量分析识别结果.同盖伯小波和墨西哥帽小波识别结果的比较表明,多母小波自适应小波具有不同母小波的优点,并有良好的降噪性能.     

基于仿真雷达图像的低空风切变类型识别研究

采用基于小波变换提取纹理特征和BP神经网络对低空风切变的类型识别进行仿真研究。利用已有的仿真雷达数据生成仿真雷达扫描图像,通过阈值分割提取风切变区域,之后对其进行二层小波分解,求取各子带小波系数的均值和标准差作为特征向量。最后利用BP神经网络对特征向量进行识别分类。仿真结果比较理想,表明算法具有良好可行性。     

基于概率神经网络优化DWT-2DLDA的高噪声人脸识别

针对人脸识别中的原始图像存在噪声而影响识别性能的问题,提出了基于概率神经网络优化二维子空间分析的人脸识别方法。首先,使用离散小波变化对图像进行预处理;然后,利用二维线性判别分析进行特征提取;最后,利用概率神经网络完成人脸分类。在ORL和FEI量大通用人脸数据库及自己搜集的数据库上的实验结果表明,在添加噪声的情况下,识别率也可高达98.9%,相比几种较新的识别方法,本文方法取得更好的识别性能。