基于相对贡献指标的自组织RBF神经网络的设计

针对RBF（radial basis function）神经网络的结构和参数设计问题,本文提出了一种基于相对贡献指标的自组织RBF神经网络的设计方法。首先,提出一种基于相对贡献指标（relative contribution,RC）的网络结构设计方法,利用隐含层输出对网络输出的相对贡献来判断是否增加或删减RBF网络相应的隐含层节点,并且对神经网络结构调整过程的收敛性进行证明。其次,采用改进的LM（Levenberg-Marquardt algorithm）算法对调整后的网络参数进行更新,使网络具有较少的训练时间和较快的收敛速度。最后,对提出的设计方法进行非线性函数仿真和污水处理出水参数氨氮建模,仿真结果表明,RBF神经网络能够根据研究对象自适应地动态调整RBF结构和参数,具有较好的逼近能力和更高的预测精度。     

基于改进遗传算法的模糊RBF神经网络控制器设计

提出一种改进的优良模式自学习模糊遗传算法,并用来优化设计模糊RBF神经网络控制器。改进的算法主要基于模糊编码、优良模式自学习算子、保留遗传算法和最优串重组。仿真结果表明,改进的遗传算法可实现模糊RBF网络结构和参数的快速、全局寻优,优化后的控制器具有很强的自适应性和鲁棒性。     

改进粒子群优化Takagi-Sugeno模糊径向基函数神经网络的非线性系统建模

针对复杂非线性系统建模的难点问题,提出了一种基于改进的粒子群优化算法（PSO)优化的T-S模糊径向基函数（RBF）神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合,构成T-S模糊RBF神经网络用于系统建模,并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先,利用所提算法进行了非线性多维函数的逼近仿真,仿真结果均方差（MSE）为0.00017,绝对值误差不大于0.04,逼近精度较高;又将该算法用于建立动态流量软测量模型,并进行了相关的实验研究,动态流量测量结果平均绝对误差小于0.15L/min,相对误差为1.97%,基本满足测量要求,并优于已有算法。上述仿真及实验研究结果表明,所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。     

基于Boosting RBF神经网络的入侵检测

提出一种新颖的基于boosting RBF神经网络的入侵检测方法。将模糊聚类和神经网络技术相结合,提出基于改进的FCM算法和OLS算法相结合的FORBF算法,为了提高RBF神经网络的泛化能力,采用Boosting方法,进行网络集成。以“KDD Cup 1999 Data”网络连接数据集训练神经网络并仿真实验,得到了较高的检测率和较低的误警率。     

改进RBFNN求机械臂轨迹跟踪的研究

为了使机械臂准确跟踪目标轨迹,达到控制精度高、实时性好的目的,提出一种改进的径向基函数（RBF）模糊神经网络算法。该算法采用模糊遗传算法在线调整神经模糊控制器的参数,对其参数进行改进和优化,同时采用最近邻聚类算法对控制器的模糊规则库进行更新。仿真结果表明,该算法与传统的神经网络算法相比具有较好的性能,学习速度快,跟踪精度高,并具有良好的控制性能和自学习能力。     

基于多尺度特征融合生成对抗网络的水下图像增强

针对水下退化图像细节模糊、对比度低和蓝绿色偏问题,提出了一种基于多尺度特征融合生成对抗网络的水下图像增强算法。算法以生成对抗网络为基本框架,结合传统白平衡算法和多尺度增强网络实现对水下退化图像的增强。通过改进的通道补偿白平衡算法矫正蓝绿色偏,并以卷积神经网络提取偏色校正后图像的特征;提取图像多尺度特征,结合提出的残差密集块将每一层的局部特征增强为捕获语义信息的全局特征,并与偏色校正图像的特征相融合;通过重建模块将融合特征重建为清晰图像,恢复图像的细节信息。实验结果表明,该算法增强的水下图像去雾效果较好且颜色更真实,有效改善了水下图像色偏和模糊的问题,在主观指标和客观指标上的实验结果均优于对比算法。     

.基于改进CycleGAN的视频监控人脸超分辨率恢复算法

针对有监督超分辨率算法训练过程需要大量成对图像、处理真实低分辨率图像视觉恢复效果差等问题,提出了一种基于改进CycleGAN的半监督算法Cycle-SRNet.首先,利用退化模型获得与真实低分辨率人脸相似的图像,用于训练网络参数;其次,通过重建模型恢复出具有真实效果的高分辨率人脸图像;最后引入感知损失函数保持人脸结构相似性,以更好地恢复面部特征.实验结果表明,该算法不需要成对的图像进行网络训练,在视觉效果上能够将模糊的视频监控低分辨率人脸图像恢复成清晰可辨的人脸图像,在FID、PSNR和SSIM指标上超越了SRCNN、SRGAN、CinCGAN等方法.     

基于连续函数的自反馈Hopfield神经网络图像复原算法

在分析图像复原的Hopfield神经网络恢复算法的基础上,提出了一种基于连续函数的全并行自反馈改进算法,利用该算法对匀速直线运动模糊图像进行复原,并与Paik方法得到的复原图像进行比较,发现该方法得到的复原图像信噪比提高显著,且恢复过程加快。     

基于遗传算法优化模糊神经网络的倒立摆智能控制

提出了一种利用遗传算法来优化模糊神经网络的倒立摆智能控制,利用RBF神经网络与模糊推理过程具有函数等价性.设计了基于模糊系统的RBF网络结构。同时采用改进的遗传算法优化了神经网络的参数和权值。其中利用一种动态的交叉率和变异率.有效地加快了收敛的速度。最后,利用Matlab软件对倒立摆进行仿真.仿真结果表明.该控制具有较好的通用性和控制效果。     

基于改进神经网络的PID整定

针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处,提出一种基于模糊RBF神经网络的PID自适应控制方法。首先用改进的模糊K一均值聚类算法初始化RBF神经网络的隐层节点中心和基函数宽度,再采用梯度法优化RBF神经网络自适应地整定PID的三个参数。仿真结果表明该学习算法的实用性和有效性。     

基于调和模型的快速神经网络图像复原算法

针对传统神经网络图像复原算法在复原过程中模糊图像边缘,收敛速度慢等不足,提出一种基于调和模型的快速神经网络图像复原算法.在该算法中,图像复原模型的正则化项采用调和模型,并在每次网络状态更新时引入最陡下降方法,使得网络能量迅速减小.实验表明,提出的算法能够很好复原图像的边缘特征,并具有快速收敛等优点.     

基于动态递归径向基函数神经网络的彩色图像恢复

将一种动态递归神经网络完成的最近邻分类器(NNC)应用于彩色图像恢复。采用多层感知器(WLP)与径向基函数(RBF)网络相结合的网络结构，把原型模式的显式表示作为网络参数，可自由扩大或删除原型模式，具有自适应特性。用这种模型实现的动态NNC去除了传统NNC中的比较运算,一定程度上降低了运算复杂度。试验结果表明该方法对于含有不同程度噪声的彩色图像恢复效果良好。     

基于交替迭代和神经网络的盲目图像恢复

提出了种盲目图像恢复模型：退化图像经傅立叶变换后在频率域通过交替迭代的方式分解出原始图像和点扩展函数,当大致估计出退化模型的点扩展函数的类型及其参数后,用基于Ｈｏｐｆｉｅｌｄ神经网络的方法进行精确恢复,以提高恢复质量．实验证明,这种恢复模型可以在未知点扩展函数的情况下取得较好的恢复效果．     

三维显微图像PML超分辨率复原算法及VC实现

将PML二维图像复原算法进行了三维拓展,应用于三维显微图像复原,并在VC 6.0中实现了该算法。使用该三维拓展算法对退化图像进行复原,仿真实验结果表明,图像散焦信息的干扰得到有效的排除,信噪比得到明显的改善,频谱均值提高,频谱相关性较好,该算法有较强的超分辨率复原能力。     

基于混合神经网络的图像复原方法

针对传统图像复原方法对先验知识的依赖性问题,提出一种基于混合神经网络的图像复原方法。混合神经网络由卷积神经网络（Convolutional Neural Network）与BP神经网络组成。首先,通过训练卷积神经网络初步建立退化图像与真实图像之间的非线性映射关系,再利用训练好的卷积网络模型提取特征向量作为BP神经网络的输入。最后,通过训练BP神经网络实现图像复原。实验表明,该方法具有较高可行性,在小尺度的模糊核上的复原效果优于现有方法。     

基于RBF神经网络和改进遗传算法的货车车锁检测

为实现货车自动检测记录系统，需要根据货车图象检测进站货车的车锁是否存在，为此，提出了一种基于RBF神经网络和改进遗传算法的货车车锁检测方法，该方法首先提取图象的投影特征，边缘图象的线性短特征以及灰度直方图特征，然后用RBF神经网络进行检测和定位，同时引入遗传算法，利用改进后的遗传算法的高并行性和鲁棒性，可以较快地完成全局搜索，而不会陷入局部最优，实验表明，该方法能有效克服车锁种类多，变形大，以及光照变化的影响，具有较高的速度和检测成功率，能满足于实际应用。     

基于双通道卷积神经网络的图像超分辨率增强算法

针对单通道图像超分辨率方法难以同时实现快速的收敛性能以及高质量的纹理细节恢复的问题,提出一种基于双通道卷积神经网络的图像超分辨率增强算法。首先,网络分为深层通道和浅层通道,深层通道用于提取图像的详细纹理信息,浅层通道用于恢复图像的总体轮廓。然后,深层通道利用残差学习的优势,加深网络并降低模型参数规模,消除因网络过深导致的网络退化问题,构造长短期记忆块消除由反卷积层造成的伪影现象和噪声,采用多尺度方式,提取图像不同尺度的纹理信息,而浅层通道只需负责恢复图像主要轮廓。最后,融合两通道损失对网络不断优化,指导网络生成高分辨率图像。实验结果表明,相比基于深层和浅层卷积神经网络的端到端图像超分辨率算法（EEDS）,所提算法收敛更迅速,图像边缘和纹理重建效果明显提升,其峰值信噪比（PSNR）和结构相似性（SSIM）在Set5数据集上平均提高了0.15 dB、0.0031,在和Set14数据集上平均提高了0.18 dB、0.0035。     

基于动态RBF神经网络的遥感图像中烟辨识

针对森林火灾的突发性和分散性特点,根据森林火灾中的烟影像的特征,结合RBF神经网络分类器通用性的特点,采用PCA方法降低图像的维数和Fisher线性判别方法提取遥感图像中烟的影像特征,用特征值数代替训练样本数,并作为RBF网络输入数,在对样本训练的过程中提出一种改进型的混合算法。仿真实验表明,该算法对烟图像识别的准确率较高。     

基于多尺度网络的运动模糊图像复原算法

动态场景的非均匀盲去模糊一直是图像复原领域中的一个难题。针对目前的模糊图像复原算法不能很好地解决多样性模糊源的问题,提出了一种端到端的基于多尺度网络的运动模糊图像复原算法。所提算法使用修剪过的残差块作为基本单元,且在每一级尺度上都采用相同的非对称编解码网络。为了更好地提取输入图像特征,在编码端使用引入注意力机制的残差模块,还加入了空间金字塔池化层。编码端和解码端中间的循环单元可以获取图像的空间信息,从而利用图像空间的连续性来进行非均匀运动模糊图像的复原。测试结果显示,在GoPro数据集上所提算法的峰值信噪比（PSNR）达到33.69 dB,结构相似性（SSIM）达到0.953 7,且能够更好地复原模糊图像的细节信息,而在Blur数据集上所提算法的PSNR为31.47 dB,SSIM为0.904 7。实验结果表明,与尺度递归网络和深度层次化多patch网络相比,所提算法取得了更优的模糊图像复原效果。