基于BP神经网络算法的可见光图像热目标自动识别技术

BP算法即误差逆向传播学习算法,按照BP算法进行训练的多层神经网络被称为误差逆传播神经网络,即BP神经网络。BP神经网络按有人管理示范的方式进行学习,学习期间网络误差由后向前传递修正各权值和阈值。本文将主要探讨基于BP神经网络算法的可见光图像热目标自动识别技术。     

无线传感器网络中基于RSSI的室内节点定位改进算法

针对无线传感器网络中基于RSSI的室内定位精度不高的问题,提出一种基于动态路径衰落常数和距离误差修正的改进RSSI算法。实验结果表明改进后的算法使定位点的误差得到了减小,有效地提高了定位的准确度。     

基于Bootstrap的改进TOA定位算法

针对经典的TOA算法对非视距传播误差的敏感性问题,提出了一种改进的TOA算法。解决这一问题的传统优化方法都是确定性的,文章基于原始的TOA定位算法,引入Bootstrap抽样及蒙特卡洛思想,提出了一种随机性方法,能够对误差分布进行更加精确的识别,并通过随机模拟还原直线传播数据。这种改进的TOA算法相对于原TOA算法有了更高的精确性和稳健性。     

针对JPEG信息隐藏的RQP检测算法分析

RQP算法在对真彩图像加密信息的检测中十分有效,但对短加密信息检测和定位方面存在缺陷.针对此提出了一种改进的RQP算法,改进方法利用了分块的思想,分块后进行二次隐藏,通过对统计特征值进行比较检测、定位隐藏信息.实验表明改进后的RQP算法能很好地弥补原算法的不足.     

图像去噪领域中的优化中值滤波算法研究

文中,主要针对传统的标;住中值滤波算法的一些缺陷,通过对均值思想的利用设计了基于加权处理的自适应中值滤波算法,实验结果表明,改进后的算法能够在消除脉冲噪声的前提下更好的保护原有图像中细节信息。所以,改进后算法相较于传统的标准中值滤波算法具有更好的适用性。     

基于模拟评分的服装推荐改进算法

针对传统服装推荐算法中缺乏对消费者与服装特性的关注,以及预测结果缺乏针对性和有效性的问题,利用服装编码、时间间隔和欧氏距离等参数构建了消费者购物兴趣衰减模型,提出基于模拟评分的服装推荐改进算法。对比了模拟评分算法与基于奇异值分解的改进算法的预测值和真实值之间的平均绝对误差。结果表明:模拟评分算法预测评分的平均绝对误差为0.808,相对于基于奇异值分解的改进算法,误差降低了0.024,其中25%的个案的误差大于1,排除这部分个案后的平均绝对误差为0.632;通过对消费者进行回访分析发现,90%消费者的推荐准确率大于96%,只有10%的消费者的推荐准确率为60%~64%;导致误差较大的原因是这部分消费者的喜好发生变化,或是长期没有购买服装。     

基于改进OTSU的纸带孔型缺陷检测

提出了一种用于测量纸带孔型的视觉测量算法。算法首先将差因素引入传统分割算法,提出一种改进的最大类间分割算法。其次,对阈值化后的二值图像进行特定区域分块处理,并进行面积统计和边缘定位。最后,将传统的最大类间差法得出面积和边界数据与改进的最大类间差法得出的数据比较。实验结果：结果表明改进算法,分割更加准确有效,提取图像信息更完整能较好地完成对纸带孔型的缺陷检测。     

一种基于数值计算的改进BP神经网络加速算法

为增加神经网络收敛的稳定性与收敛速度,提出了一种改进的网络优化加速算法.在权值调整期间加入前N期权值结果,增强了训练的稳定性;使用Steffensen迭代算法进行加速,使网络训练较快地收敛;有效地解决了传统BP神经网络的缺点.进行数值实验,将10幅二值化后的车牌数字字符图片作为训练样本送入改进的网络与传统的BP神经网络中分别进行训练,可以看出传统BP算法在训练过程中出现了振荡且收敛速度较慢.而改进的算法误差稳步下降,没有出现传统算法中振荡的现象,且较传统算法早达到收敛稳定.     

食品质量追溯中RFID多标签识别防碰撞算法

针对食品质量追溯中批量标签识别存在的标签碰撞问题,结合帧时隙ALOHA算法和最小均方误差预编码技术提出了一种RFID多标签识别防碰撞算法。该算法在进行多标签识别前,先通过预编码技术对待识别标签进行分组,有效降低多标签间的碰撞。仿真试验表明,改进算法有效提升了RFID多标签识别性能,具有一定的实用价值。     

DV-Hop算法在节点定位中的应用

基于跳数和平均跳数距离求取节点间距离的DV-Hop算法是与信号衰减无关的节点定位算法,在网络成本、布局和信号衰减的角度具有较高的实用性。本文在详细介绍了DV-Hop算法的定位原理的基础上,分析了算法的主要误差来源于节点的跳数和平均跳数距离值的求取,并列举了目前针对于该算法在节点定位方面所提出的改进方案。在节点定位方面,通过本文的学习,可以为后续的优化定位算法提供一定的技术参考。     

基于粒子群优化算法优化反向传播神经网络构建冷藏草鱼新鲜度的近红外光谱预测模型

目的 构建基于各种机器学习算法结合近红外光谱的模型，从而确定出更准确预测冷藏草鱼新鲜度的方法。方法 采集连续冷藏6 d的草鱼片的新鲜度指标, 并进行方差分析。选择受冷藏天数影响最大的指标: 总挥发性盐基氮(Total volatile basic nitrogen, TVB-N)进行定量预测。运用x-y距离结合的样本划分(sample set partitioning based on joint x-y distance, SPXY)方法进行数据集的划分, 并采用正交信号校正法(orthogonal signal correction, OSC)、Savitzky-Golay (SG)、一阶导数及其组合算法进行光谱预处理。再运用竞争性自适应重加权采样(competitive adaptive reweighted sampling, CARS)、连续投影算法(successive projections algorithm, SPA)、主成分分析(principal component analysis, PCA)对光谱变量进行选择和降维。最后结合偏最小二乘回归(partial least squares regression, PLSR)、反向传播神经网络(back propagation neural network, BPNN)和粒子群优化算法(particle swarm optimization, PSO)优化BP神经网络(PSO-BP)建立草鱼(Ctenopharyngodon idella)片新鲜度定量预测模型。结果 各线性和非线性模型均得到了良好的预测效果, 预测集相关系数均超过了0.95。PLSR表现较为稳定, BP神经网络虽提高了校正集预测性能, 但是预测集性能不如PLSR。PSO-BP既保证了校正集预测性能, 也提高了预测集性能。基于OSC+D1预处理和CARS变量选择后的PSO-BP模型性能最优(R2P=0.987, 预测集的均方根误差为0.108, 相对分析误差为7.778)。结论 基于PSO-BP算法和近红外光谱结合的定量预测模型, 可以很好的预测冷藏鱼肉的新鲜度指标。     

Evaluation of chicken freshness using a low-cost colorimetric sensor array with AdaBoost–OLDA classification algorithm

This paper attempted to evaluate chicken freshness using a low-cost colorimetric sensor array with the help of a classification algorithm. We fabricated a novel and low-cost colorimetric sensors array, with a specific colorific fingerprint to volatile compounds, using printing chemically responsive dyes on a C2 reverse silica-gel flat plate. In addition, we proposed a novel classification algorithm for sensors data classification – orthogonal linear discriminant analysis (OLDA) and adaptive boosting (AdaBoost) algorithm, namely AdaBoost–OLDA. And we compared it with two classical classification algorithms – linear discriminant analysis (LDA) and back propagation artificial neural network (BP-ANN). Experimental results showed classification results by AdaBoost–OLDA algorithm is superior to BP-ANN and LDA algorithms, the classification results by which are both 100% in the calibration and prediction sets. This study sufficiently demonstrated that the colorimetric sensors array with a classification algorithm has a high potential in evaluating chicken freshness, and AdaBoost–OLDA algorithm has a strong performance in solution to a complex data classification.     

Application of linear/non-linear classification algorithms in discrimination of pork storage time using Fourier transform near infrared (FT-NIR) spectroscopy

To address the rapid and nondestructive determination of pork storage time associated with its freshness, Fourier transform near infrared (FT-NIR) spectroscopy technique, with the help of classification algorithm, was attempted in this work. To investigate the effects of different linear and non-linear classification algorithms on the discrimination results, linear discriminant analysis (LDA), K-nearest neighbors (KNN), and back propagation artificial neural network (BP-ANN) were used to develop the discrimination models, respectively. The number of principal components (PCs) and other parameters were optimized by cross-validation in developing discrimination models. Experimental results showed that the performance of BP-ANN model was superior to others, and the optimal BP-ANN model was achieved when 5 PCs were included. The discrimination rates of the BP-ANN model were 99.26% and 96.21% in the training and prediction sets, respectively. The overall results sufficiently demonstrate that the FT-NIR spectroscopy technique combined with BP-ANN classification algorithm has the potential to determine pork storage time associated with its freshness.     

基于自适应交叉、变异遗传算法的PID整定

提出了一种带有自适应交叉、变异算子的遗传算法，并把它应用到PID参数的整定当中，仿真结果表明，该方法提高了参数的优化性能，对控制系统具有良好的控制精度、动态性能和鲁棒性。     

服装智能排料粒子群算法的改进研究

针对服装智能排料问题提出一种改进的粒子群算法,对粒子群算法的速度分项加入一个参数惯性权值w,并将改进结果在VS 2005平台下用C++进行试验论证.结果表明:使用改进的粒子群算法,服装面料的利用率较高,且运行时间接近最优.     

采后猕猴桃可溶性固形物含量的高光谱无损检测

为探讨基于高光谱成像技术无损检测采后猕猴桃可溶性固形物含量（soluble solids content,SSC）的可行性,基于猕猴桃900～1 700 nm波长范围的反射高光谱,建立了预测SSC的偏最小二乘、支持向量机及误差反向传播 （error back propagation,BP）网络模型,并综合比较了分别以全光谱的226 个波长,利用连续投影算法提取的12 个有效波长和采用无信息变量消除法提取的128 个有效波长作为模型的输入变量对各模型预测效果的影响。结果表明,连续投影算法能有效地提取有效波长,其在简化模型方面优势明显;BP网络与连续投影算法相结合具有最好的预测性能（预测相关系数为0.924,预测均方根误差为0.766）。研究表明,高光谱成像技术可无损检测猕猴桃的SSC,该技术将使猕猴桃内部品质的工业化分级成为可能。     

基于人工神经网络的多指标综合评价方法研究

研究了利用误差反向传播人工神经网络(BP网络)的多指标综合评价问题，并以建设工程项目招标评标为背景，建立了相应的多指标综合评价BP模型。引入附加动量法和变步长算法对BP网络算法进行改造，大大提高了标准BP神经网络收敛速度与学习训练速度，为解决多指标综合评价问题提供了一条有效途径。     

基于时变惯性权重学习机制的蝙蝠优化算法

为解决蝙蝠算法容易陷入局部最优,过早进入停滞状态等缺点,在蝙蝠算法更新模式中引入时变的惯性权重,给出3种不同的惯性权重学习机制,将蝙蝠算法进行改进,提高算法的开发和探索能力.通过数值仿真实验,将3种不同学习机制下的改进蝙蝠算法与基本算法进行对比分析.结果表明,改进的蝙蝠算法具有较高的收敛精度和较强的全局搜索能力.     

基于XGBoost算法对新疆女性臀部体型判别及原型修正

为准确判断下体体型,使新疆地区女性裙装更加合体,分析了220名18~25岁的新疆地区青年女性臀部数据,通过因子分析与相关指数得到聚类指标:后臀长腰围比、后臀长臀围比,采用K-means聚类方法将臀部分为3类,使用Python软件建立XGBOOST臀部判别模型。首先对不同算法模型进行比较分析表明,运用XGBOOST方法的测试集精准度最高为98.4%。其次修正新疆地区中间体的裙装原型,发现其后臀长与标准裙装原型后臀长相差2.4 cm,说明新疆地区女性臀部相比国内其他地区偏翘。将判别算法运用到数据系统中,可提高体型判别效率,为人体相关领域提供数据支持。     

基于主成分分析和改进支持向量机的猪肉品质识别

目的:剔除近红外光谱存在大量冗余信息以及提高猪肉品质识别的精度,建立猪肉品质快速识别方法。方法:运用主成分分析对猪肉光谱数据进行降维处理,筛选出猪肉光谱特征波长;运用樽海鞘群算法进行支持向量机(SVM)模型的参数优化,提出一种基于樽海鞘算法改进支持向量机的猪肉品质识别模型。结果:与灰狼算法(GWO)优化SVM(GWO-SVM)、网格搜索算法改进SVM(Grid-SVM)、粒子群算法改进SVM(PSO-SVM)和SVM相比,基于SSA-SVM的猪肉品质识别模型的精度最高。结论:融合主成分分析和樽海鞘算法优化SVM模型的猪肉品质识别模型可以有效提高SVM模型的猪肉品质识别精度。