基于形态学双梯度算子的图像边缘检测

在数学形态学基础上提出了一组新的形态学双梯度算子,把它们用于图像边缘检测,适当选取结构元素,得到了在有噪声,和没有噪声的条件下都较好的效果;并把结果与其他检测效果做了比较,实验验证了该组形态学双梯度算子的可行性和有效性。     

神经网络中将任务学习与模型学习相结合的E-H和E-H-W学习方法

本文从获取好的神经网络泛化能力出发,首先提出了将Hebbian学习与增加问题复杂性统一起来的思想,并通过在总的误差函数中增加一限制函数来实现Hebbian学习.基于此,提出了一种将误差驱动的任务学习与Hebbian规则的模型学习相结合的E-H方法.然后,根据模型学习应同时考虑减小网络复杂性和增加问题复杂性的思想,又提出了一种将误差驱动的学习与Hebbian规则、简单的权退化法结合起来,共同来提高神经网络的泛化能力的E-H-W方法.最后通过大量实例仿真将它们与纯误差驱动的方法、权退化法、其它文献中的相关方法进行了比较.结果表明我们的方法具有最好的泛化能力,是很有效的神经网络学习方法.     

基于再励学习的地铁列车运行过程的模糊自适应控制

提出了一种用于解决地铁运行控制问题的基于再励学习的模糊自适应控制方案，解决了多控制目标下列车控制问题，确保了列车准确运行。仿真取得了令人满意的结果。结果表明，这种将模糊控制和再励学习相结合的智能控制方法综合用于列车运行控制是可行的，可以较好地保证舒适性、停车准确性和正点性。     

一种基于混沌搜索的自适应入侵遗传算法

将生物系统中“入侵”的概念引入遗传算法,提出了一种基于混沌搜索的自适应入侵遗传算法。该算法动态地引入入侵种群,并采用混沌搜索产生入侵个体。入侵种群的扩散使优良基因得以在个体间传播,优化了种群的基因构成,能够促使种群跳出局部最小,并向全局最优的方向进化,从而有效地避免了遗传算法的早熟现象。将该算法用于函数优化及解决模式分类问题的神经网络参数训练,实验结果表明,该算法具有较快的收敛速度和较强的寻优能力。     

基于仿生模式识别理论的高阶神经网络说话人识别方法

根据一种全新的仿生模式识别理论，提出了采用神经网络实现并完成说话人识别的新方法。该方法利用高阶神经网络形成的复杂包络在特征空间中构造不同说话人的覆盖区域达到识别目的。相关实验证明，这种新的说话人识别方法只要通过少量样本的训练即可达到比传统方法更高的识别率。     

一种基于模糊神经网络的正则化学习算法的地铁列车运行控制

将两种不同的模糊神经网络分别应用于地铁列车控制中的站间运行阶段和定位停车阶段,仿真取得了令人满意的结果。为了降低控制系统的复杂度,提高系统的泛化能力,采用了在误差函数中引入正则项的方法。同时采用了基于扩展的自适应神经-模糊推理系统(简称ANFIS)获取模糊规则数和训练隶属度函数中心和宽度的方法。实验结果表明,将以上方法应用于地铁列车运行控制是可行的,可以保证较好的舒适性、速度跟随性和停车准确性。     

基于ICA/SVM的混合学习方法及在人脸检测中的应用

从基于样本学习的方法框架出发,该文提出了一种基于独立元分析和支持向量机的混合的学习方案,并用于人脸检测中。该方法通过独立元分析方法进行特征提取,然后采用SVM进行分类。该文做了大量的实验,以确定如独立元个数等参数问题对该分类器的影响,并与单独的支持矢量机方法、其它的人脸检测方法进行了比较分析。实验结果表明,该文的方法具有较好的检测效果,是一种很有效的方法。     

基于二级神经网络的多角度人脸检测

论文提出一种基于二级神经网络的人脸检测算法,先用第一级神经网络筛选出可能的人脸区域,然后将该区域进行不同角度旋转,送入第二级神经网络,根据网络的输出值确定人脸的倾斜角度,最后用验证策略进行判定是否为人脸。对各种图像进行实验的结果表明,该算法对于检测正面端正人脸有较好的效果和较强的鲁棒性,检测正面多角度的人脸也很有效。     

基于小波变换和BP神经网络的人脸识别方法

提出了将人脸图像的小波分解系数和BP神经网络相结合以达到人脸识别的新方法。针对不同的小波基,对人脸图像作小波分解,并将分解低频系数作为人脸特征送入神经网络进行训练。实验表明,选择恰当的小波基能够达到较高的识别率。     

基于多级神经元的神经网络及其在分类中的应用

为了提高前向神经网络的分类能力,该文将多级神经元扩展使用到多层感知器的输出层和隐含层中,并提出了量子神经网络的学习算法。通过一个实际的分类问题实验验证了该方法的有效性。实验表明,无论输出层或隐含采用多级神经元,都可以带来分类能力的提高。而当输出层采用多级神经元时,还可以导致连接的减少和训练速度的加快。