协同神经网络及其在模式识别中的应用

本文介绍了协同神经网络的基本思想,重点研究了协同神经网络在模式识别技术中的应用题,包括动力学模型、网络结构及学习算法,同时与传统的Hopfield网络进行了比较。     

模式识别协同算法的旋转、缩放不变性

引入复平面对数映射的方法，解决Haken模式识别协同算法中旋转和缩放不变性的问题，对识别过程在算法上进行了简化，并以人脸为例进行了识别．     

协同神经网络聚类型学习算法

协同神经网络是一类全新的神经网络 ,它可以根据竞争神经网络的一般原则划分为匹配子网和竞争子网。其中 ,匹配子网的学习是协同神经网络的一个中心问题。改善匹配子网的学习效率有 2种途径 :对伴随向量求解算法的改进和原型向量选取方法的改进。文章浅析了这 2种类型的学习算法 ,着重研究了聚类算法在原型向量选取中的应用 ,并以一组交通标志图像作为识别样本 ,验证了选取原型向量 2种思路的有效性。     

基于协同理论的不变性模式识别

提出了一种基于协同学理论的不变性模式识别模型．该模型首先对输入图象模式进行位置和大小上的归一化，然后提取其旋转不变性子波特征作为模型的试验模式，最后由协同系统的序参量迭代方程得出正确的识别结果．这种方法与Ｈａｋｅｎ提出的两种协同不变性模式识别方法相比，既比频域法更接近于人类的认识过程，又避免了“伪状态”的出现，使得系统严格收敛到正确的模式上．实验表明，该模型不但具有很好的识别精度，而且还表现出较好的抗干扰和缺损能力．     

用神经网络进行车牌定位的研究

该文采用BP人工神经网络模型 ,研究汽车图像中车牌定位的神经网络方法。选取训练样本图像 ,以人工定位后的图像为导师信号 ,将图像的灰度序列采用BP算法进行训练 ,获得有效的网络权值。试验结果表明 ,用BP网络对灰度图像进行感知能够获得较好的定位效果     

光学相关不变性模式识别的局限性及其出路

本文运用神经网络理论分析了光学相关不变性模式识别的局限性,在保持光学相关模式识别方法的合理内涵的基础上,提出了基于两层神经网络的不变性模式识别方法,分析了这种方法的普适性、适应性、最优并行性及其在硬件实现上的优点,并给出该方法用于多个飞行目标多畸变不变性识别的实验结果．     

利用加权自适应识别系统实现图象平滑

分析了加权自适应识别系统的性能，提出了利用该系统实现图象平滑的具体方法，并给出了关于该方法较详细的理论分析和实验结果。     

非监督图象分割的神经网络方法的研究

本文提出了一种新的神经网络模型UMAN,以实现非监督的图象分割。该神经网络采用广义信息熵作为描述系统稳定和收敛的定量判据,克服了广义能量函数的缺陷;改进的Kohonen非线性映射结构,既突出了分类信息又减少了信息冗余;网络内部层和结点数由系统内部动态地确定,不需人工干预和先验知识;非监督自学习功能反映了低层次视觉信息处理的特点,可处理一般的图象,具有较强的适应性.实验结果表明该模型及算法是有效和实用的,具有一定的鲁棒性.     

基于神经网络的机动车号牌字符识别

以定位、 分割后的机动车号牌字符为研究对象. 首先, 对机动车号牌图像进行大小、 灰度方差、 灰度均值的标准化处理. 其次, 根据机动车号 牌字符的特点, 抽取字符3种不同的特征, 构造3个BP神经网络对机动车号牌字符进行识别. 并根据字符在机动车号牌中所处位置的差异, 在每个BP神经网络中构造4种不同的子网络分 别进行训练和识别. 最后, 每个BP神经网络的输出通过加权求和的组合方式得到最终识别结 果. 在组合各网络输出前, 采用对字符图像求取局部二阶差分值的方法, 将字形相近的字符 进行再分类, 从而有效地降低误识率. 通过分析实验结果, 表明本算法在机动车号牌识 别应用中达到了理想的识别效果.     

基于不变矩特征及BP神经网络的图像模式识别

根据图像的不变矩特征,应用BP神经网络实现了图像的模式识别.由于神经网络本身具有很强的学习能力及容错能力,且采用并行工作方式,因此,此识别方法与传统的模式识别方法相比,具有较强的抗干扰能力及较快的识别速度.本文通过实验验证了此方法的有效性.     

神经网络文字识别系统的研制

研究人工神经网络技术在文字识别上的应用．阐述了该系统的基本原理、模型，并运用反向传播（ＢＰ）模型进行文字识别系统的模型，以探求解决集合庞大、字形复杂并且存在大量相似结构的汉字的高速自动输入途径     

基于神经网络的手写电气元件符号识别系统

神经网络模式识别在现代数字图像处理中的应用,是数字图像处理技术的一次革 命．以神经网络模式识别技术在电气元件符号图形识别中的应用为对象,着重于手写电气元 件符号自动识别系统的研究,介绍了整个系统的结构和功能,给出了相应的数据流图和主要数 据结构,提出了一种基于神经网络的模式识别方法,并对系统的实际应用作了验证,为进一步 的研究奠定了基础．     

基于ART神经网络的汉字识别

针对汉字的多样性和相似性不同于西方字母,识别相对困难的问题,提出了基于ART神经网络的汉字识别方法．在识别前,利用OpenCV（开源计算机视觉库）将汉字进行图像处理,为后续识别提供输入数据;然后经ART神经网络对输入数据进行训练识别．采用8组相似度较高的汉字作为样本进行实验,证明了方法的有效性．     

基于LVQ神经网络的医学图像识别研究

以医学肝脏CT图为研究对象,设计了一种基于LVQ神经网络的医学图像识别方法。基本思想是首先确定图像ROI区域,并作灰度映射变换。接着提取其颜色、纹理和形状特征构成表征医学图像的特征矢量,最后将特征归一化后利用LVQ神经网络进行识别。通过与其他典型神经网络识别方法的实验比较,结果表明,设计的方法能取得更为理想的识别效果。     

挖掘机器人铲斗不变矩及改进BP网络识别方法

在利用视觉信息跟踪、识别挖掘机器人铲斗目标时,实时采集的铲斗图像存在旋转、平移、缩放等情况.为提高对铲斗目标的识别能力,提出了基于不变矩和神经网络相结合的铲斗目标识别方法.提取铲斗图像对于平移、旋转、缩放具有不变性能的7个不变矩特征向量,归一化后作为改进BP神经网络的训练样本及测试样本.应用训练后的神经网络对铲斗目标进行识别,仿真表明该方法具有较好的识别能力.     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于神经网络的几种控制图表模式的识别研究

建立一个复合的神经网络模型,使其可以更精确的判断输入的控制图模式,同时利用该网络模型的再分类功能,可以减少判断不同模式时所造成的误判断.通过对各种模式的训练和仿真,表明该方法相对于传统方法有较大的优势.