基于小波概率神经网络的彩色纹理识别

提出了一种将颜色信息融入到纹理识别中的新方法--基于小波概率神经网络的彩色纹理识别.首先将RGB彩色纹理图像转化为HSV彩色模型,用小波变换(WT)进行树形结构小波分解提取彩色纹理的特征,然后使用概率神经网络对测试样本进行分类识别.实验结果证明,该方法的识别效果比较好.     

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。     

神经网络在调制识别的应用

通信信号的识别在军事对抗和频谱监控中有着十分重要的意义。目前已有的调制识别方法大体可以分为两类:基于特征提取的模式识别方法和最大似然判决方法。小波分析具有良好的局部显微特性、分形能够很好地刻画自相似性,将它们用于通信信号的特征提取有独特的优势。神经网络有着良好自学习、容错性和推广能力,适合用于调制样式识别的分类器。将小波分析、分形等特征提取算法与神经网络分类器进行结合,进行调制样式识别已经受到广泛关注。对这些方法进行了较为全面的阐述并分析了其性能。     

基于小波和BP神经网络的无线电探测目标识别技术

目标识别是智能弹药研发的关键技术之一，本文采用小波变换和BP神经网络理论对无线电探测目标识别技术进行了研究，给出了分类识别算法，并用实测数据进行了实验验证，结果表明该识别算法具有很高的目标识别率．     

小波变换和神经网络在车牌识别中的应用

介绍了车牌识别的背景、意义和一般实现过程，阐述了小波变换和神经网络的基本理论，详细地分析和论述了小波变换和神经网络在车牌识别四个核心阶段（即图像预处理、车牌定位、字符分割和字符识别）中的应用，最后总结并对两者在车牌识别技术中的应用前景进行了展望。     

概率神经网络用于舌诊的近红外光谱分类

为了快速无创客观地检测舌体所携带的病理信息,提出了基于概率神经网络舌诊归一化反射率近红外光谱分类诊断模型。采集了健康人、脂肪肝患者、肝炎患者三类受试者舌尖的光谱数据,进行归一化反射率预处理,各获得32个样本数据,随机从三类受试者各抽取24个舌尖的光谱数据用于建模,其余的24个用于预测,并分析了径向基函数的扩展速度（SPREAD）对网络的影响。得出SPREAD在0.0065～0.0077之间取值时对网络模型的预测效果和泛化能力较好,用该模型对24个预测样本进行预测,其正确率为95.8%。实验结果表明利用概率神经网络对舌诊近红外光谱的分类是可行的,说明舌表面的光谱信息能客观的反映人体的病理信息,利用此方法对疾病的快速无创地进行初步的筛查成为可能。     

基于信息熵和概率神经网络的海战场目标识别

海战场目标识别是态势评估的基础,采用信息熵进行属性的约简,去除冗余属性,减少无关属性对识别的干扰。利用概率神经网络综合使用RBF神经网络和竞争神经网络进行目标识别。信息熵与概率神经网络结合可以过滤掉传感器信息中的冗余信息,有效地对海战场目标进行识别,并具有一定的泛化能力。通过仿真证明了本方法的有效性。     

基于邻域统计特性的概率神经网络及其在自动目标识别中的应用

在概率神经的一种改进模型－ＦＤＯ网络的基础上，提出在设计网络收敛域时进一步考虑每一像素点周围８邻域的影响，对网络的作用函数加以修，使改进后的网络具有稳定性好且收敛速度快的优点。通过实验对改进前后网络的识别性能加以比较，证明改进后的网络特别适用于噪声图像的识别。     

基于BP神经网络的地震动信号识别

通过数据采集得到三种不同类型车辆的地震动信号,采用小波消噪和特征提取,得到样本数据对神经网络进行训练,训练完成的神经网络就能实现车辆类型的识别。试验结果表明,BP神经网络对车辆目标具有较高的识别率,证明对地震动信号的特征提取方法是正确的,人工神经网络是有效的目标识别方法。     

基于增强型概率神经网络的安全态势要素获取

态势要素获取作为整个网络安全态势感知的基础,其质量的好坏将直接影响态势感知系统的性能。针对态势要素不易获取问题,提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化获取框架中,利用主成分分析( PCA)对训练样本属性进行约简并对特殊属性编码融合处理,将其结果用于优化概率神经网络( PNN)结构,降低系统复杂度。以PNN作为基分类器,基分类器通过反复迭代、权重更替,然后加权融合处理形成最终的强多分类器。实验结果表明,该方案是有效的态势要素获取方法并且精确度达到95.53%,明显优于同类算法,有较好的泛化能力。     

Fault diagnosis in wireless sensor network using clonal selection principle and probabilistic neural network approach

The fault diagnosis in wireless sensor networks is one of the most important topics in the recent years of research work. The problem of fault diagnosis in wireless sensor network can be resembled with artificial immune system in many different ways. In this paper, a detection algorithm has been proposed to identify faulty sensor nodes using clonal selection principle of artificial immune system, and then the faults are classified into permanent, intermittent, and transient fault using the probabilistic neural network approach. After the actual fault status is detected, the faulty nodes are isolated in the isolation phase. The performance metrics such as detection accuracy, false alarm rate, false‐positive rate, fault classification accuracy, false classification rate, diagnosis latency, and energy consumption are used to evaluate the performance of the proposed algorithm. The simulation results show that the proposed algorithm gives superior results as compared with existing algorithms in terms of the performance metrics. The fault classification performance is measured by fault classification accuracy and false classification rate. It has also seen that the proposed algorithm provides less diagnosis latency and consumes less energy than that of the existing algorithms proposed by Mohapatra et al, Panda et al, and Elhadef et al for wireless sensor network.     

基于AIA和PNN的路基健康监测

基于及时发现公路路基故障,合理安排检修计划的目的,采用了一种基于人工免疫(Artificial Immune Algorithm,AIA)和概率神经网路(Probabilistic Neural Network,PNN)的自动路基健康检测方法.该方法利用STM32设计了一套路基健康监测系统,采集整理了我国北方地区某路段...     

基于神经网络的手绘草图的识别与匹配

手绘草图通常是一种由几条简单笔划就能完成的对人们想法或者概念有着明确表达的一种视觉上表现形式.对于人类而言,识别草图的含义非常容易,但是对于机器来说是非常困难的.为了实现手绘草图的精准识别与匹配,本文提出一种特征融合的新思路,利用神经网络的特点将各级网络特征进行融合来实现草图的精准识别与匹配.将神经网络特征逐层下采样进...     

基于概率神经网络的燃气调压器故障诊断模型

燃气调压器故障诊断对城镇燃气管网的安全运行有着十分重要的意义,通过对燃气调压器进行故障诊断为其正常运行提供可靠的依据显得极为重要。鉴于此,针对主流燃气调压器提出一种基于概率神经网络(PNN)的故障诊断模型,主要通过搭建的概率神经网络对同一燃气调压器的4种不同类型状态(关闭压力高、用气高峰压力低、喘振故障和正常状态)进行诊断。仿真结果表明,与目前已经应用于工程实践的燃气调压器故障诊断算法如经验模态分解(EMD)算法相比,该方法在故障诊断率和诊断用时两个指标上有明显优势,应用于工程实际问题具有良好的有效性和实用性。     

Introduction to the modified probabilistic neural network forgeneral signal processing applications

This paper introduces a practical and easy-to-understand network for signal processing called the modified probabilistic neural network (MPNN). It begins with a short introduction to the application of artificial neural networks to signal processing followed by a background and review of the MPNN theory. The MPNN is a regression technique similar to Specht's (1991) general regression neural network, which is based on a single radial basis function kernel whose bandwidth is related to the noise statistics. It has advantages in application to time and spatial series signal processing problems because it is constructed directly and simply from the training signal waveform characteristics or features. An illustrative example involving noisy Doppler-shifted swept frequency sonar signal detection compares the effectiveness of the first- and second-order Volterra, multilayer perceptron neural network, radial basis function neural network, general regression neural network and MPNN filters, demonstrating some features of the MPNN for practical design     

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。     

基于进化神经网络的油气层识别研究

油气层的准确识别是提高勘探效果的关键环节之一.在现有油气层识别研究与评价技术基础上,通过对不同储层下测井曲线的分析、测井曲线的特征参数提取、学习样本挑选、测井数据规则化等处理技术,最后利用进化神经网络方法进行油气层识别.通过把进化神经网络模型的仿真结果与神经网络方法的训练结果比较,得出此算法可以使预测精度与神经网络的泛化能力得以提高;同时该识别模型的测试结果还验证了进化神经网络用于油气层识别的可行性,在油藏模拟中的应用具有一定的实际意义.     

基于神经网络和SVM的GPS干扰类型识别

全球定位系统（GPS）干扰信号类型的识别是采取有效抗干扰手段的先决条件。针对7种典型的GPS干扰信号,提取了包括高阶统计量在内的8个特征,设计了反向传播（BP）神经网络分类器和多项式支持向量机（SVM）分类器,实现了干扰信号类型识别。仿真结果表明,两种分类器均具有较高的正确识别率和较好的热噪声鲁棒性,特别是在干噪比（JNR）为3dB时,平均正确识别率可保持在94％以上。