人脸全局特征识别研究

人脸识别是模式中的一个相当重要却又十分困难的课题。本文利用神经网络（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，简称ＮＮ）及主元分析法（Ｐｒｉｎｃｉｐｌｅ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ），简称ＰＣＡ）不同的特性提出了两种人脸识别的模型：ＮＮ＋ＮＮ模型及ＰＣＡ＋ＮＮ的模型。理论分析和实验结果表示：这两种新的识别模型可以实现优化特征抽取和自适应识别。     

人脸识别算法在智能手机上的实现

人脸识别技术是近几年在全球范围内迅速发展起来的计算机安全技术。该文以高端智能手机的安全应用为载体,结合主元分析法和多权值函数神经网络在人脸识别中的优势,利用非线性多权值函数神经网络实现多主元提取,以及多权值函数神经网络识别。给出了完成人脸图像的检测、特征向量提取、人脸图像识别相对应的硬件系统架构、人脸识别算法流程和算法实现类图。     

人脸识别算法在智能手机上的实现

人脸识别技术是近几年在全球范围内迅速发展起来的计算机安全技术.该文以高端智能手机的安全应用为载体,结合主元分析法和多权值函数神经网络在人脸识别中的优势, 利用非线性多权值函数神经网络实现多主元提取,以及多权值函数神经网络识别.给出了完成人脸图像的检测、特征向量提取、人脸图像识别相对应的硬件系统架构、人脸识别算法流程和算法实现类图.     

基于神经网络的图象编码预测器的实现

提供了一种基于神经网络的ＤＰＣＭ的编码方法。它通过基于图象实例的训练，可以处理一些线性预测方法所不能处理的高阶特征以及非线性相关性。并由此方法设计了一种典型的预测器—２Ｄ－ＮＮＡＤＰＣＭ预测器，且提出根据不同图象的信息和要求进行人为分块，以达到更好的编码效果。     

用C 语言实现神经网络的算法类库

介绍用Ｃ＋＋语言编写的神经网络（ＮＮ）的ＢＰ、ＧＡ和ＧＡＢＰ算法类库。该类库引入类的概念，实现了对数据的封装、隐藏。     

基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为BP神经网络的输入,由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。     

基于卷积特征和贝叶斯分类器的人脸识别

为解决传统人脸识别算法特征提取困难的问题,提出了基于卷积特征和贝叶斯分类器的人脸识别方法,利用卷积神经网络提取人脸特征,通过主成分分析法对特征降维,最后利用贝叶斯分类器进行判别分类,在ORL（olivetti research laboratory）人脸库上进行实验,获得了99.00%的识别准确率。实验结果表明,卷积神经网络提取的人脸图像特征具有很强的辨识度,与PCA（principal component analysis）和贝叶斯分类器结合之后可有效提高人脸识别的准确率。     

多角度不同表情下的人脸识别

多角度及不同表情下的人脸识别是人脸识别领域的一个难题。本文将二维主元素分析法与贝叶斯判据相结合设计了多角度不同表情下的人脸识别算法。首先，利用二维主元素分析法计算人脸的特征矢量空间，并将训练集和测试集中的数据向该特征矢量空间进行投影，然后使用贝叶斯判据进行识别。该方法集中了二维主元素分析法计算简单、速度快及统计分类器识别率高的优点。实验结果显示，该方法计算简单，对具有表情变化及不同角度的人脸的识别率高。     

基于PCA余像空间的ICA混合特征人脸识别方法

为改善传统的基于特征脸的人脸识别方法在识别光照变化较大的人脸时效果不尽理想的缺陷,提出一种基于“PCA余像空间”的ICA混合特征人脸识别方法。不同于2阶PCA人脸识别方法,用独立元分析法代替主元分析法,对“PCA余像特征脸集”进行独立元特征抽取得到人脸图像基于PCA余像空间的独立元特征,并综合人脸图像的原始独立元特征得到混合特征作为最终识别的特征。实验表明,基于PCA余像空间的ICA混合特征人脸识别方法,在识别光照、表情等外界因素变化较大的人脸图像时,要优于传统的基于特征脸的识别方法、基于ICA的识别方法以及基于2阶PCA的人脸识别方法,并具有较强的适用性。     

PowerMANNA：一种基于PowerPCMPC620的并行体系结构

ＰｏｗｅｒＭＡＮＮＡ是一台基于６４位ＰｏｗｅｒＰＣ处理器ＭＰＣ６２０的分布式存储器并行计算机系统。ＰｏｗｅｒＭＡＮＮＡ的节点结构支持ＭＰＣ６２０的所有先进特性,而且引入了使我们能够在大规模并行超级计算领域利用现代超标量微处理器的性能的重要体系结构概念。本文介绍了ＰｏｗｅｒＭＡＮＮＡ及其节点结构,给出了一台８节点样机的处理与通信性能,并与共享存储器机器进行了比较。     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

基于人工神经网络和专家系统Shel的城市发展水平综合评价专家系统的研究

基于人工神经网络（ＡＮＮ）和专家系统Ｓｈｅｌ（ＥＳＳ），提出一种城市发展水平综合评价专家系统（ＣＣＥＥＳ）的基本结构模式，并对ＣＣＥＥＳ中评价指标规范化方法、基于ＡＮＮ的知识获取方法、基于决策表的知识库自动生成方法以及推理机的工作原理作了描述。ＣＣＥＥＳ现已在ＩＢＭＰＣ３８６／４８６微机上用ＥＳＳ—ＶＰ－Ｅｘｐｅｒｔ和ＴｕｒｂｏＣ、ＦＯＸＢＡＳＥ＋语言实现，并取得了较好的应用效果     

遗传神经网络预测模型的设计及应用

分析遗传算法（ＧＡ）及ＢＰ神经网络（ＮＮ）的理论基础,提出了ＧＡ与ＮＮ结合的主要方式和步骤。讨论了基于遗传神经网络的建模思路,主要针对矿石可选性预测、选矿生产指标预报问题,建立相应的遗传神经网络模型。论述了原始数据预处理的方法和ＧＡ－ＢＰ神经网络的设计。通过实例验证,模型的预测精度达到９０％以上。     

一种异步电动机故障诊断新方法

针对基于RBF神经网络的异步电动机故障诊断方法存在参数确定较困难的问题,提出了一种基于差分进化算法优化RBF神经网络的异步电动机故障诊断方法。首先采用小波变换对异步电动机运行状态信号进行消噪处理,然后采用主元分析法与小波包分析法相结合方式提取消噪后的异步电动机运行状态信号特征,最后采用差分进化算法优化后的RBF神经网络对异步电动机运行状态信号特征进行诊断。实验结果表明,与未优化的RBF神经网络相比,采用差分进化算法优化后的RBF神经网络可有效识别出异步电动机故障。     

一种异步电动机故障诊断新方法

针对基于RBF神经网络的异步电动机故障诊断方法存在参数确定较困难的问题,提出了一种基于差分进化算法优化RBF神经网络的异步电动机故障诊断方法。首先采用小波变换对异步电动机运行状态信号进行消噪处理,然后采用主元分析法与小波包分析法相结合方式提取消噪后的异步电动机运行状态信号特征,最后采用差分进化算法优化后的RBF神经网络对异步电动机运行状态信号特征进行诊断。实验结果表明,与未优化的RBF神经网络相比,采用差分进化算法优化后的RBF神经网络可有效识别出异步电动机故障。     

基于复合核函数KPCA的红外人脸识别

研究人脸优化识别问题,提出一种复合核函数KPCA的红外人脸特征提取法.利用最优或者接近最优的复合核函数主元分析KPCA方法对训练样本核映射到高维空间进行特征提取预处理,并结合最近邻法分类器分类进行红外人脸识别.该方法不仅有效的提取了训练样本的非线性信息,而且有效的改进了识别效果.多次实验结果表明了,基于复合核函数KPCA的红外人脸识别率优于传统的核主元分析法(KPCA)和主元分析法(PCA).结果表明,改进方法可减少识别时间,并保证了识别率一直稳定在比较高的水平.     

基于动态径向基神经网络的人脸识别算法研究

提出了一个通用而且有效的方法来设计RBF神经网络分类器用于人脸识别。为了避免过拟合和减少计算量,用主元分析法和Fisher线性判别技术来降低维数,以提取人脸特征;利用一个混合的学习算法来训练RBF神经网络,使梯度下降法的搜索空间大大减少;采用一种基于训练样本类别信息的新的聚类算法,所有同类的数据可被聚集在一起,尽量减少不同类数据混杂在一起,同时选取结构尽可能紧凑的RBF神经网络分类器。在ORL数据库上进行了仿真,实验结果表明,该算法具有高效性和有效性。     

神经网络在图像压缩编码中的应用研究

简要介绍ＡＮＮ在图像压缩编码中的应用研究概况，包括神经网络广义变换编码和基于神经网络的矢量量化。同时，给出图像压缩编码神经网络方法研究的主要内容与要突破的难题。     

一类神经网络数据预处理的二种方法的比较

介绍了主元分析法和粗集理论对原始数据进行压缩处理的基本算法。对一组边坡工程数据,分别利用主元分析法和粗集理论对数据预处理后,送给BP神经网络对边坡状态进行逼近。对检验样本进行仿真比较,说明了粗集理论在此种分类神经网络数据预处理上优于主元分析法。     

一种用于降维和盲源分离的主独立元神经网络

经典主元分析和主元神经网络常以主元所能提取总的系统方差来确定主元数目，这隐含假设系统数据是高斯分布，所提取的主元之间相互无关，但不一定相互独立，从而难以实现非高斯系统数据的降雏和信源分量。针对非高斯随机系统数据的降雏和信源分离问题，提出一种基于二阶Renyi近似熵指标的主独立元神经网络，并给出熵的近似计算方法及相应的梯度学习算法。仿真实验证明，该主独立元网络不仅能对数据降维压缩，还能有效地分离出普通主元分析法所不能提取的独立信源信息。