基于LVQ神经网络的截齿磨损程度识别研究

为实现截齿磨损程度的快速准确识别,本文提出了一种基于LVQ神经网络的截齿磨损程度的多特征信号识别方法,并利用自制截齿截割实验台对相同截割条件下的不同磨损程度截齿进行截割实验,提取截割的电流信号、红外信号,建立截齿磨损识别模型,研究表明：新截齿B相电流峰值为1117mA,随磨损程度的加剧而逐渐增大,严重磨损截齿值为1183mA,最大峰值差为66mA;新截齿齿尖最大闪温值为25.52℃,随截齿磨损程度加剧逐渐降低,严重磨损截齿值为18.96℃,最大温度差为6.56℃。基于LVQ神经网络的截齿识别平均最大正确率均可以达到100%,与BP神经网络方法相比提高了12.86%,因此该神经网络具有良好的可靠性与精确性。     

基于LVQ神经网络的改进覆盖算法

覆盖算法是一种具有高分类准确度和强泛化能力的构造性神经网络分类算法。针对其选择覆盖中心的随意性,结合竞争性神经网络方法对覆盖算法进行改进,在覆盖学习之前进行预学习,选择最佳覆盖球形中心,来优化覆盖。通过标准UCI测试数据实验的比较,从分类的准确性和覆盖个数方面进行对比,得到改进的覆盖算法有很好的效果。     

基于描述特征的人脸识别研究

针对基于主成分分析识别人脸存在计算复杂、不能准确地估计训练图像的协方差矩阵等问题,提出了一种基于描述特征的人脸识别算法(Expressive feature face recognitionalgorithm, EFFRA).该算法用训练图像的右奇异向量代替PCA求解的子空间的基向量,避免了将人脸图像转换成图像向量,明显降低了计算复杂性.进一步研究发现,EFFRA提取的每一个主成分向量中含有冗余,在此基础上,利用PCA实现了EFFRA的简化算法(MEFFRA),在ORL和Essex数据库上的实验结果表明,EFFRA及MEFFRA明显优于特征脸算法,MEFFRA的识别精度略好于EFFRA,但明显减少了对存储空间的需求.     

基于LVQ神经网络的视频监控图像火焰检测与识别算法

针对传统火灾火焰探测技术存在不稳定、误判率高的缺点,提出了一种基于人工神经网络的火焰检测与识别算法。通过分析火焰图像的动态特性,利用火焰图像序列的离心率、放射性和整体移动等特征信息,结合学习向量量化(LVQ)神经网络进行训练仿真。实验结果表明,该算法能有效提高监控视频图像中可疑火焰的快速分类,稳定性强,具有较高的火焰识别准确率。     

粗LVQ神经网络的垃圾邮件过滤

结合粗糙集理论和LVQ神经网络的优点,提出了粗LVQ神经网络的垃圾邮件过滤模型。利用属性重要性启发式约简算法对邮件特征项进行约简,再利用LVQ网络模式分类能力进行垃圾邮件过滤。实验结果显示,提出的模型与单纯的粗糙集和LVQ网络相比,具有容错和抗干扰能力,减小了神经网络结构的复杂性,缩短了训练时间,提高了垃圾邮件过滤的准确率。     

基于小波包能量特征及LVQ的目标检测方法研究

基于常规雷达的目标检测方法不能很好地适应冲击雷达目标的检测,提出了一种基于小波包能量特征与LVQ神经网络相结合的新颖目标检测方法;首先利用小波包对目标回波信号进行分解,以得到目标的能量特征量,该特征量能明显区分目标和噪声;然后将能量特征量送入学习向量量化(LVQ)神经网络进行训练与仿真,以实现对超宽带目标信号的检测;仿真结果表明,该方法能获得较高的检测概率,较低的虚警概率.     

基于LVQ神经网络的连续属性离散化方法

随着知识发现和数据挖掘的迅速发展,出现了很多的数据挖掘方法,这些方法很多都依赖于离散的数据,连续属性的离散化是数据分析预处理中的一项重要内容,在数据挖掘、机器学习等领域中具有重要作用。然而,在现实世界数据库中,存在着大量的连续值属性。因此,常常需要对连续值属性进行离散化本文利用LVQ神经网络能够找到连续属性断点的功能,提出了一种基于LVQ神经网络的离散化方法,从而实现了对连续属性的离散化。算法分析和实验证明,本算法是切实可行的。     

基于小波描述子和神经网络的形状识别

提出一种把小波描述子和神经网络相结合的形状识别方法。通过小波描述子提取待识别物体的形状特征，所提取的特征值不受物体位移、缩放和旋转的影响，接着用多层分类器网络对物体的形状进行识别分类，并采用BP算法对神经网络进行学习和训练。最后得出令人满意的实验结果。     

基于小波描述子和神经网络的形状识别

提出一种把小波描述子和神经网络相结合的形状识别方法。通过小波描述子提取待识别物体的形状特征,所提取的特征值不受物体位移、缩放和旋转的影响,接着用多层分类器网络对物体的形状进行识别分类,并采用BP算法对神经网络进行学习和训练。最后得出令人满意的实验结果。     

基于径向基函数神经网络的特征识别技术研究

特征表示和识别效率是基于神经网络特征识别技术所面临的基本问题。在研究特征拓扑结构信息的基础上，提出一种应用特征构成面及其邻接边信息构成特征编码的特征表示模型，并在此基础上，提出基于径向基函数神经网络的特征识别方法。最后，应用此方法实现了对典型加工特征的识别。     

基于WT和LVQ网络的多姿态人脸识别

提出了基于小波变换和学习矢量量化网络相结合的新方法进行人脸识别。小波变换具有良好的多尺度特征表达能力，能将图像的大部分能量集中到最低分辨率子图像，可以很好地对图像降维和表征人脸图像的特征。LVQ算法是在有教师状态下对竞争层进行训练的一种学习算法。LVQ网络结构简单，但却表现出比BP网络更强的有效性和鲁棒性。实验表明该方法对表情和姿态变化的人脸具有良好的分类性能和识别效率。     

基于改进SIFT特征和神经网络结合的场景识别

基于深度学习的场景识别作为计算机视觉领域的重要方向,目前仍存在部分问题,如仅提取图像的高层语义特征而缺失了图像的底层特征,针对这个问题,提出基于改进SIFT特征与深度神经网络相结合的室内RGB-D图像识别方法。首先提取图像的SIFT特征,然后利用随机森林算法根据重要度对SIFT特征进行筛选,然后结合基于ResNet的深度神经网络,并提出基于深度直方图与深度均值直方图的深度损失函数,加速模型的收敛。实验结果表明,算法可以在NYUD v2数据集上达到71.52%的识别率,有效提升了室内场景识别的准确率。     

基于改进型LBP特征的人脸识别方法研究

不可控制条件是人脸识别应用到实际中的最重要瓶颈之一.寻求有效且分类性能高的人脸表征方法至关重要,在局部二值模式(LBP)的纹理提取基础上,引进一种改进的新型的局部三值模式(LTP)纹理特征提取方法,此方法时光照变化和噪声更加鲁棒且更有利于分类,最后采用PCA和Fisher线性判别分析对特征空间进行降维和最优鉴另q分类.结合一系列简单实用的图像预处理方法,在JDL和AR两个标准人脸库上对此方法进行测试评价,实验结果表明此方法的有效性和可行性.     

一种基于WPT和LVQ神经网络的手部动作识别方法

针对表面肌电信号(SEMG)的手部动作识别,提出一种采用小波包变换(WPT)和学习向量量化(LVQ)算法的神经网络分类器。对SEMG信号进行基于熵准则的最优小波包基分解得到各个节点分解系数,计算信号各个节点相应子频段的系数能量,归一化处理后的特征向量输入LVQ神经网络,实现基于SEMG的手部动作识别。实验结果表明,采取两路SEMG信号,该分类器能有效识别伸腕、屈腕、展拳和握拳4种动作模式,达到96%的识别率,能可靠应用于2个自由度肌电假手的控制。     

基于声音特征优化和改进支持向量机的鸟声识别

为了在低参数量下提高鸟鸣声的识别准确率,提出了一种新的鸟声识别方法,包括鸟声信号特征优化和乌鸦搜索-支持向量机（Support Vector Machine,SVM）分类识别。该方法首先采用主成分分析法对从鸟声中提取的梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）和翻转梅尔频率倒谱系数进行选择,得到优化后的声音特征参数并将其作为鸟声识别算法的输入;然后利用乌鸦搜索算法对SVM的核参数和损失值进行选优,得到改进的SVM网络用于鸟声分类识别。试验结果表明,该方法对5种鸟声识别的准确率为92.2%,声音特征维数在16时可以得到最好的识别效果。该方法为野外鸟声自动识别提供了一种可行的方式。     

基于K-means聚类和LVQ神经网络的OLED缺陷像素识别

提出改进的K-means聚类分割和LVQ神经网络分类的方法，用于有机发光二极管显示面板喷墨打印制程中缺陷像素的识别。首先采用改进的K-means聚类算法对预处理后的打印像素进行分割，然后采用连通域水平矩形确定每一个打印像素的坐标及几何特征，再通过灰度共生矩阵提取其纹理特征，最后通过LVQ神经网络对所述特征进行分类，完成缺陷像素的标记及分类统计。结果表明，本文算法的识别率明显优于其他常用分类识别算法，平均缺陷检测率为100%，分类准确率达到98.9%，单像素检测时间为8.3 ms。     

一种改进的基于ICA特征子空间的目标识别方法

介绍了独立分量分析（ICA）的基本原理和算法,并提出了基于独立分量分析的特征子空间的目标识别方法。该方法首先利用快速独立分量分析（FastICA）算法对训练集目标图像进行ICA分解,据此建立特征子空间,然后根据待识别图像在特征子空间的投影系数进行判别。本文的改进在于根据类内类间距离比值最小化准则进行最有利于分类的特征的优化选择。实验结果显示,和传统方法相比,改进的方法能有效提高识别的准确率和效率。     

保角特征结合改进差分进化算法的三维人脸识别

针对三维人脸识别的高复杂度和二维人脸识别无法提供粒状线索的问题,提出一种全自动3D人脸表情识别算法, 该算法主要是提供比2D人脸识别更多的线索,同时降低计算复杂度。首先通过保角映射将3D人脸转化到2D平面,保留了面部变化的线索;然后,提出了基于优化算法的差分进化(DE)算法用于提高识别效率,同时提取最优人脸特征集和分类器参数,加速鲁棒特征(SURF)池描述了所有预期的人脸特征点。在博斯普鲁斯、FRGC v2及自己搜集的人脸数据集上的实验结果表明,本文算法解决了三维人脸识别的高计算复杂度和二维人脸识别的线索低问题,并在不降低识别性能的前提下大大地节约了成本,相比几种较为先进的三维人脸识别算法,本文算法取得了更好的识别效果,有望应用于一些商业人脸识别系统。     

基于改进YOLOv5算法的管道漏磁信号识别方法

长输油气管道作为能源运输的主要方式,安全问题至关重要;管道漏磁内检测技术作为管道缺陷检测的重要方法之一,在管道安全保障中发挥着重要作用;人工智能技术可实现管道内检测数据的自动识别,对于减少人力工作量,减少人为误差,提升数据判读准确性具有重要意义;通过引入损失函数Distance-IoU对目标检测算法YOLOv5进行改进,利用改进YOLOv5算法对管道漏磁数据进行训练,使之具有对漏磁缺陷信号自动识别的能力;通过实验,对实际漏磁内检测数据进行识别;结果表明,改进的YOLOv5算法实现了管道缺陷漏磁信号的自动检测识别;并且在相同的训练条件下,改进的YOLOv5算法相较于原始算法准确率有明显的提升,在识别缺陷数量上其精度达到92.8%,比原算法提升了3.22%,改进后的模型损失函数平均损失率为3.6%,比原始YOLOv5模型降低了2.2%,表明该方法在管道缺陷漏磁数据自动识别检测方面具有较好的可行性。