基于图像描述技术的飞机目标架次判别方法

利用图像描述技术对非相参回波信号波形作了一定的分析,提取出反映飞机目标不同机型(大、小)和不同编队(架次)可资分类识别的图像特征信息。采用极大极小模糊神经网络对提取出的特征进行了训练和分类识别试验,验证了图像特征信息的有效性。结果表明,基于图像描述技术的架次判别方法,为解决常规非相参雷达编队飞机目标架次判别问题提供了一条新的途径。     

VDAS中基于单目红外图像的深度估计方法

针对视觉辅助驾驶系统(vision-based driving assistance system,VDAS)对夜间等低能见度场景下的车辆前视深度感知需求,提出一种基于深度学习的单目红外图像深度估计方法.该方法采用端对端的多任务自监督学习框架,利用单目红外视频帧之间的立体几何约束构建损失函数,无须场景的真实深度信息.取...     

基于深度残差神经网络的电阻层析成像及流型辨识方法

针对电阻层析成像(electrical resistance tomography, ERT)反问题成像精度和流型识别准确率偏低的问题,提出一种基于深度残差神经网络的两相流电阻层析成像及流型识别方法。利用有限元法对ERT正问题建模,构造多种气液两相流分布状态的“边界电压–电导率分布–流型类别”数据集。搭建用于气液两相流ERT图像重建和流型辨识的残差神经网络模型并进行网络训练,将残差神经网络的两个输出分别进行数据处理,得到重建的电导率分布图像和流型辨识结果。仿真与静态实验结果表明：该方法能够同时实现成像及流型辨识的需求,具有重建图像精度高、泛化性和抗噪性强、流型辨识准确度高的特点。     

基于小波分解与神经网络的图像分割方法

采用小波变换进行图像分解，得到不同分辨率下的图像表示，进而构造多分辨率图像金字塔。然后讨论了利用小波变换进行消除噪声的方法，较好的去除了图像的噪声。最后，采用Kohonen神经网络进行图像聚类分割，该方法加快了聚类速度，提高了图像的聚类分割准确性。     

基于小波神经网络的图像重建算法研究

针对传统的图像重构算法的不足,提出一种基于小波神经网络的图像重建快速学习算法。运用小波神经网络对图像重构进行了仿真研究。实验表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,收敛速度快,近似精度高,而且网络规模比较小,计算量少。对计算机视觉和图像处理具有良好的应用价值。     

基于BP神经网络的图像感兴趣区自动检测技术

图像中感兴趣区(region of interesting,ROI)的自动分割是图像信息压缩与模式识别中的重要问题。提出一种图像中感兴趣区的图像信息自动检测算法,通过建立基于BP神经网络的多层检测模型,自动实现图像中ROI的自动检测与分割。并将该模型用于对车牌图像中牌照区域图像的自动分割。结果表明,该算法稳定性好,能够方便快速地实现特定ROI的自动检测与分割。     

一种图像分割的目标描述方法及实现

提出一种二值分割图像目标描述的实现方法 ,用以获取目标特征量。在对二值化图像形成目标块的过程中使用扩展像素标记法 ,可以在标记目标所属像素的同时标记目标的边界点 ,从而得到目标的单像素宽边界。在此基础上获得目标的面积、周长和质心坐标等参数 ,为图像目标识别做好准备。最后给出了算法C ++编程的具体思路和实现。仿真实验证实了该算法实用可行。     

基于多尺度交互结构卷积神经网络的SAR图像相干斑抑制方法

结合深度学习思想, 提出了一种基于多尺度交互结构卷积神经网络(convolutional neural network, CNN)的合成孔径雷达(synthetic aperture radar, SAR)图像相干斑抑制方法。首先, 通过不同尺寸的卷积核及跳跃连接构成多尺度交互特征提取模块以获得不同感受野的特征并加快网络收敛速度。然后, 在多尺度交互特征提取模块之间利用简化的密集连接方式使网络能够充分利用浅层纹理特征。最后, 采用残差学习策略得到抑制后的图像。实验结果表明, 与已有方法相比, 所提方法不仅使用较少的计算参数量, 还能保证性能的提升。     

基于形状描述直方图的声呐图像目标识别算法

针对水下声呐图像目标检测与识别问题,在图像规格化条件下,定义了几种不同的形状描述子,并统计计算描述子直方图,定义了几种不同的直方图匹配测度函数用以计算直方图间的相似性。分析了算法中关键参数的选取问题。仿真结果表明,基于该算法的识别率可达到98%以上,具有较强的不变性和鲁棒性。通过进一步信息融合算法可快速准确地实现水下声呐图像目标识别,具有较强的应用价值。     

基于稀疏性深度学习的航拍图像超分辨重构

为降低无人机硬件设备升级成本,研究利用深度学习技术进行航拍图像超分辨(super-resolution,SR).针对神经网络训练参数量大的特点,提出了一种稀疏卷积神经网络SR(SR based on sparse convolutional neural network,SRSCNN)重构方法,对神经网络连接权值进行选...     

基于ANN的调节形态学方法

在简要介绍调节形态基本运算的基础上,提出了一种基于神经网络的调节形态学方法,结合二值图像滤波和边缘检测的实例讨论了调节形态学运算的神经网络实现,计算机仿真结果表明,该方法较之传统的数学形态学基本运算更为灵活,具有一定的实用性。     

基于孪生深度神经网络的风电机组故障诊断方法

为有效提取风电SCADA (supervisory control and data acquisition)中时序数据故障特征,同时考虑一维卷积神经网络(one-dimensional, convolutional neural network,1-D CNN)提取局部时序特征和长短时记忆网络(long short-term memory networks, LSTM)提取长期依赖特征优势,提出一种基于1-D CNN-LSTM的风电机组故障诊断方法;针对故障样本稀缺问题,基于孪生神经网络架构(siamese network),提出一种基于孪生深度神经网络siamese 1-D CNN-LSTM的风电机组故障诊断方法,依靠少量样本数据对机组故障特征进行有效提取。结果表明：1-DCNN-LSTM优于其他现有深度学习方法;当训练样本不足时,所提出的siamese 1-D CNN-LSTM可以显著提升故障诊断结果。     

一种基于模糊神经网络的自适应模糊辨识方法

基于改进的T-S模型，提出一种自适应模糊神经网络模型(AFNN)。首先，基于模糊竞争学习算法确定系统的模糊空间和模糊规则数，并得出每个样本对每条规则的适用程度。其次，利用卡尔曼滤波算法在线辨识AFNN的后件参数。AFNN具有结构简洁，逼近能力强，能够显著提高辨识精度，并且辨识的模糊模型简单有效。最后，将该AFNN用于非线性系统的模糊辨识，仿真结果验证了该方法的有效性。     

基于深度神经网络的航班保障时间预测研究

航班地面保障时间预测是提高机场运行保障效率和决策能力的关键问题之一。考虑到服务流程的复杂性和特殊性,建立了航班地面保障资源到位时间的高斯概率模型,提出了一种基于深度神经网络的航班地面保障时间预测模型,并根据保障数据规律性变化调节模型参数,减小不确定性因素产生的泛化误差。研究结果表明,单航班预测结果的平均绝对误差比多航班小4.479 min,模型评价分数达到了94.608,且预测精度比传统BP神经网络和贝叶斯网络方法高3%~5%。     

基于平衡多小波与神经网络的图像水印算法研究

利用图像经过CARDBAL多小波变换后,能量汇聚且平均分摊在最低分辨率子图像4个分量上的特点,提出一种改进的多小波域盲水印方法.采用比较法嵌入一幅水印图案,建立含水印图像与水印之间的关系模型,通过神经网络训练来提高水印检测的正确率.实验表明,该方法具有良好的鲁棒性,在JPEG压缩和一些图像处理下可检测到水印.     

一类基于神经网络的非线性模型预测控制

在研究非线性对象输入/输出数据的基础上，将对象输出的Taylor级数展开式取线性项作为预测模型，提出一种非线性系统模型预测控制算法，为了保证预测模型的准确性，以神经网络做辩识器估计系统建模误差，对非线性对象进行单频预测控制，理论上已证明三层BP网能任意逼近L2上的非线性函数，本文通过仿真研究也表明了当神经网络逼近系统建模误差时，所提出的预测控制算法对复杂非线性对象能达到良好的控制效果。     

交互学习神经网络模型及其仿真研究

研究人们交互学习过程,建立神经网络模型,利用系统仿真技术探索发现和掌握知识的基本规律,有利于促进和提高人们的智慧.用博弈理论框架模拟交互学习过程;用人工神经网络完成学习功能;建立交互学习神经网络模型.在此基础上,研究交互学习模型特性,求解了混合策略博弈过程的均衡预测问题.在神经网络学习过程中,效仿人们回顾对比的学习方法,更新神经网络连接权值.利用建立的交互学习神经网络模型,进行系统仿真研究.仿真结果表明,该模型不仅能很好的模拟人类交互与竞争学习过程,还能对博弈过程的均衡状态做出有效预测.     

一种PID型模糊神经网络控制器

为了使一种基于两维控制规则基的PID型模糊控制器具有参数在线学习功能，提出了一种包含一个自回归神经元的五层模糊神经网络，并根据梯度下降法，给出了它各权值的修正算法，该网络可以在反馈控制系统中作为一个自学习控制器来使用，最后，根据有关定理，给出并证明了该网络各层权值学习速率的收敛准则。