基于BP神经网络的图像识别技术研究

图像识别以图像的主要特征为基础,根据这些特征进行识别和分类。通常有效提取待识别样本的特征是一件很困难的工作。而BP神经网络通过非线性计算来识别图像,相比较而言,它的特征抽取过程要简单得多。但是,BP算法还存在许多值得探讨的地方,如收敛速度慢和容易陷入局部极小等问题。为改进BP算法存在的不足,将遗传算法引入其中。遗传算法具有很强的宏观搜索能力,并且简单通用,用它来完成前期搜索能较好地克服BP算法的部分缺点。     

渝、湘、鄂酉水流域方块苗文造字法再探

方块苗文是苗族语言发展史上的重要事件,目前研究者对方块苗文的研究多着眼于宏观方面,虽颇具建树与开拓之功,但缺少微观方面的研究成果。本文结合几十个方块苗文词语进行微观分析,深入探寻酉水流域湘西北方块苗文造字法。     

基于卷积神经网络的农作物图像识别方法研究

为了使计算机视觉技术更好地应用于农业自动化领域,本文采用两种识别方法:一种是使用卷积神经网络算法对图像直接进行识别分类;另一种是先对图像进行预处理及分割,然后提取图像的颜色、纹理、形状和内在低维流形特征等特征参数,使用BP神经网络和Elman神经网络算法对提取的特征参数进行识别。通过对两种图像识别方法识别结果的比较,发...     

基于改进BP神经算法的农产品价格预测模型的构建与实现

为了提高农产品价格预测精度,提出一种改进的 BP 神经网络模型。先通过定性分析得到影响农产品价格波动的因子,然后采用MIV方法选择强影响力的因子作为神经网络输入节点。并采用改进的算法进行学习,寻找最优的BP网络结构。利用改进后的模型,实现了农产品价格的高精度仿真。     

BP神经网络算法改进及应用

针对传统BP神经网络收敛速度慢且容易陷入局部极小值的缺点,通过实验对其进行分析并提出可以提高算法快速性和有效性的改进方法。介绍了BP神经网络的工作原理、基本流程、算法应用领域和在该领域下的优缺点,以及改进方法的具体步骤与改进后的优势。最后通过仿真实验验证了改进算法的有效性。     

提高BP神经网络学习速率的算法研究

BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络。本文针对BP神经网络学习速率低、收敛速度慢的问题进行研究,介绍了标准的BP算法和提高收敛速度的动量因子法和变步长法,对比实验结果明显,旨在为研究BP神经网络学习速率提供参考。     

基于MATLAB的煤粒图像识别

为了提高煤炭企业对煤粒几何尺寸、颜色、形状等特征的分析能力,提出了基于MATLAB的煤粒图像识别系统。系统对煤粒图像进行有效分析,取出图像相关特征向量输入到神经网络中,通过BP神经网络对煤粒的密度级别进行预测。测试结果表明,该方法精确度高,可以大大提高选煤效率,具有广阔的应用空间。     

基于改进BP神经网络的DDoS检测模型研究

分布式拒绝服务(DDoS)攻击是当今最流行的网络攻击之一,对该攻击的检测是当前网络安全研究领域中的难点.文章在系统分析比较国内外DDoS攻击检测理论和方法的基础上,根据DDoS攻击时数据包的特性,运用改进BP神经网络理论和方法建立了DDoS检测模型.该方案所采用的技术,实现简单,代价小,具有很好的实际应用前景.     

基于改进遗传算法的BP神经网络控制器

BP神经网络是一种按误差逆传播算法训练的多层前馈网络,其与遗传算法的结合可以得到一种拥有良好的全局优化搜索和局部时频特性的学习训练途径。针对BP网络的不足,提出了一种基于改进遗传算法的BP神经网络控制器,此方法可以克服基本遗传算法收敛速度慢,容易陷入"早熟"收敛,计算稳定性不好等一系列问题,进一步提高了BP神经网络控制器的性能。最后通过对轧制力模型的预报仿真,证明了控制器的有效性。     

基于动量BP算法的神经网络房价预测研究

房地产价格近年来持续上涨,对于房价趋势的预测成为经济社会热点,但这些预测大都停留在定性分析阶段。从定量分析的角度入手,提出利用加入动量因子的BP神经网络算法建立数学模型,运用Matlab仿真实现房价预测。详细分析了BP神经网络学习算法过程,并加入动量因子以加快收敛、避免陷入局部最优。以山东济南为例,分析得出影响房价的7大主要因素,搜集2000-2012年数据,运用Matlab建立单隐含层的BP神经网络,通过训练网络,预测2014年该市房产均价。实验结果表明,该方法能在有限的数据条件下,对房价预测精准度达99.1%,为我国房地产业的可持续发展提供了科学的咨询和决策手段。     

一种BP神经网络改进算法研究

针对经典的BP神经网络算法收敛速度慢,无法跳出局部极小值点等问题,提出加入动量因子α调节连接权值的方法。实例验证表明,该方法可使连接权值变化平缓,提高了收敛速度。     

基于高阶神经网络的遥感图像分类识别研究

BP网络的分类方法被广泛应用于遥感图像分类,但它存在局部最小值、隐含层节点数及训练速度等问题。高阶神经网络从一定意义上克服了这些缺点,取得比较好的分类效果。本文提出了时高阶神经网络算法的改进,将高阶神经网络作进一步扩展,使其特征数的局限减少,并结合自适应方法,使分类细化,且速度不会影响太大。本文简单介绍了BP网络和高阶神经网络各自的特点;详细描述了改进后的算法,提出对原有的学习方法速度的提高办法;最后分析了应用此算法识别图像的优势和灵活性。     

基于卷积神经网络的商品图像识别系统设计

随着在线购物、自助结算等新零售商业模式的发展,运营终端对商品智能识别和结算的需求越来越高.人工智能在突破硬件限制以后得到突破性发展,其所用的卷积神经网络技术能很好地支撑商品图像识别应用.对卷积神经网络的系统架构和模型进行改进,尤其是对耗时较长的训练学习模型进行优化设计.经实际测试:该设计能有效提高商品图像识别系统计算的速度和识别准确性,满足社会在智能化商务运营中高效结算的业务需求.     

BP神经网络改进算法研究

通过分析标准BP算法的原理发现,BP标准算法所形成的误差曲面存在着饱和区域,并且在饱和区域,误差梯度变化缓慢,使得训练次数多、学习效率低、收敛速度慢。通过在标准BP算法中调整激活函数,可以缩小饱和区域,进而减少训练次数。实验结果表明,该方法有效地减少了BP算法的迭代次数。     

预测模型的BP神经网络的实现与改进

提出基于反向传播网络预测模型的设计方法，并针对反向传播网络算法的不足之处给出权重调整BP算法，其方法收敛速度快，预测精度高，抗噪能力强，较好地反映了参数之间复杂的非线性关系，为工业生产中数据分析、数值模拟与科学预测提供了良好方法。     

基于深度神经网络的多模态计算机图像识别

为消除锐化与噪声,提高多种不同类型多模态图像的识别精度,基于深度神经网络构建多模态图像识别模型。所提出的图像识别模型通过缩减原则降低相邻顶点间的相似性,采用相似度计算规则估算相邻两个顶点的相似性,有效提升计算机图像识别效率。为节约图像识别运算的空间,在Spark中引入了GraphX的GXDSGC。将提出的方法应用于实际的多模态图像识别中,结果表明所提出的识别算法无须占用大量的硬盘I/O资源,所耗费时间明显缩短,且GXDSGC算法比Hadoop中基于MapReduce框架的算法快30倍以上,显著提高了大数据分析中计算机图像识别的效率。     

基于改进BP神经网络的网络入侵检测研究

随着互联网的快速发展,网络安全问题日益突出,入侵检测方法研究变得愈发重要.为提高网络入侵检测能力,首先对传统BP算法进行优化,然后对KDD99数据集进行了数据的预处理和特征选择,设计了优化的BP神经网络模型,最后进行了仿真实验.结果表明:相较于传统BP算法模型准确率提高了12.12%,达到96.64%,误检率降低至3.65%,模型的收敛性和稳定性都有所提高,达到了预期效果.     

基于神经网络的无人机拍摄图像识别

针对无人机(unmanned aerial vehicle,UAV)拍摄图像识别准确率不高,以及由于图像数量庞大导致的时间长、效率低等问题,本文将基于神经网络的图像识别技术应用于无人机拍摄中。以拍摄的各类桥梁图像为例,将图片分别作出标注,分成实验所需的训练集和测试集。在TensorFlow网络框架上对VGG16进行改进,并运用全卷积层代替全连接层,对图像进行准确分类;同时在生成候选区域时提出一种网格聚类筛选法用于提取图片特征。研究结果表明,采用本文算法可使图像的分类准确率达到90%,且运行速度也有很大的提升,缩短了将近一半。该研究为无人机拍摄影像的识别提供了良好的应用前景。     

BP神经网络计算法及其应用研究

研究了BP神经网络的算法,提出了权值、阈值调整的双动量算法和学习率调整的批处理半恢复自适应调整法,使网络总体收敛性较好,用所设软件计算了15种含氢原子共价键的键长。     

基于BP神经网络的心电图三分类

研究了一种基于神经网络的心电图分类方法,该方法利用前向多层神经网络的反向传播算法(Back Propagation),即BP算法,采用MATLAB软件建立用于三分类的BP神经网络,并利用大量的心电图数据训练神经网络,使神经网络对未训练过的心电图有较好的分类能力。实验结果表明,用这种方法用于心电图的三分类取得较好的效果。