基于神经网络的玻璃瓶气泡和结石分类研究

研究在线视觉检测玻璃瓶气泡和结石的分类方法.根据检测系统具体的应用环境,实现了线性预分类器和BP神经网络分类器,并通过提取合理的样本特征,参数调整,整体优化了玻璃瓶气泡和结石分类识别过程,同时满足了生产的实时要求和识别的精度.     

基于聚类和多神经网络的中文视频文字识别

通过研究视频汉字识别问题,提出了关于视频中汉字跟踪及分割算法。首先,提取视频样本特征,采用K均值算法进行聚类作为第I次分类,之后,采用多个BP(back propagation)神经网络进一步细分一次分类后的结果作为二次分类。最后,对以上算法进行了实验验证,结果证明这些算法是有效的,多层分类器较单一的BP神经网络分类器识别率更高。     

基于BP神经网络的异常入侵检测方法

提出一种基于BP神经网络的异常入侵检测方法,由于BP神经网络是一种基于误差反向传播算法的多层前馈神经网络,具有对不确定性的学习与适应能力,可以很好的满足入侵检测分类识别的需求.对“KDD Cup 1999 Data”网络连接数据集进行特征选择和标准化处理之后用于训练神经网络并仿真实验,得到了较高的检测率和较低的误报率.仿真实验表明,基于BP神经网络的入侵检测方法是有效的.     

基于随机森林的交通事件检测方法设计与分析(英文)

为了进一步提高决策树模型的交通事件检测性能,且避免噪音和过拟合现象,提出了基于随机森林的交通事件检测方法.从分类强度和相关性2个角度进行分析,并构建了3组实验:与不同数目决策树的对比、与不同决策树的对比及与神经网络的对比.实验数据采用实测的高速公路交通参数数据库(I-880数据库);实验的评价指标采用检测率、误警率、平均检测时间、分类率和ROC曲线下的面积.实验结果表明,基于随机森林的交通事件检测模型可以提高检测率、减少检测时间、提高分类正确率,和多层前馈神经网络相比具有很好的竞争力.     

云环境下基于多层前向神经网络交叉覆盖算法的数据分类

基于云计算技术的神经网络方法研究为大规模数据的分析处理提供了廉价的、高效的解决方案,交叉覆盖算法可以较好地解决多层前向网络分类器的设计问题,弥补BP神经网络的不足.结合MP神经元的几何概念,基于交叉覆盖算法设计神经网络,以Iris数据集为例,基于云计算环境实现了数据分类,为多层前向神经网络在云环境下进行数据分析提供了一种有意义的研究和实践.     

一种基于粗糙集理论的组合分类器构造方法

粗糙集和神经网络作为不确定性计算的两种重要工具,它们具有很强的互补性。在分析了两种理论的特点之后,得出了一种多神经网络分类器的组合方法,新方法根据对数据集进行约简的结果得到多个与数据相关的且相互独立的神经网络分类器,然后根据属性重要性概念将多个分类器组合起来。对比实验证明,该分类器具有较好的分类效果和性能。     

基于神经网络的数字识别技术研究

将图像的像素特征与矩特征结合,构建了神经网络分类器,利用提取的特征向量对分类器进行了训练和测试。将图像二值化,并归一化为16*16大小,提取了其每个像素点的0、1特征共16*16=256维,图像的网格特征13维,及Hu矩特征7维,一共276维特征。建立了BP神经网络分类器,分别使用最速下降BP算法、动量BP算法、学习率可变BP算法对BP神经网络分类器进行了训练,得出了在相同条件下学习率可变BP算法训练时间短,收敛快的结论。建立了PNN神经网络分类器,与BP神经网络分类器性能进行比较,实验结果表明,PNN神经网络分类器性能更好。     

一种被动声纳目标识别特征提取方法的研究

目标噪声特征提取是被动声纳目标识别系统的关键技术。针对被动声纳目标识别,着重研究了一种调制连续谱特征提取方法,并采用自适应遗传BP算法的神经网络分类器对海上实录的三类目标噪声进行了分类识别,实验结果表明该被动声纳目标识别系统具有很好的分类效果。     

基于Logistic回归变量筛选的BP神经网络及应用

BP神经网络是一种使用非线性可导函数作为传递函数的前馈神经网络,具有较高的精确度,但过多的预测变量会影响BP神经网络的准确性。采用Logistic回归变量筛选方法能在一定程度上提高分类准确性,提高模型效率。对2013年沪深两市A股分类评级进行了研究,证明基于Logistic回归变量筛选的神经网络提高了两极类别分类的准确性。     

基于最优加权组合的电信客户流失预测模型设计研究

针对电信客户流失问题,本文设计了一种基于决策树C5.0、BP神经网络及SVM支持向量机三种分类器融合的组合预测模型,利用最优加权组合预测方法来确定各模型的权重值.预测结果表明:组合预测模型的准确率高于传统的单一分类预测模型,构建此模型对解决电信客户流失预测方面的问题具有应用价值.     

基于车流量的信号灯及车道数智能调节系统设计

针对城市道路交通流的不确定性和随机波动性,应用基于BP神经网络算法和韦伯斯特模型来优化城市道路,提高车辆通行效率。利用神经网络算法较高的预测精确度对交通流进行预测,并以此预测结果为基础,提前对导向可变车道进行变换,由此提高了道路的空间利用率;然后依据车道属性改变后的数据,运用改进后的韦伯斯特模型计算信号灯配时参数,并结合当前道路的具体状况来优化红绿灯配时,由此提高了路口的时间利用率。以合肥市某交叉路口交通流量数据对提出的方法进行测试,验证了该方法的有效性。     

融合Elman神经网络与EMD的交通拥堵指数预测

为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。     

基于灰关联分析的神经网络组合预测模型

针对提供的道路交通事故相关影响因子数据,构建了基于关联分析的灰色神经网络组合道路交通事故预测模型。结合实例,用所提出的模型给与了预测。结果表明,基于灰色关联分析神经网络预测模型充分发挥关联选优的优越性,比全输入神经网络预测模型有更好的预测精度,从而说明运用灰色关联分析方法对输入因子选择是有效可行的。基于灰色关联分析的神经网络组合交通事故预测模型充分发挥各单一模型的优点同时弱化了单一模型的缺点,比单一模型的预测结果更理想、精度更高。     

改进蛙跳算法的小波神经网络短时交通流预测

为改进小波神经网络模型对短时交通流的预测效果,提出一种基于改进混合蛙跳算法的短时交通流预测模型用以优化小波神经网络。该算法使用交叉分组法对子群进行划分,再利用具有自适应因子的局部搜索策略平衡混合蛙跳算法局部与全局搜索能力,最后把得到的最优解用于优化小波神经网络模型初始值,并对短时交通流进行预测。实验结果表明,该方法对短时交通流预测精确度达到97.43%,比传统方法提高1.016 1%,均方根误差比传统方法降低了5.587 9%,具有较高的应用价值。     

Faster RCNN的交通场景下行人检测方法

为了提高行人检测的准确性和鲁棒性,针对现有行人检测方法准确率低且实时性不佳等问题,参考目标检测算法中快速区域卷积神经网络Faster RCNN算法,首先采用K-means聚类算法得到合适的宽高比,然后优化区域建议网络（RPN）结构,降低计算量,并通过比较MobileNet、VGG16、ResNet50特征提取网络效果优劣,提出改进Faster RCNN的交通场景下行人检测方法,在Caltech-NEW数据集上进行训练与测试。实验结果表明,该方法大幅提高交通场景下行人检测的实时性和准确性,在测试集上检测准确度达到87.5%,单张图片检测耗时为0.187s,相比现有其它方法,其检测效果更好。     

基于改进型BP网络的入侵检测系统模型研究

指出了传统的基于BP网络的入侵检测的不足之处,提出一种新的BP神经网络的算法,并给出了基于改进型BP神经网络的网络入侵检测系统模型结构;对于新模型的关键技术做了详细的阐述,并且指出新模型的优点．     

改进量子粒子群BP神经网络参数优化及应用

针对现有BP神经网络选取权值和阈值不精确问题,采用改进量子粒子群优化算法优化BP神经网络权值和阈值。首先在改进的量子粒子群优化算法中,采用双层多种群优化策略提高整个种群的寻优能力,然后在每个子群中使用混沌反向学习和Levy飞行增强子群寻优能力,最后利用改进的量子粒子群优化BP神经网络权值和阈值。实验结果表明,改进的量子粒子群优化算法能有效提高BP神经网络的全局寻优能力和收敛性,对数控高速铣削加工的铣削力进行准确预测。     

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。     

基于人工智能的机器人折弯机滑块行程研究

针对金属板料折弯工艺和更高精度的要求,提出基于人工智能神经网络的机器人折弯新技术。对机器人弯折工艺进行特征参数分析及提取,并建立改进算法的BP神经网络模型;比较了不同机器人折弯训练函数下的性能,建立更加有效的神经网络训练函数。通过经验实测值与改进算法的BP神经网络预测值对比,验证了所确定的机器人折弯的改进BP神经网络能够更加精准确定折弯工艺过程中所需的滑块行程,提高了折弯工艺精度。     

一种新的EBPSK通信系统检测器

为了提高扩展的二元相移键控(EBPSK)接收机的检测精度,设计了一种基于改进粒子群算法(IMPSO)和BP神经网络的EBPSK检测器.首先,阐述了EBPSK调制特征及冲击滤波器的特殊滤波机理.然后,提出了基于logistic混沌扰动和Cauchy变异的改进粒子群算法,并利用IMPSO-BP神经网络设计了EBPSK检测器...