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.     

基于肤色模型和神经网络的人脸检测算法

神经网络具有自学习、记忆、计算以及智能处理等能力,本文应用前向型神经网络做分类器,并阐明了神经网络的分类方法和人脸检测过程,以及结合人体肤色模型实现了在不同环境、不同姿态、不同肤色、不同表情等复杂环境下的人脸检测,同时通过对静态检测的扩展实现了实时的人脸检测.实验表明,该方法具有快速,有效等特点.     

基于改进的Boosting算法的高速公路交通事件检测

提出一种基于Boosting BP神经网络的交通事件检测方法.以上下游的流量和占有率作为特征,BP神经网络作为分类器进行交通事件的自动分类与检测.为了进一步提高神经网络的泛化能力,采用一种调整权值分布,限制权重扩张的改进的Boosting方法,分类器以加权投票方式进行分类决策.实验结果表明该交通事件检测算法是有效的.     

基于不变矩和小波神经网络的交通标志识别研究

研究了用于交通标志识别的小波神经网络模型,并描述了相应的算法,给出实验结果。实验结果表明,采用不变矩提取道路交通标志的特征,再利用训练速度快、优化性能好的小波神经网络作为分类器对交通标志识别具有很好的分类能力,对实现交通标志的精度识别提供了有力的支持。与传统的BP神经网络识别方法相比,小波神经网络的训练速度更快和识别率更高,能够满足在车辆自主导航系统中对交通标志识别的要求。     

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。     

智能型入侵检测模型的设计

针对目前大多数入侵检测系统存在的局限性,提出了一种较为完善的入侵检测模型,即将专家系统和神经网络技术同时应用于入侵检测系统中,重点分析了规则的生成.为进一步提高检测性能,提出了遗传算法优化BP(Back Propagation)神经网络,经论证本设计降低了漏报率和误报率.     

基于神经网络的PNN算法在交通标志检测中的应用

交通标志检测技术是实现智能交通系统的关键.查阅诸多文献,文章阐述模式识别的概念,并且给出计算机模式识别的抽象过程.通过对现有交通标志检测框架进行研究,根据交通标志设计之规则,结合概率神经网络,设计了一种基于多层决策树的PNN分类算法模型,并对神经元高斯函数的参数进行改进,最终建立交通标志检测的算法流程.通过实验,对60个交通标志进行晴天、多云以及阴雨三种天气背景下的检测.最后整理实验数据,通过建立图表进行分析和比较,证明该分类器能够实现交通标志检测的功能,达到预期的检测效果.最后,分析了该算法模型还存在的不足之处,也指出了将来研究的方向.     

基于BP网络算法的入侵检测系统

基于入侵检测系统的工作流程,提出了改进的分布式入侵检测系统模型,并简单介绍了主要部分的功能。在此基础上,利用分类器实现网络信息的分类存储和警告。实验结果表明,该系统具有较强的实用性和推广价值。     

入侵检测系统中贝叶斯分类器的改进

针对入侵检测系统在实时检测能力和自适应能力方面的不足,提出了一个改进贝叶斯分类器,通过引入滑动窗口技术改善入侵检测的实时性.通过该性能调节器对贝叶斯分类器中参数的动态设置,实现了入侵检测系统的自适应性,有效地实现了入侵检测的实时性、主动性和自适应性.     

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．     

基于粗糙集-LVQ神经网络的入侵检测模型研究

提出了一种基于粗糙集-LVQ神经网络的入侵检测模型。首先将粗糙集作为前置处理系统对属性进行约简,再根据粗糙集处理后的学习样本集,构建LVQ神经网络结构,实现对入侵进行检测。实验结果表明该方法优于其他同类方法。     

Neural network fault diagnosis method optimization with rough set and genetic algorithms

1 Background1 The fault diagnosis to equipment is to obtain fault patterns from characteristic parameters, and in fact it is the problem of fault characteristic’s classification. However the mapping of characteristic parameters to fault patterns is serio…     

一种融合粗集理论和神经网络的分类数据挖掘算法

分类是一种重要的数据分析技术．可以用于提取描述重要数据类的模型和预测未来的数据趋势。本文提出了一种新的粗集理论和神经网络融合的分类方法。不同以往的组合方法，在该方法中粗集理论是挖掘分类知识的主体，最终的分类规则由粗集方法从约简后的决策表中得到，神经网络只是作为一种辅助工具，用来对决策表进行属性约简，并通过删除网络不能分类的数据来对决策表中的噪声进行过滤。与以往方法相比。该方法在保留神经网络高鲁棒性的同时避免了从神经网络中抽取规则的困难。     

基于RBF神经网络的智能入侵检测系统

对当前入侵检测技术进行了分析并讨论了现有入侵检测系统的不足，论述了神经网络应用于入侵检测中的优势。由于RBF网络具有最佳逼近性质，给出了一种基于RBF神经网络的智能人侵检测系统模型。     

自适应动态入侵检测模型的研究

提出了将模糊控制和神经网络用于入侵检测的新方案．在该模型中神经网络训练模块可以不断地从模糊控制模块中获得攻击数据信息和正常数据信息,并根据这些信息进行自适应调整,更新权值和阈值,使整个智能入侵检测过程完全成为一个在实际应用中动态自适应的过程．实验结果表明．这种方案具有很高的准确检测率,对检测未知攻击具有较好的性能．     

智能型入侵检测系统的研究

针对目前现有的入侵检测系统在识别入侵行为的准确性和对新的攻击行为的检测方面效率不高,适应性和灵活性较差的缺点,项目组将神经网络与入侵检测系统相结合,利用神经网络的自学习、自适应能力解决入侵检测系统的智能化问题,构建了智能型入侵检测系统。该系统具有较高的检测正确率和识别入侵行为的能力。     

粗糙集和神经网络在文本分类中的应用研究

把粗糙集与神经网络结合,应用于文本分类,可以充分发挥两种方法的优势,取长补短,粗糙集理论可以有效地对样本集进行约简,从而简化了神经网络的结构,减少了网络的训练次数,学习速度和分类精度明显提高,并用仿真实验验证了此方法的有效性.     

基于粗糙集与RBF神经网络的农业总产值预测方法

提出了把粗糙集和R BF神经网络相结合应用于农业总产值预测的方法。首先用粗糙集对影响农业总产值的多个因素进行属性约简,选择主要影响因素,去除冗余信息;然后利用RBF神经网络建立预测模型。最后对该模型的预测结果与因子分析神经网络模型的预测结果进行了比较,表明了该模型的有效性和优越性。     

一种新的入侵检测方法

将一种基于聚类算法的RBF(径向基函数)神经网络方法运用于入侵检测中。在这种方法中采用两阶段学习方法,在利用非监督学习算法确定网络隐层中心时,提出一种基于高斯基的距离度量,并联合输入输出聚类的策略。基于F isher可分离率设计高斯基距离量度中的惩罚因子,可以提高聚类的性能。通过构建入侵检测模型,一方面可以加速网络训练速度,另一方面可以提高入侵检测在预测误报漏报中的性能。