图样间联想光学神经网络模型存贮分析及两层异联想识别模型的构造

本文详细讨论了图样间联想网络的最大存贮容量,给出了实现图样间异联想的两个充分条件.在此基础上,利用改进的图样间异联想算法构造了两层异联想模型(THA)用于图样识别,网络判辨率与恢复率较图样间自联想识别均有很大提高;且其互连权矩阵更加简单稀疏并可平面化,光学实现更为简便.     

一种用于多目标旋转不变分类识别的神经网络模型及算法

提出了一种适于光学实现的神经网络模型和算法，通过对３种飞行器平面内旋转投影较的识别，证明了该方法具有对多目标转动不变的模式识别能力。     

基于联想存储级联WTA模型的旋转不变识别

提出一种多目标旋转不变分类识别的新方法，其基本思想是多对一导联想存储模型，为便于光学实现、充分利用系统的时间、空间带宽积，采用了全单极形成，并对权重进行了二值化截取。一个分布阈值用来克服单极联想存储模型０，１状态分布几率不等时存储空量急剧下降的缺点，同时通过巧妙地选取目标所对应的异联想码将异联想模型和ＷＴＡ模型有机地结合起来，提高了整个系统的存储容量和容错性。本文给出了计算机仿真模拟及一个光电混合     

洗牌型光电混合神经网络实验系统

在研究洗牌网局部互连光学实现问题的基础上 ,采用洗牌型图样间联想模型建立了具有完整的加权互连、求和、非线性处理及反馈功能的光电混合神经网络实验系统 ,进行了 8× 8数字样本的光学联想识别。实验结果证实了洗牌网理论的可行性和洗牌型图样间联想模型光学实现的优越性     

多值神经网络改进模型及其光学实现

本文提出一种改进的光学神经网络模型,并利用空间光调制器PROM构成的光学系统实现了这种模型的联想记忆运算.计算机模拟和实验结果表明,改进模型提高了光学神经网络的识别能力,并在—定程度上提高了存贮容量.     

基于矢量量化及Hopfield模型的灰度级图像识别

提出了一种新的识别灰度级图像的方法，该方法基于矢量量化的基本思想，通过对图像的分割，将灰度级图像映射成神经元仅取少数和几种状态的Ｈｏｐｆｉｅｌｄ神经网络模型，理论和模拟实验证明：这种低状态的ｏｐｆｉｅｌｄ与传统灰度图像识别模型相比，不仅神经元的数目较少，互连密度较低，而且网络具有较好的联想能力。     

洗牌型图样间联想光学神经网络模型

本文将洗牌型神经网络结构和图样间联想神经网络算法相结合,提出了一种洗牌型图样间联想神经网络(PS-IPA)模型。该模型具有极其简单、稀疏的互连权矩阵,十分适于大规模神经网络的光学实现。计算机模拟结果表明洗牌型图样间联想神经网络的稳定性和抑制噪音的能力均优于图样间联想网络IPA.本文还给出了洗牌互连的一般性原则,使网络结构得到优化,增强了洗牌型神经网络的灵活性和适应性。并采用3-洗牌和2-洗牌结合的PS-IPA对汽车牌照的字符进行识别,得到了较好的结果。     

利用汉明距离优神经网络学习样本

鉴于学习样本对神经网络模型的模式识别性能有很大的影响。提出学习样本的选择应与识别模型所利用的特性相结合，并利用汉明（Hamming）距离对用于旋转不变识别的级联模型的学习样本进行优选，计算机对三个很相似的飞机模型进行识别，识别结果表明对学习样本进行有效的选择不仅可以减少系统的学习训练时间而且可以提高模型的识别能力     

基于数学形态谱和二维矢量分类网络的模式识别及二维矢量分类网络的…

介绍一种基于数学形态谱和二维矢量分类网络的模式识别体系。数学形态谱相对于图像平移和旋转不变，建立了光学二维矢量分类网络，利用光学逻辑操作和最大值网络的循环操作，得到与输入图像最佳匹配的模式。     

基于数学形态谱和二维矢量分类网络的模式识别及二维矢量分类网络的光学实现

介绍一种基于数学形态谱和二维矢量分类网络的模式识别体系。数学形态谱相对于图像平移和旋转不变。建立了光学二维矢量分类网络，利用光学逻辑操作和最大值网络的循环操作，得到与输入图像最佳匹配的模式。     

支持向量机和神经网络在粗糙面参数反演中的比较

首先介绍支持向量机和神经网络方法及其在内部网络训练上的不同.分别利用支持向量机和神经网络对高斯粗糙面的均方根高度和相关长度进行反演.通过仿真结果和误差对比分析,发现在小样本情况下,支持向量机的反演结果比神经网络好,而在具有大量样本的情况下,神经网络的反演精度有显著提高,而且反演时间比支持向量机少很多.     

Nondestructive testing of external defects on Nanguo pear

In view of the common pests and diseases and irregularly shaped fruits of Nanguo pear, this paper fused the spectral information and image features to realize the rapid nondestructive testing and recognition of the external defects on Nanguo pear by hyperspectral imaging technology. Backpropagation neural network and support vector machine model was established to identify external defects, which are commonly used in classification and pattern recognition. The testing results show that recognition effect of support vector machine is better than backpropagation neural network. Among them, the recognition accuracy of fruits damaged by insects and rotten fruits of Nanguo pears reaches 100%. This study provides a theoretical basis for developing online grading system and quality detection of Nanguo pear based on multispectral imaging technique.     

基于邻域粗糙集和并行神经网络的故障诊断

针对目前使用神经网络诊断故障时出现的输入向量选择困难、网络结构复杂、对并发故障诊断效果不好等问题,提出了基于邻域粗糙集和并行神经网络的故障诊断方法。先利用邻域粗糙集对初始征兆进行约简,留下有价值的征兆作为神经网络的输入向量,然后针对每种故障类型设计一个神经网络。用多个训练好的神经网络来并行诊断故障,综合每个神经网络的结果给出最终的诊断结论。用转子实验台的实验数据对这种故障诊断方法进行验证,结果显示该方法能优化神经网络结构,且神经网络具有训练速度快、诊断正确率高的特点。     

Gradient-based PIV using neural networks

This paper proposes a new gradient-based PIV using an artificial neural network for acquiring the characteristics of a two-dimensional flow field. The neural network can effectively realize an accurate approximation of the vector field by introducing some knowledge on the characteristic property. The neural network is trained by using spatial and temporal image gradients so that the basic equation of the gradient-based method is satisfied. Since the neural network itself learns the stream function, the continuity equation of flow is consequently satisfied in the measured velocity vector field. The new gradient-based PIV can be applied to even partly lacking visualized images.     

A statistical geoacoustic inversion scheme based on a modified radial basis functions neural network

This paper addresses the task of recovering the geoacoustic parameters of a shallow-water environment using measurements of the acoustic field due to a known source and a neural network based inversion process. First, a novel efficient "observable" of the acoustic signal is proposed, which represents the signal in accordance with the recoverable parameters. Motivated by recent studies in non-Gaussian statistical theory, the observable is defined as a set of estimated model parameters of the alpha-stable distributions, which fit the marginal statistics of the wavelet subband coefficients, obtained after the transformation of the original signal via a one-dimensional wavelet decomposition. Following the modeling process to extract the observables as features, a radial basis functions neural network is employed to approximate the vector function that takes as input the observables and gives as output the corresponding set of environmental parameters. The performance of the proposed approach in recovering the sound speed and density in the substrate of a typical shallow-water environment is evaluated using a database of synthetic acoustic signals, generated by means of a normal-mode acoustic propagation algorithm.     

参数不确定量子细胞神经网络与Lorenz超混沌系统的函数投影同步研究

研究了具有不确定参数的量子细胞神经网络系统与Lorenz超混沌系统的函数投影同步.设计了自适应追踪控制器来实现两个不同系统渐进同步到已知的比例函数,并运用Lyapunov稳定性方法进行了证明.理论分析了量子细胞神经网络系统不确定参数的系数向量线性无关性,实现了不确定参数的识别和估计.数值仿真结果验证了函数投影同步和参数估计的有效性.     

一维局域互联关联存贮的光学实现

本文提出了一维局域互联关联存贮的光学实现方法，讨论了可用来实现局域互联网的三种光电混合系统。基于光电相关系统并用图象监示器编码互联权重矩阵，液晶显示器编码输入矢量，给出了一维光学实验结果。     

混沌光学系统辨识的支持向量机方法

将支持向量机用于混沌光学系统的辨识,以布拉格声光双稳混沌系统为例,通过计算机仿真实验,尝试了用最小二乘支持向量机进行混沌光学系统辨识的可行性,并将其与采用反向传播算法的前向神经网络辨识方法进行了比较。采用最小二乘支持向量机辨识的优点是其训练过程遵循结构风险最小化原则,不易发生过拟合现象;它通过解一组线性方程组可得到全局唯一的最优解;最小二乘支持向量机的拓扑结构在训练结束时自动获得而不需要预先确定。结果表明,本方法的辨识精度和速度均优于基于反向传播算法的前向神经网络,且对含噪混沌光学系统的辨识也同样适用,它可作为混沌光学系统辨识的有力工具。     

基于DBN,SVM和BP神经网络的光谱分类比较

恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值。面对大型巡天计划及由此产生的海量数据,如何迅速准确地将天体自动分类显得尤为重要。通过对SDSS DR9的恒星光谱数据进行深度置信神经网络(DBN)、神经网络和支持向量机(SVM)等算法分类的对比,分析三种自动光谱分类方法在恒星分类上的适用性。首先利用上述三种方法对K,F恒星进行识别分类,然后再分别对K1,K3和K5次型和F2,F5,F9次型识别,最后基于SVM支持向量机的二次分类模型,利用K次型的数据,构建剔除不属于K次型的模型。结果表明:深度置信网络对K,F型恒星分类效果较好,但是对K,F次型的分类效果不佳;SVM支持向量机在K,F型恒星分类以及相应的次型分类都具有较好的识别率,对K,F型分类效果要好于K,F次型的分类效果;BP神经网络对K,F型恒星以及其次型的识别一般;在剔除不属于K次型实验中,剔除率高达100%,可知SVM能够对未知的光谱数据进行筛选与分类。