一种基于小波的图像模糊熵阈值分割算法

提出了一种新的有效的图像阈值分割算法.本算法将小波理论,模糊集理论和信息论三者有机的结合起来.算法采用目标类与背景类最大模糊熵准则,并针对现有的模糊熵分割算法中存在的阈值选取计算效率低的缺陷,重新定义了新的模糊隶属度函数与模糊熵,并且根据小波理论的多尺度分辨的思想,对该算法进行了优化,提高了阈值选取的寻优速度.通过与各种经典算法比较,证实该文算法的可行性,具有很好的鲁棒性.     

基于模糊—神经网络混合系统的图象分割方法

本文提出了一种基于模糊－神经网络混合系统的图象分割方法。它可以利用人的经验知识和神经人样本数据中学习知识的能力，得到性能良好的模糊规则，并且可以通过神经网络结构实现模糊推理。     

边界模糊图像的径向基函数神经网络分割方法研究

边界模糊图像不同区域之间没有明确的分界,用传统的图像分割方法难以得到很好的分割结果。本文研究了径向基函数网络的工作实质及其用于图像分割的机理,分析了径向基函数神经网络的特点,针对边界模糊图像,应用不同结构的径向基函数神经网络对其进行图像分割,验证了径向基函数网络用于图像分割的有效性以及算法速度上的优越性。     

基于模糊--神经网络混合系统的图象分割方法

本文提出了一种基于模糊-神经网络混合系统(FNNHS)的图象分割方法。它可以利用人的经验知识和神经网络从样本数据中学习知识的能力,得到性能良好的模糊规则,并且可以通过神经网络结构实现模糊推理。分割过程由基于区域生长的预分割和基于FNNHS的区域合并两步构成。实验表明,该方法用于复杂图象分割具有很好的效果。     

基于分形和神经网络理论的多尺度图象分割方法

特征空间聚类分割方法的关键问题是有效的特征参数提取和聚类方法的构造，针对这两个问题。本文采用小波变换的多尺度分析方法提取图象的多尺度分形维数作为分割特征参数，用Ｋｏｈｏｎｅｎ自组织特征映射实现特征空间聚类，获得了良好的分割效果。     

一种新的模糊熵图象分割方法

图象阈值分割技术在图象分析和图象识别中具有重要的意义。本文将模糊子集理论中的模糊熵概念引入到阈值分割技术中去，在图象的模糊特征平面上采用最大熵原则确定分割阈值。实验结果表明了该方法的有效性。     

基于分形和神经网络理论的多尺度图象分割方法

特征空间聚类分割方法存在的关键问题是有效的特征参数提取和聚类方法的构造。针对这两个问题,本文采用小波变换的多尺度分析方法提取图象的多尺度分形维数作为分割特征参数,用Kohonen自组织特征映射实现特征空间聚类,获得了良好的分割效果。     

基于局部模糊熵与Otsu的图像阈值分割

传统的图像阈值分割方法对噪声和灰度不均匀敏感,且阈值的确定主要依赖于灰度直方图,未考虑图像中像素的空间信息。通过对含噪声图像像素属性的深入分析,提出了一种基于局部模糊熵和Otsu的图像阈值分割方法。局部模糊熵的滤波作用提高了算法的抗噪性,Otsu的自动阈值选取则提高了算法的可靠性。实验结果表明,该方法能自动、有效地选取阈值,分割效果优于传统的阈值分割方法。     

基于多阈值Otsu准则的阈值分割快速计算

针对传统多阈值Otsu方法在寻找最佳阈值过程中穷举计算效率低的问题,该文分析了多阈值Otsu的阈值性质,证明了使用Otsu方法找到的一组最佳阈值与分割出的各类均值之间的数学对应关系。根据多阈值Otsu的阈值性质,该文提出一个新算法用来快速计算所需最佳阈值,建立了一种新的阈值搜索模型。该算法搜寻满足Otsu多阈值与以此阈值分割出的各类均值之间关系的一组最优阈值,从而确定符合Otsu准则的最佳阈值。该算法有效减少了阈值搜索范围,并且在均值、方差等计算上引入了查找表,优化了底层运算。实验结果表明,与传统多阈值Otsu方法相比,该算法的分割速度大幅度提高,相比于其他多阈值Otsu快速算法,不仅在计算速度上有所提升,而且得到的最佳阈值克服了随机性和偶然性的缺点,是严格符合Otsu原则的。     

一种模糊神经网络智能控制器及其应用

本文提出了一种模拟推理神经网络模型，并用于实现模糊控制，在此基础上提出了基于模糊神经网络的自组织控制器和有效的快速Ｋａｌｍａｎ学习算法，经仿真结果和实际温度控制表明，这种新型的自组织控制器性能优于一般Ｆｕｚｚｙ自组织控制器。     

径向基函数神经网络的再学习算法及其应用

为了应用径向基函数神经网络逐步地识别待研究系统,文章针对径向基函数神经网络的再学习算法开展了深入的研究.应用严格的数学推理方法,将径向基函数神经网络的再学习问题转化为矩阵求逆的附加运算.详细给出了径向基函数神经网络再学习算法中增加新训练样本和增加新基函数的数学公式,同时对如何获取新的训练样本进行了研究.     

前馈神经网络的代价函数全局最小值分析

本文首次从理论上给出了三层前馈神经网络代价函数全局最小值的计算公式.这一计算公式在网络训练之前就可根据已知的目标样本和隐层神经元个数来确定网络代价函数的全局最小值.并指出代价函数全局最小值髓隐层神经元个数的增加而单调减小.当隐层神经元个数不小于样本个数时,网络的代价函数全局最小值将等于零.     

带阶梯输出函数的细胞神经网络

本文给出了带阶梯输出函数的细胞神经网络的稳定性定理。利用阶梯输出函数的各“台阶”记忆不同灰度，实现了灰度模式的ＣＮＮ联想记忆。     

一种新型RBF神经网络及其在舰船雷达目标识别中的应用

利用一种新型径向基（Radial Basis Function）神经网络对舰船雷达目标识别进行了探讨，通过从目标的雷达回波中提取特征信息，并进行适当处理来判断目标的类型已成为目标识别的一种重要方法。仿真结果表明，识别精度很高。     

一种新型径向基函数神经网络的非线性系统逼近

讨论了一种新的、正弦型径向基函数(SRBF)神经网络，并用来逼近n堆连续函数。该SRBF所采用的n堆正弦型的基函数是光滑的,并且是致密的。该SRBF网络的权因子是输入的低阶多项式函数。本文给出的一种简单计算程序，显著地降低了网络训练和计算时间。并且由于SRBF的基函数可以非均匀的量化格点为中心。因而降低了网络所需存储的样本数，网络的输出及其一阶导数都是连续的。对于非线性系统。该SRBF网络在系统定义城内的逼近是精确的。并且在存储参数的个数上是最优的。通过实例仿真，证明该方法步骤简单,训练速度快，精度也很理想。     

迟滞非线性系统的神经网络建模

提出了一种利用神经网络对迟滞非线性系统的建模方法。网络分三层结构,隐层神经元的激励函数采用两个移位的Sigmoid函数组成的迟滞环构成,根据非线性系统的特点,给出了网络结构的确定方法。网络的学习算法采用传统的梯度下降学习算法。利用该网络对压电陶瓷迟滞特性进行了建模实验,实验结果证明了该方法的有效性。     

基于递阶粒子群优化径向基函数人工神经网络的光性能监控

为解决差错反向传输神经网络在透明可重构光网络光性能监测中精度不足的问题,提出一种基于优化的径向基函数人工神经网络的光性能监测方案。在该方案中,以信号眼图参数为网络输入,以光信噪比、色散和偏振模色散为网络输出;采用二进制与十进制相结合编码的递阶粒子群方法,用适应度函数引导粒子向小规模和小误差方向运动,进行神经网络的结构与参数自适应优化;分别以不同光信噪比,不同色散和偏振模色散水平仿真信道中传输速率为40 Gb/s差分相移键控仿真信号,进行网络训练和测试,并将测试结果与相同情形下基于差错反向传输法神经网络的光性能监测结果进行比较。结果表明,所提方案在保有人工神经网络方案优点的基础上,有着更好的监测精度。     

前馈神经网络的一种有效学习算法

本文提出了基于混合ＧＮ－ＢＦＧＳ法进行前馈神经网络学习的新算法，该算法结合ＧＮ法与ＢＦＧＳ法的特点，既利用了问题本身的特殊结构，又能取得超线性甚至二次渐近收敛率。与ＢＰ算法相比，这种算法可取得更快和更可靠的学习特性，在学习过程中利用该方法能够区分非零残量和零残量问题的特点，提出了自动调整隐单元数的方法，从而可以保证网络学习与归纳能力，示例系统的结果表明了所提方法的有效性。