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。     

利用汉明距离优选神经网络学习样本

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。     

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     

基于边缘区域不变矩的缺损扩展目标识别方法

 该方法提出以基于边缘区域的局部不变矩作为识别特征,结合多神经网络实现对缺损扩展目标的有效识别。讨论了离散情况下基于边缘区域局部不变矩的平移、旋转和尺度不变性。在此基础上,建立目标多个处理区域的BP人工神经网络,利用各网络分类综合结果提高缺损目标的识别率。实验结果显示该方法能够对缺损扩展目标进行正确识别,特别对于有较大部分缺损的扩展目标识别有明显优势。     

对称旋转不变相干分布式非圆信号二维波达方向估计

在相干分布式非圆信号二维波达方向估计中,利用信号非圆特性可提升估计精度,但现有的低复杂度算法利用泰勒级数近似建立的旋转不变关系会引入额外误差.针对该问题,考虑中心对称的三维立体线阵,提出了一种基于对称旋转不变关系的二维波达方向估计算法.算法首先利用信号非圆特性建立了扩展阵列模型;然后证明了对于任意的中心对称阵列,相干分布源的确定性角信号分布函数矢量具有对称特性,利用此特性在三维立体线阵的三个子阵中分别建立了扩展广义方向矢量的对称旋转不变关系;基于此,通过无须搜索的多项式求根方式分别得到中心方位角和俯仰角估计;最后利用整个阵列广义方向矢量的对称旋转不变关系构造代价函数实现了参数匹配.理论分析和仿真实验表明,相比于现有的低复杂度算法,所提算法避免了泰勒级数近似引入的额外误差,以较小的复杂度代价获得了性能的较大提升.同时,所提算法能够实现三维空间全方位的角度估计.     

用于实时识别三维物体的级联神经网络模型的优化方法

利用级联神经网络模型对多个三维目标进行识别 ,为提高其正确识别率 ,提出多种优化方法 ,它们可单独使用 ,也可以联合使用。对不变性编码、算法、互连权重的二值化方法、样本优选等进行了研究和探讨。利用优化后的模型对三个飞机模型在视场内的任意位置、任意取向 (面内旋转 36 0° ,面外旋转大于 45°)的投影进行识别。计算机模拟表明正确识别率达到 96 %以上。     

大尺度混合畸变的目标识别技术

为解决目标识别技术中混合畸变目标的识别难题,提出了一种面积极坐标变换算法.该算法利用相似图形尺寸与面积的满射函数关系和极坐标变换的旋转不变特性,对目标与模板同时进行面积变换和极坐标变换.将面积极坐标变换算法与基于形态学膨胀的边缘加粗处理算法相结合应用于光电混合联合变换相关器,实现了大尺度混合畸变目标的识别.以空中飞机为例,光学相关实验表明,该方法可显著提高混合畸变目标的相关峰强度,旋转畸变容差为0°~100°,比例畸变容差为100%~200%,具有较大尺度的混合畸变容差,扩大了识别范围.其混合畸变识别能力优于极坐标对数变换算法与综合鉴别函数法其衍生方法,其"时间复杂度"远小于综合鉴别函数及其衍生方法.     

二元综合鉴别函数的神经网络优化

根据Ｈｏｐｆｉｅｌｄ神经网络的优化功能，对综合鉴别函数进行二元优化，使相关输出具有期的望的形状及峰值大小，从而实现旋转不变识别，并定义了一个判别依据－判别比，计算机模拟的结果表明，目标物体通过优化的二元滤波器后，不仅具有期望输出，而且判别经要比伪目标物体至少大一个量级。     

一种用于旋转不变分类识别的线性判别函数

提出利用线性判别函数，ｄ（ｘ）＝Ｗ＇ｘ，对轰炸机和战斗机两类目标进行旋转不变识别。每一目标有７２个旋转模式，其中９个为训练样本，６３个为测试样本，在每个目标的训练样本中随机取一个相减作为线性判别函数的系数（Ｗｉｊ）的初始值，然后利用误判的训练样本优化判别函数的权值以提高函数的正确识别率。为便于光电实现，线性判别函数的权值系数只有２、１、０、－１、－２五个值。计算机模拟表明利用此判别函数进行分类的正     

基于心音窗函数的心音图形化处理方法的研究

心音分析与识别目前主要局限在一维信号处理方面, 为了获得心音信号更直观特征表现形式, 提高分类识别效果, 拓展心音识别研究领域, 提出了一种将心音与图像处理技术相结合、基于心音窗函数的心音纹理图特征提取与识别算法. 本文首先给出心音的模型, 定义心音时频图和心音纹理图, 然后讨论如何利用心音窗函数和短时傅里叶变换获取二维心音时频图, 并且针对心音的特点, 重点研究了心音窗函数的构造原则和实现方法, 最后通过改进的脉冲耦合神经网络模型实现了对心音纹理图的特征提取与身份识别. 仿真实验表明, 心音窗函数与传统窗函数相比较, 所获得的心音时频图具有第一、第二心音纹理更加清晰, 噪声纹理得到较好抑制的优点, 并且改进的脉冲耦合神经网络模型具有更低的计算成本, 与3种典型识别方法相比较, 呈现更高的识别率, 因而基于图像处理技术对心音进行特征提取与身份识别是一种行之有效的方法.     

拉曼光谱结合LSTM长短期记忆网络的樱桃产地鉴别研究

现在樱桃市场上存在着大量以次充好的不良现象,严重损害了名牌樱桃的品牌经济效益,所以亟需一种能对不同产地樱桃实现快速无损鉴别的技术。拉曼光谱溯源技术作为光谱溯源技术的一种,由于具有快速、高效、无污染、无损分析等优点,逐渐得到相关研究者的重视。长短期记忆（LSTM）网络是一种具有记忆性的反馈神经网络,它是循环神经网络的一种变体。LSTM网络克服了循环神经网络中梯度消失的缺点,适合处理序列敏感的问题和任务,目前被广泛应用在语音识别、图像识别和手写识别等领域,但LSTM网络在产地溯源方面的应用还有待研究。基于此,提出了一种LSTM网络与拉曼光谱技术结合的能对不同产地樱桃实现快速无损鉴别的技术。将来自美国、山东和四川的369个樱桃作为研究样本,用拉曼光谱仪在785 nm激光下获得了不同产地樱桃的光谱数据。并且以每条经过基线校正后的拉曼光谱数据作为网络输入数据,基于LSTM网络构建了能对不同产地樱桃实现快速鉴别的判别模型,并且以样本判别准确率A、样本精确率P、样本召回率R和样本F值作为评价指标,探究了不同预处理方法对LSTM网络判别模型性能的影响。结果表明：当样本训练集和测试集的比例为85∶38时,直接采用原始拉曼光谱数据的LSTM网络模型的产地鉴别能力不高,鉴别准确率为79.87%。但当使用预处理过后的拉曼光谱数据,模型的鉴别准确率维持在92%以上。并且光谱经过SG+MSC预处理后模型的鉴别准确度最好,鉴别准确率达99.12%。同时在采用SG+MSC预处理的方法下,LSTM网络鉴别模型的精确率、召回率、F值均较高,表明了所提出的LSTM网络模型有较好的性能可实现对不同产地樱桃的鉴别,为樱桃的产地溯源提供了一种新的思路。     

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。     

Phoneme discrimination using connectionist networks

The application of connectionist networks to speech recognition is assessed using a set of eight representative phonetic discrimination problems chose with respect to a theory of phonetics. A connectionist network model called the temporal flow model (TFM) is defined which represents temporal relationships using delay links and permits general patterns of connectivity. It is argued that the model has properties appropriate for time varying signals such as speech. Networks are trained using gradient descent methods of iterative nonlinear optimization to reduce the mean-squared error between the actual and the desired response of the output units. Separate network solutions are demonstrated for all eight phonetic discrimination problems for one male speaker. The network solutions are analyzed carefully and are shown in every case to make use of known acoustic phonetic cues. The network solutions vary in the degree to which they make use of context-dependent cues to achieve phoneme recognition. The network solutions were tested on data not used for training and achieved an average accuracy of 99.5%. It is concluded that acoustic phonetic speech recognition can be accomplished using connectionist networks.     

Symmetry-adapted graph neural networks for constructing molecular dynamics force fields

Molecular dynamics is a powerful simulation tool to explore material properties. Most realistic material systems are too large to be simulated using first-principles molecular dynamics. Classical molecular dynamics has a lower computational cost but requires accurate force fields to achieve chemical accuracy. In this work, we develop a symmetry-adapted graph neural network framework called the molecular dynamics graph neural network(MDGNN) to construct force fields automatically for molecular dynamics simulations for both molecules and crystals. This architecture consistently preserves translation, rotation, and permutation invariance in the simulations. We also propose a new feature engineering method that includes high-order terms of interatomic distances and demonstrate that the MDGNN accurately reproduces the results of both classical and first-principles molecular dynamics. In addition, we demonstrate that force fields constructed by the proposed model have good transferability.The MDGNN is thus an efficient and promising option for performing molecular dynamics simulations of large-scale systems with high accuracy.     

基于枸杞红外光谱人工神经网络的产地鉴别

应用红外光谱技术,快速鉴别枸杞药材产地。利用傅里叶变换红外光谱, 测定了45个来自青海省不同产地的枸杞样品的红外光谱。以常规预处理方法和小波变换对红外光谱原始数据进行了预处理。对比常用的窗口移动平滑预处理、标准正态变换以及多元散射校正, 小波变换是一种有效实用的光谱预处理方法。为了提高神经网络的训练速度, 在利用人工神经网络建立模型之前, 通过小波变换的方法对光谱变量进行了压缩, 同时对建立的模型的相关参数进行了详细的讨论。结果表明,红外光谱数据压缩到原来的1/8,其分析精度与原始光谱数据基本相当。以压缩了的光谱数据作为反向传播(BP)网络的输入变量,产地类别作为神经网络的输出变量,建立3层人工神经网络。其中隐含层神经元个数为5个,输出层神经元个数为1个。隐层的传递函数是tansig,输出层传递函数是purelin,网络训练函数trainlm,权阈值的学习函数是learngdm。net.trainParam.epochs=1 000,net.trainParam.goal=0.001。对10个未知枸杞产地类别进行了预测,预测结果准确率达100%。实验表明, 建立的模型能够正确地对枸杞样品快速地进行产地鉴别。红外光谱法结合人工神经网络可作为中药材产地分类鉴别的一种新的现代化方法。     

A New Method for Rotation and Brightness Invariant Pattern Recognition Based on Modified Multiple Circular Harmonic Expansions

A new method for rotation and brightness invariant pattern recognition was proposed by applying multiple circular harmonic expansions to the joint transform correlator. The amplitudes of the multiple orders of circular harmonic expansions made from a detecting image were synthetically modified to respond to the same auto-correlation peaks. These modified circular harmonic expansions were arranged in the input plane as reference patterns together with an arbitrary target pattern, and the correlation signals between them were calculated in the subtracted joint transform correlator. The fraction of the correlation-peak intensities between the target and the references were extracted as a new discrimination parameter. This new parameter performs pattern recognition under rotation and brightness invariance with good discriminability. Its high discriminability has been proved in computer simulations using the face image patterns of many individuals.     

相位特征在三维物体识别中的应用

提出利用物体的相位特征联合神经网络的方法对透明半透明三维物体进行识别.首先利用波长扫描数字全息技术和数字再现技术提取物体的相位特征，然后将物体的这些相位特征作为学习模式训练一个BP神经网络，最后利用训练好的网络对三维物体进行识别.实验表明，对于具有小尺度变化的透明半透明三维物体识别，该方法的正确识别率为100%. 关键词： 相位特征 波长扫描技术 数字全息 BP神经网络     

应用可见-近红外光谱技术快速无损鉴别婴幼儿奶粉品种

为了快速无损鉴别婴幼儿奶粉品种,提出了结合偏最小二乘(PLS)法和人工神经网络(ANN)综合预测婴幼儿奶粉品种的新方法。获取婴幼儿奶粉样本在400～1 000 nm波段的漫反射光谱,采取平均平滑法和多元散射校正(MSC)进行预处理,用PLS建立校正模型进行模式特征分析及主成分的提取。经过交互验证法判别,提取7个主成分作为神经网络的输入变量,奶粉的品种值作为输出,建立了三层BP神经网络。9个典型品种的婴幼儿奶粉各取样本30个,共计270个作为训练集。随机抽取的各个品种的10个样本,共90个作为预测检验样本,结果表明,90个未知样本的品种预测准确率为100％。说明提出的方法具有很好的分类和鉴别作用,为婴幼儿奶粉的品种快速无损鉴别提供了一种新方法。