基于DSP并行结构的多神经网络集成分类器

介绍一种用于多目标分类的基于DSP的多神经网络集成算法，并结合算法设计了一个基于多DSP并行结构的多目标分类硬件系统．算法主要是运用不同规模和不同初始条件下形成的同种类型的神经网络分类器，把每一个神经网络输出映射为后验概率，然后进行加权平均判决，实验结果表明，目标统计识别率均达92％以上。     

基于Gabor小波纹理特征的目标识别新方法

给出了一种基于Gabor小波纹理特征的目标识别新方法．主要是利用Gabor小波设计了一种多通道小波滤波器。对图像目标直接进行小波变换，用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的图像目标的特征，把获得的小波特征归一化后输入到改进的BP神经网络分类器进行分类识别．最后。进行了一系列的仿真实验，结果表明，这种特征提取方法能有效提取图像目标纹理特征，并且对噪音和形状的变化具有鲁棒性．在应用于目标识别时，神经网络的训练时间减少到lOmin，识别率达到94％．     

基于径向基函数的多目标旋转不变分类及其光电实现

提出利用径向基函数构造广义判别函数及神经网络模型，显示了模式识别与神经网络之间的密切联系.利用此函数和模型实现了多目标的面内(二维旋转)、面外(三维空间旋转)旋转不变识别，计算机模拟表明，对于旋转不变识别这是一个很有效的方法.一个光电混合系统被提出实现此旋转不变识别方法. 关键词：     

神经网络自动目标识别技术述评(二)

论述几种生物激励的神经网络模型，讨论它们在ＡＴＲ问题方面所取得的进展，最后给出本文结论。     

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。     

复合深度神经网络在直升机声目标识别中的研究

针对直升机探测中目标运动过程连续识别的鲁棒性问题,提出了一种基于复合深度神经网络的直升机声学特征提取和识别框架。复合深度神经网络由卷积神经网络和长短时记忆神经网络以并行结构组合,进行直升机声学特征的优化,完成直升机类型识别。针对直升机声信号特性,对卷积神经网络进行了改进,使得该复合深度神经网络在信号短时谱基础上优化声信号特征表征并提取前后帧之间的相关信息,弥补通常声目标识别方法不能充分利用目标信号时间历程信息的缺陷。真实外场实验数据测试结果显示:相较于传统识别方法,该算法显著提升了直升机进入有效探测范围后连续识别的鲁棒性和目标识别正确率。     

基于BP神经网络提高伪装目标识别概率的研究

采用静态迈克尔逊干涉仪对待测目标进行光谱识别,在空间干涉长度不变的条件下,应用BP神经网络算法对混合光谱分离过程进行优化,从而达到提高伪装目标识别概率的目的。由干涉仪及线阵CCD记录视场内所有位置上的光谱信息,构成混合光谱数据集合,以已知材料的标准吸收光谱作为隐含层的规则依据,将BP神经网络应用于混合光谱的分离。实验采用不同距离、不同背景组合的混合光谱作为初始数据,以1.5 m×1.5 m钢板做成四种待测目标,由静态迈克尔逊干涉仪得到混合光谱,BP神经网络算法与传统光谱吸收算法对无伪装目标的识别率都在90%以上,对具有伪装效果的待测目标识别概率分别为75.5%和31.7%,所以采用BP神经网络可有效地提高伪装目标的识别概率。     

细胞神经网络的动力学行为

主要研究了细胞神经网络的动力学行为，通过调节系统的联接权参数来控制网络的动态特性.研究结果表明，网络吸引子的结构可敏感地依赖于某个参数的变化，在很大的参数范围内，细胞神经网络模型具有混沌吸引子. 关键词： 细胞神经网络 动力学 混沌     

神经网络自动化目标识别技术述评（二）

论述几种生物激励的神经网络模型，讨论它们在ATR问题方面所取得的进展，最后给出本文结论。     

基于线性预测倒谱的被动声纳目标特征提取技术

从声纳员的角度出发，被动声纳目标可以被看作为一个发声体，利用线性预测倒谱从声纳目标噪声中分离出目标作为发声体的冲激响应在倒谱域中的表示，提取一组识别特征，设计神经网络分类器，对三类目标进行分类。实测数据验证了基于线性预测倒谱的被动声纳目标特征提取方法是可行的。     

基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著。从传感器信息融合的角度看,神经网络就是一个融合系统。通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求。     

基于神经网络的选区激光熔化残余应力预测

当前对选区激光熔化产生的残余应力预测方法主要为数值模拟,但由于设备、环境、粉末等因素差异性较大,且具有较大不确定性,很难建立符合实际情况的数值模拟模型。利用神经网络在预测多变量、复杂线性信息处理方面能力强的特点,建立适用于预测316L不锈钢粉末选区激光熔化残余应力的模型。使用选区激光熔化技术打印相当数量的不同工艺参数的试样,采用超声波检测其内部残余应力作为神经网络的训练样本,并使用这些样本对神经网络模型进行训练,获得具有预测功能的神经网络,将验证样本的工艺参数输入神经网络,计算出预测的残余应力值,与实际检测值进行对比。实验结果表明,预测值与实际测量值偏差较小,验证了所提方法的有效性。采用神经网络预测残余应力的方法,可以快速确定不同选区激光熔化工艺参数对应的残余应力,避免设置残余应力较高的工艺参数,有效缩短制备高质量工件试样的周期,降低成本。     

衰减全反射红外光谱法快速分类和识别多种食用油的方法

提出了一种衰减全反射红外光谱法快速分类和识别多种食用油的方法——KL-BP模型。此模型利用KL算法对原始光谱数据分类特征进行提取并对原始数据降维,降维后的数据作为神经网络的输入建立分析模型。实验共收集了九种食用油包括芝麻油、玉米油、油菜籽油、调和油、葵花油、花生油、橄榄油、大豆油、茶籽油,共84个样品,并测定了其衰减全反射红外光谱。为了对比所提方法性能,分别建立PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP模型的分类结果进行对比。研究结果表明,对所研究的9种食用油,PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP方法的识别率分别为59.1%,68.2%,77.3%,77.3%和90.9%。在数据降维中,KL算法通过分别提取使类间距离和类内距离比值最大方向的特征向量提取和包含在类内离散度矩阵中的分类信息,能够比PCA方法提取了更多的分类信息;引入BP神经网络能有效地提高分类能力和分类准确率;KL-BP综合了KL对分类信息提取优势以及BP神经网络自学习、自适应、非线性的优点,在分类和识别成分相近的9种食用油中表现出了最优秀的能力。     

基于小波神经网络的光纤陀螺误差补偿方法

为了提高光纤陀螺的测量精度,提出了一种基于小波神经网络的误差补偿方法。首先使用小波分析中的Mallat分解算法提取出陀螺信号中的主趋势项,对其误差余项进行重构。然后将重构信号作为小波神经网络的目标输出,将原始陀螺信号作为训练样本。为了提高小波神经网络的训练速度同时防止其陷入局部极小值,采用增加动量因子和自适应调整学习速率的方法来改进训练方法。训练后建立的神经网络模型对光纤陀螺误差具有良好的估计能力。结果表明,经过小波神经网络方法补偿后,光纤陀螺的输出精度达到了0. 019 4°/s,光纤陀螺的测量性能得到了提高。     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

Machine learning phase transitions of the three-dimensional Ising universality class

Exploration of the QCD phase diagram and critical point is one of the main goals in current relativistic heavy-ion collisions. The QCD critical point is expected to belong to a three-dimensional (3D) Ising universality class. Machine learning techniques are found to be powerful in distinguishing different phases of matter and provide a new way to study the phase diagram. We investigate phase transitions in the 3D cubic Ising model using supervised learning methods. It is found that a 3D convolutional neural network can be trained to effectively predict physical quantities in different spin configurations. With a uniform neural network architecture, it can encode phases of matter and identify both second- and first-order phase transitions. The important features that discriminate different phases in the classification processes are investigated. These findings can help study and understand QCD phase transitions in relativistic heavy-ion collisions.     

Noise reduction for lidar returns using self-adaptive wavelet neural network

Lidar has been widely applied in many fields, such as meteorology and environment. However, because lidar returns are very weak, the influence of noise on useful signal is very serious. To obtain useful lidar return signals from raw data, a self-adaptive method combining wavelet analysis and a neural network that suppresses noise is proposed, in which the orthogonal Daubechies wavelet family serves as node functions in the hidden layer of the neural network, a search algorithm is selected to optimize the parameters and thresholds, and the Levenberg–Marquardt algorithm is adopted in the neural network gradient algorithm. Some comparative experiments were carried out to verify the feasibility of the noise reduction method and the results showed that the signal-to-noise ratio (SNR) of the common wavelet threshold denoising method is about 10, while that of the self-adaptive wavelet neural network denoising method is more than 20. From the experimental results, it can be seen that the wavelet neural network denoising method has less distortion and a higher SNR value than other methods, giving it superior performance.