基于支持向量机的肤色滤波器

为了探测图像中的肤色像素,提出了一种新的方法-支持向量机（SVM：Support Vector Machine）方法.它是一种基于肤色的非特定人的面部定位方法,是非接触人机交互技术和机器视觉中的一个重要内容.实验结果表明,采用支持向量机方法较传统人工神经网络方法不仅有更高的探测准确性,而且具有更好的推广性能.由于SVM采用结构风险最小化（SRM：Structural Risk Minimization）准则,在最小化训练误差（经验风险）的同时,尽量缩小模型预测误差的上界,从而使模型有更好的泛化能力.     

人工神经网络-分光光度法同时测定废水中的金和钯

贵金属金和钯都能与新试剂5-（2-羟基-3,5-二甲基苯偶氮）罗丹宁（HD—PAR）形成稳定的红色络合物,由于二者吸收峰严重重叠,采用化学计量学中的人工神经网络方法实现了金和钯的同时测定,方法可用于废水中金和钯的同时测定。     

基于人工神经网络的声子晶体逆向设计

声子晶体是一种人工周期性复合材料, 其带隙特性使其在减振、隔声、滤波和声学功能器件等领域具有潜在的应用价值. 如何准确操纵声波和机械波是声子晶体设计的主要挑战. 现有设计方法是基于对结构几何参数与材料参数的分析调整使其匹配特定的应用特性, 设计效率不高且无法达到最佳性能. 为此, 本文以一维层状声子晶体为例, 提出了一种基于Softmax逻辑回归和多任务学习的人工神经网络声子晶体逆向设计方法, 其中, Softmax逻辑回归实现分层结构各区域材料种类的选择, 通过多任务学习确定各区域材料的分布, 从而, 将声子晶体逆向设计问题转化为对单位胞元拓扑结构多组分材料的分类问题. 首先, 随机生成大量声子晶体拓扑结构样本; 然后, 采用有限元法进行并行计算得到所有样本的带隙分布; 接着, 通过神经网络建立带隙分布和拓扑结构之间的映射关系; 最后, 利用训练好的神经网络设计具有目标带隙特性的声子晶体, 即以目标带隙作为神经网络的输入, 网络将直接输出对应的声子晶体单元胞元拓扑结构. 算例表明本方法可根据应用需求快速高效地得到具有目标带隙的一维声子晶体. 该方法为声子晶体的逆向设计提供了一种新颖思路.      

有机环境污染物紫外光谱检索的神经网络方法

详细讨论了网络优化参数、模拟的测量过程中噪声及杂质对网络收敛性能及预测误差的影响。为加速网络收敛,提高紫外光谱检索的正确率,采用了导数光谱对反向传播的人工神经网络(BP-ANN)进行训练和检索,该方法对检索光谱中噪声、杂质,尤其是斜坡背景的允许程度明显提高。文章还将ANN方法与普通的相关系数法的识别结果进行了比较。结果表明,优化参数下的人工神经网络的库检索法在抗噪、容杂等方面都明显地优于普通的相关系数法,是一种很有效的紫外库检索方法。     

基于DIGNET网络的数据融合方法

针对数据融合和目标识别的特点,提出了基于DIGNET自组织聚类人工神经网络的数据融合方法。考虑到多传感器系统测量多个参量的特点,用并行的子网络结构代替中间隐层,实现了基于决策层的信息融合目标识别。利用仿真数据对基于DIGNET的数据融合方法进行了实验研究。实验结果表明,该方法具有数据正确分类率高和抗噪能力强等优点,有效地实现了融合识别。将该方法应用于前视红外和可见光双传感器目标跟踪系统的数据融合识别是可行的。     

基于人工神经网络的移动可见光通信接收机研究北大核心CSCD

当前室内可见光通信系统大多考虑接收机静止的情况,无法适用于日益增多的移动设备。为了解决可见光通信系统中移动接收机的解调问题,提出了基于人工神经网络的可见光通信移动接收机方案。以广泛应用的二进制振幅键控调制技术为基础,推导出可见光通信移动场景的检测方法和解调阈值;通过动态时间规整技术提取光强度序列的距离特征,利用遗传算法对特征集进行优化,选择高显著性的少量特征子集;将特征子集送入人工神经网络进行训练,对二进制振幅键控解调阈值进行预测。实验结果显示,方案有效降低了移动场景下可见光通信系统的误码率。     

人工神经网络研究进展及其在光谱分析中的应用

介绍最常用的人工神经网络——BP神经网络的原理、结构及其研究进展,评述了人工神经网络在光谱分析中的应用。     

应用人工神经网络鉴定高效液相色谱峰纯度

首次应用人工神经网络（ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ,简称ＡＮＮ）鉴定色谱峰纯度,根据判定指标,采用改良反向传播算法对系统进行描述和预报,结果正确,收敛较快,具有一定的理论和实用价值。     

基于人工神经网络的茶叶咖啡因提取条件的优化

研究了浸提时间、液料比、溶剂酸碱度和浸提温度对提取效果的影响。在单因素试验的基础上对提取咖啡因的工艺条件进行了优化,优化结果显示,浸提温度在咖啡因的提取过程中影响最为显著,其次是提取时间、pH值和液料比,各因素较优的水平为浸提温度80℃,浸提时间90 min,液料比为30∶1,pH=7,并对正交实验数据分别作多元一次和二次回归,得到相应的回归方程。最后以正交实验为基础建立了人工神经网络优化模型,该模型的优化结果为浸提温度100℃,浸提时间115 min,液料比为41∶1,pH=4.5。实验证明,人工神经网络得出的结果优于正交实验,二者结果的差异在于多因素之间的交互作用。     

人工神经网络用于有机磷酸酯类化合物的定量结构色谱保留相关研究

采用误差反传前向人工神经网络(ANN),研究了35种有机磷酸酯类化合物在3种不同极性固定相上的结构与其色谱保留(QSRR)之间的定量关系。以其分子电性距离矢量(或分子拓扑指数)作为输入、色谱保留值作为输出,采用内外双重验证的办法分析和检验所得模型的稳定性和外推能力。结果表明,ANN模型获得了比多元线性回归(MLR)模型更好的拟合效果。使用MLR模型时QSRR模型相关性受色谱固定相极性的影响,而采用ANN模型无此现象。同时,ANN模型解决了QSRR中预测维数为1时耗时较长的问题。通过ANN建模可以同时预测3种不同极性固定相上的色谱保留值,可大大缩短建模和预测所需的时间。