基于非显式小波神经网络的通信信号调制识别方法研究

用非显式小波神经网络的组合分类来实现通信信号调制识别，并拟对非稳定、低信噪比的通信信号实现复杂调制类型信号识别，计算机仿真结果证实此方法的可行性。     

周期分类和Single-Pass聚类相结合的话题识别与跟踪方法

针对增量式聚类初始时话题模型不够充分和准确,随处理报道数量增加,误检与漏检的累积效应被放大的问题,提出了周期分类和Single—Pass聚类相结合的话题识别与跟踪方法．首先采用增量式聚类算法进行话题识别与跟踪,当新闻文本每积累到一定程度之后,对已经聚类的报道进行周期分类,使话题簇精度提高,从而提高后续话题识别与跟踪精度．实验表明这种方法是有效的,能够降低漏检率与错检率,减少归一化错误识别代价．     

基于遥感图像的地学信息单元特征提取与识别

为实现对地学信息单元的自动识别和分类,对地学信息单元的几何形状特征的提取及量测方法进行了研究,利用数学形态学方法实现对遥感图像的半自动提取地学信息单元的图形边缘.分别提取图形的面积、周长、面积周长比、形状参数、分形分维数等5个直观易测且具有判别意义的特征参数.利用这5个特征采用判别分析方法实现对地学信息单元的识别分类,并取得了较理想的结果和准确率.     

一种组合径向基函数网络结构的分类方法

介绍了径向基函数网络（简称ＰＢＦ网络）模型，分析了ＲＢＦ网络的分类机理和分类特点，由于该网络层激活函数的有界性，ＲＢＦ网络用于分类时，其分类判决范围也是有界的。针对一船的多层前馈网络分类器不能识别瓣的模式类型的问题，研究了一种将若干个ＲＢＦ网络组合起来的分类方法，该分类器不仅能够对新类型的模式作出有产的拒识，而且还能通过再学习识别新的模式类型，具有增量学习的能力，最后给出一个分类实例。     

不同特征遥感图像在江滩钉螺孳生地监测中的应用

目的　探讨由LandsatETM +遥感图像组成的特征图像在江滩钉螺孳生地监测中的应用。方法　对以LandsatETM +图像组成的 3种特征图像进行非监督分类 ,并通过现场勘察和计算类别间分离度对分类结果进行评价。结果　以ETM的第 2、3、4波段组成的ETM2 34伪彩色复合图像的分类识别效果比较好 ,能有效地将江滩芦苇、梭叶草和杂草滩等识别出来 ,有助于江滩钉螺孳生地的监测。结论　遥感图像非监督分类能有效识别江滩地表植被的分布而用于钉螺孳生地的监测 ,但应根据研究地区的实际情况选择合适的特征图像。     

面向管理与设计的刀具分类编码系统

根据金属切削刀具相似性和标准化程度比较高的特点，对开发计算机辅助刀具管理与设计一体化系统所需的刀具数据结构及其管理形式进行了分析与研究，运用成组技术中的相似性原理解决各类刀具分类编码问题；结合数据库技术和图形显示技术对刀具编码进行代码解释、查询和输出，开发了刀具分类编码系统。     

三种路面破损分类算法的仿真比较

路面破损分类是制约路面破损自动检测的发展和普及的重要因素之一。本文在前文提出的破损密度方法的基础上，提炼出两种基于密度因子方法的算法——基本密度因子算法和方向密度因子算法，并通过仿真，验证了其对常见的5种路面破损类型进行分类的可行性。文中作为对照的方法是由美国Lee，Byoung Jik博士提供的PROXIMITY算法。仿真结果表明：1)三种路面破损分类算法中，方向密度因子算法对5种常见路面破损类型的整体识别效果最好；2)对于常规算法最难区分的块状裂缝和龟状裂缝，基本密度因子的算法的识别效果最好。这充分验证了前文中我们提出的基于破损密度因子的路面破损分类方法的可行性和优越性。     

多层感知器自监督在线修正的道路识别算法

为解决自主移动机器人非结构化道路识别检测准确性、鲁棒性及实时性的问题，提出一种基于感兴趣区域(Region of Interest，ROI)与多层感知器(Multi-Layer Perceptron，MLP)为核心的自监督在线修正算法.首先，通过ROI算法规定被处理图像的有效计算区域；其次，利用多层感知器对样本数据进行训练，将感兴趣区域按相应特征实现分类处理，并对分类区域进行形态学处理及特征提取处理，筛选出有效的行驶区域；最后，通过自监督在线修正算法替换错误处理结果，进一步保障道路分类识别的准确性.实验结果表明，改进算法能准确地识别出环境中的道路区域，具有良好的实时性与可靠性.     

基于数学形态学与动态时间扭曲的电压扰动分类

为提高电压扰动信号分类识别的精度,提出了一种基于数学形态学与动态时间扭曲的新算法．该算法首先通过形态滤波器对信号进行滤波处理,然后利用如变换提取滤波输出的特征,再通过动态时间扭曲分类器与参考模板进行匹配,最后获得有效的分类识别结果．用Matlab进行仿真分析的结果表明,该算法能有效识别各类扰动信号,准确率高,即使在强噪声环境下,识别精度也超过84％．     

基于ANFIS的特高压输电线路故障分类识别方法

提出了一种基于自适应神经模糊推理系统(ANFIS)的特高压输电线路故障分类识别方法,以分类识别10种常见的输电线路故障.该方法以故障后1个工频周期内故障电流分量的标准差和四分位距作为故障分类识别的特征量.分析了噪声和谐波对这2个特征量的影响;建立了基于ANFIS的故障分类识别模型.大量仿真试验表明:提出的故障分类识别方法能快速、准确地识别各类故障,并且不易受故障初始角、故障位置和过渡电阻的影响,对噪声、谐波、电流互感器传变特性及采样频率有良好的适应性,分类识别正确率能达到99.5%.