摘要：针对火灾发生时,火灾图像背景复杂、人工特征提取过程繁琐、对火灾图像的识别泛化能力不强、容易出现精度不高、误报和漏报等问题,提出了张量对象特征提取的多线性主成分分析(Multilinear Principal Component Analysis,MPCA)深度学习算法的火灾图像识别新方法。利用MPCANet建立火灾图像识别模型,通过MPCA算法学习滤波器作为深度学习网络卷积层卷积核,对张量对象的高维图像进行特征提取,并把蜡烛图像和烟花图像作为干扰。通过仿真实验并与其他火灾图像识别方法对比得到提出的图像识别方法识别精度达到了97.5%、误报率1.5%、漏报率1%。实验表明:该方法可以有效解决火灾图像识别存在的问题。

摘要：针对传统火灾报警系统存在着准确度不高、误报、漏报及泛化能力不强的问题,设计了一种基于GA(Genetic Algorithm)优化T-S云推理网络火灾探测模型,对模型进行训练和测试。并将T-S云推理网络与模糊神经网络对火灾信号的识别结果进行对比,给出MATLAB的仿真结果。通过仿真结果表明,该火灾探测模型识别精度更高,偏离样本数据测试结果与期望输出之间误差更小,模型提高了对火灾信号的识别精度和泛化能力。

摘要：针对三级倒立摆这一典型控制对象,建立了基于CGA优化的改进型T-S模糊神经网络控制器,完成了三级倒立摆的稳摆控制,将CGA与GA优化结果进行了对比,给出MATLAB仿真结果.结果表明:设计的控制器对于三级倒立摆的稳摆控制是有效的,而且CGA算法优于GA算法.

摘要：应用RBF神经网络对车牌字符进行识别.在网络中心参数确定阶段,对每类字符分别采用最近邻聚类和k-均值聚类相结合的算法来确定隐层中心值,从而解决传统k-均值聚类算法中初始聚类中心需要被人为确定的问题;中心宽度通常通过公式来确定,为了消除此方法对中心值的依赖性,选择遗传算法对中心宽度进行优化;输出层连接权值则采用违逆法确定.仿真结果表明,设计的RBF神经网络可以有效地识别字符.