针对GrabCut算法在分割图像时效率低,且容易出现欠分割与过分割的问题,提出了一种基于概率神经网络(PNN)改进的GrabCut(PNN_GrabCut)算法。该算法用PNN模型替换GrabCut算法中的高斯混合模型(GMM)进行t-links权值计算,以提升算法的计算效率;通过构建前景和背景直方图,选取像素值出现频率较高的像素作为PNN模型的训练样本,以提高算法的分割精度。在公开的ADE20K数据集中选取图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度优于其他对比算法,且效率较高。对前景与背景相似度高的图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度明显高于GrabCut算法。

在传统的火焰检测算法中,火焰前景提取容易出现火焰轮廓不完整和抗干扰性较差的情况。为此,融合红/绿/蓝(RGB)、色调/饱和度/亮度(HSI)和最大类间方差法(Otsu)提出一种新的火焰前景提取算法,利用双颜色空间融合的算法能够提取较完整的火焰轮廓,使火焰轮廓所受干扰影响程度尽量小。获得前景图像后用灰度共生矩阵提取纹理特征,在YCbCr颜色空间中提取颜色特征,用于最终的火焰判断。同时提出一种改进的概率神经网络(PNN),将传统PNN中单一固定值的平滑因子改进为多变量参数,用条件期望最大化(ECM)算法对PNN中平滑因子进行参数优化,再将提取的特征输入改进后的PNN中训练测试。仿真结果表明,该算法具有良好的抗干扰能力,能够提高对火焰识别的精度。

提出了一种基于局部均值分解(LMD)和串行特征融合(SFF)的光纤周界振动信号识别方法。该方法先去除噪声,提取振动信号的相关信息,再进行SFF以得到具有准确描述能力的特征向量,最后采用概率神经网络(PNN)算法进行学习和分类。利用不同单一振动信号和风雨天气干扰下的不同振动信号对该方法进行验证。结果表明,该方法在上述两种情况下的平均正确识别率分别达到96.0%和96.7%,识别时间分别为0.87 s和0.91 s,在敏感信息识别和特征提取方面明显优于传统的LMD算法和SFF-PNN算法。

为了有效识别光纤周界系统的振动信号, 提出一种多重分形谱参数和改进概率神经网络相结合的光纤振动信号识别方法.该方法能够避免特征提取过程中需要选择经验阈值和模式识别过程中需要确定平滑因子的不足.首先, 检验分析光纤振动信号多重分形的存在性和有效性.然后, 计算和提取光纤振动信号的多重分形谱参数, 构成能够准确描述信号非线性和复杂性特性的特征向量.最后, 采用改进的概率神经网络算法进行自适应地学习和分类, 实现对不同光纤振动信号的识别.采用现场实验采集的四种振动信号对该方法进行验证, 结果表明, 平均识别率达到96.25 %, 识别时间为1.63 s.该方法在正确识别率方面优于传统的概率神经网络算法.

为了实现机器人自动焊接过程中快速、精确地提取焊缝特征信息,提出了一种基于小波变换和概率神经网络的焊接接头类型识别方法.先采用小波变换对由激光视觉传感器采集的焊接接头图像进行降噪和增强,对重构后的图像进行二值化,然后提取图像的特征信息,组成图像特征向量,最后构建概率神经网络分类器并进行测试.结合视觉传感器中激光器与摄像机的位置关系,最终识别出4种焊接接头.实验结果表明,所提出的方法特征提取简单,识别率高,并具有较好的实时性.

基于概率神经网络,提出一种与尿液反应后尿试纸的颜色识别方法。针对颜色色空间转换的非线性复杂关系,获取标准阈值颜色色度值,进行归一化处理后,建立基于概率神经网络的尿样颜色识别模型。实验结果表明,用概率神经网络进行尿样颜色识别是可行而有效的。与颜色色差评价方法作比较,该方法无须进行色空间转换,只利用设备原有RGB颜色空间的RGB值即可实现,更易于操作。

为了准确、迅速识别空袭目标类型，针对当前空中来袭目标的主要特点，运用粗糙集理论和概率神经网络的方法探索空袭目标类型识别问题。该方法先利用粗糙集理论对目标特征属性进行优化筛检，再利用概率神经网络对目标进行分类识别，得到空袭目标的类型识别结果。借助于Matlab7.1的神经网络工具箱仿真验证，该方法不但降低了以往空袭目标识别方法中的人为因素，而且提高了目标识别结果的可信度和快速性，较好地满足了舰艇指挥员在海上对空防御作战中目标识别的需求。

为了快速、准确地识别无醇啤酒和普通啤酒, 采用荧光光谱结合概率神经网络的方法, 建立了识别无醇啤酒的模型。实验中发现无醇啤酒和普通啤酒在紫外-可见光激发下, 都能产生较强荧光, 测得无醇啤酒荧光峰在420nm~620nm之间,荧光峰值波长为490nm左右。将小波变换处理荧光光谱得到的低频系数作为网络数据, 训练、建立了概率神经网络, 并对60个啤酒样本进行了识别, 识别率达到了98.33%。该研究结果为无醇啤酒和普通啤酒识别提供了一种新方法。

为了解决在大量的胶囊内窥图像中寻找出血或相关病理特征这一难题，提出了一种智能自动识别胶囊内窥图像出血的方法。首先分析了胶囊内窥图像出血的颜色特征分布，然后利用差异演化算法(DE)对概率神经网络(PNN)进行了改进，使每个神经元传递函数具有不同的平滑参数。在此基础上提出了一种胶囊内窥图像出血智能识别的方法，并通过软件编程实现了该方法。实验结果表明，该软件能正确地识别出内窥图像中的出血区域并清晰地标示，用该方法测得的出血检测灵敏度和特异度分别为94%和87%，节省了图像识别时间，基本实现了胶囊内窥图像出血智能识别，可代替临床医生应用于胶囊内窥图像的初步检测。

海战场目标识别是态势评估的基础,采用信息熵进行属性的约简,去除冗余属性,减少无关属性对识别的干扰。利用概率神经网络综合使用RBF神经网络和竞争神经网络进行目标识别。信息熵与概率神经网络结合可以过滤掉传感器信息中的冗余信息,有效地对海战场目标进行识别,并具有一定的泛化能力。通过仿真证明了本方法的有效性。