SCI论文（www.lunwensci.com）:
摘要：随着信息技术的不断发展,数字影像技术已经渗透到生产生活的各个领域。该技术的传输和存储技术已经非常先进,但关键的图像识别技术一直是国内外的研究中心。由于传统图像识别方法的局限性,在搜索过程中还存在很多问题。神经网络为传统图像识别问题提供了一种新方法,因为它们需要较少的信息和复杂状态映射的实现。本文提出了一种基于BP神经网络的图像识别模型,利用神经网络研究。实验结果表明,该模型是高效的,具有良好的检测率。
关键词：神经网络；图像识别；BP算法
Image Recognition Based on BP Neural Network
MENG Xue
(CenerTech Tianjin Chemical Research and Design Institute Co.,Ltd.,Tianjin 300131)
【Abstract】：With the continuous development of information technology,digital imaging technology has penetrated into allfields of production and life.The transmission and storage technology of this technology has been very advanced,but the key image recognition technology has always been the research center at home and abroad.Due to the limitations of traditional image recognition methods,there are still many problems in the search process.Neural networks provide a new approach to traditional image recognition problems because they require less information and the implementation of complex state maps.This paper proposes an image recognition model based on BP neural network,using neural network research.Experimental results show that the model is efficient and has a good detection rate.
【Key words】：neural network;image recognition;BP algorithm
1 BP神经网络的算法简介
1.1多层前向神经网络
BP神经网络主要有两个原理：(1)信号的误差传递和传播；(2)它具有多层网络结构。一般我们把这类信号分布网络称为前向神经网络,是BP神经网络的一般结构[1]。
如图1所示显示了BP神经网络。用Ik(1,2,L,Nk)代表神经网络中的输入总和,用9k表示反馈误差的补偿[2],则神经元输出可以表述为如式(1)所示：
如图2所示显示了触发函数的值。如图,open函数的输出值在0~1之间,输入达到正负两个值都可以得到,所以常用于诊断神经网络[3]。
在图1所示的神经网络结构中,每个节点的输入值是通过加权运算将上一层节点的输出相加得到的。从图中显示的网格中,选择两个连续的层,层J和层K[4]：
1.2 BP神经网络的反向传播训练
在BP神经网络发展的早期,通常采用最速下降法来实践神经网络。假设神经网络的输出层有一个输入Q,期望的输出为rq,而真实的输出为Oq,则均方误差如式(4)-式(14)所示[5]：
根据上述方法,假设J层为P层的上层,即可得到上述推导方法如式(15)-式(20)所示：
2 BP 神经网络结构设计
2.1输入层和输出层的设计
对于人工神经网络,需要将输入数据转换或转换为可识别的数字形式。通常,输入行中的节点数是根据要解决的问题的类型和数据表示来创建的。另一个重要的预建功能是检查输入数据以确保正确的数据源。如果信息中包含原始或不正确的信息,势必会对后续的在线培训产生负面影响,因此去除这些不必要或具有破坏性的信息尤为重要[6]。
2.2隐含层的设计
(1)隐含层的数目。隐藏层的数量通常是相同的。一方面可以通过增加食道中神经末梢的数量来改进纠错。优点是网络简单,训练的影响容易获得；另一方面,增加隐藏层的数量不仅会混淆网络结构,还会延迟网络训练时间。因此,为了达到量化层数的确切目标,潜在神经元的数量是逐渐增加的,只有当一层的潜力不能满足要求时才考虑潜在概率。
(2)隐含层神经元数量的选择。一是如果BP网络中隐藏的层单元数量太少,可能无法检索到目标样本的有效特征,无法正确编译网络模型,也无法正确指定目标,速度检查会很差,容错时间会很长,网络不会运行。二是数字过多会削弱网络的整体能力,无法识别准确的非教学示例。首先是在设计阶段从隐藏层节点中选择少量节点,只要在训练过程中能够满足网络性能要求即可。因为隐藏层的数量与误差的准确性和网络的泛化性成正比,虽然太多可以提高准确性,但它们也阻碍了网络的泛化性。
3 BP神经网络的图像识别
3.1实验样本库的建立
样本选择和样本库的创建是本实验的重点内容之一。一个完整完整的样本库是实验成功的前提。本次试验样品的选择遵循以下原则：
(1)BP神经训练引入了交叉喂养方法来创建相同的目标。在BP算法中,之前的权重变化会影响之前的权重变化,而之前的权重变化会修正之前的权重。如果同一个模型的输入太大,当下一个不同模型类型的输入发生变化时,就会发生I/O映射,使得网络更适合最终的模型类型,无法识别准确的第二个目标。
(2)运动样本的数量应尽可能多,图像应具有不同的镜头类型、不同的拍摄类型、不同的位置等不同类型,并尽可能覆盖所有预期数据。为了使伴随神经网络的设计更能抵抗噪声和其他噪声,我们决定在其他图像样本中添加随机噪声,如图3-图6所示。
3.2神经网络模型的建立
(1)神经网络输入输出节点的识别。为了保持良好的训练率和识别率,输入层的节点数由所选匹配对的维度决定,输入层的节点数应等于像素数。本文定义的总扭矩为5个不变量,因此输入节点数为5。该实验识别3种类型的图像对象,因此具有3个输出节点。
(2)确定BP神经网络的层数和激活函数。神经网络的层数也好不到哪里去,实际中往往不超过4层。本文实验的目的是将BP神经网络应用于图像识别,从而选择了具有单个隐藏层的三层神经网络。实验中的激活函数是一个具有单调强化特性的S型函数,其初始值在0和1之间,对应于所需的初始值。
(3)BP神经网络隐含层神经元数的确定。实验的神经网络结构参数如下：三层网络结构,激活函数为Sigmoid函数,输入输出层节点数分别为5和3,允许误差Emin是0.01。汽车、吉普车和卡车的目标图像的预期结果是(0,0,1),(0,1,0),(1,0,0),如表1所示。
3.3实验结果分析
(1)不同的学习率η值对网络训练的影响。
权重调整的大小与学习值的选择有关。设计一个在不同学习值下选取的神经元网络,考察其对认知值和训练时间的影响,测试结果如表2-表5所示。
(2)不同的动量系数a值对网络训练的影响。
增加优化因子对算法改进的效果是,新的权重调整可以覆盖之前的部分调整,并且可以后续累加之前的权重调整结果。由于脉冲系数取值不同,取值范围在0.1~0.9之间,分析其对训练时间和检测率的影响。
如表6-表9所示的实验数据可以看出,识别率增加,目标识别首次增加；当效率因子达到0.35时,检测率高,执行时间长。如果Si的加速度因子大于0.6,则窥探率降低,窥探任务和目标不能很好地执行。因此,本次实验的激励取为0.35。
(3)图像识别结果分析。
每个目标样本库中有80个训练样本,包括角度、距离和随机声音的目标图像,共240个训练样本,神经网络结构参数：5个输入层,10个隐藏神经层,3个节点。在BP改善方法中,学习率为0.3,改善因子为0.35。训练结束后,为每个目标选择额外的5个样本来测试结果。实验数据如下：
如表10所示的数据是从240个活动样本中随机选取的。大多数实际结果值在目标图像上设置正确,会产生一些不准确的结果。对所有训练模型结果的识别统计表明,吉普、轿车和轿车的准确率分别为95.0%、96.0%和98%。测试结果如表11-表13所示。
(1)三种靶结构的聚合电流夹杂物完全不同,而同一靶结构的聚合电流不变量略有不同。通过将聚合运动变量分离为用于图像识别的神经网络的输入,可以实现更好的结果分类和识别。
(2)分离的组合运动变体独立性好,组合运动变体对额外的随机噪声不敏感,能承受噪声干扰。
(3)本实验通过建立训练样本库,随机加入异常样本和部分缺失样本。实验结果表明,该训练模型的一部分对感知的影响很小,这充分说明了一个好的神经网络是继承下来的。可以解决目标图像问题的属性。在一定程度上,由于失真减少,检测率较低,具有一定的稳定性。
(4)训练样本的输入序列对神经网络的感知能力有一定的影响。在本实验中,有意识地将教学样本归为与之前相同的类别,训练得到的层间权重并不能很好地确定目标图像,提前正确定义了输入目标图像的测试样本。这个问题可以通过不同类型的目标样本来解决。
(5)实验结果表明,基于图像神经网络的图像识别方法可以实现对各种目标图像的分类识别,方法有效。
参考文献
[1]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2017.
[2]胡菡静,王小妮,王磊,等.图像识别技术—神经网络识别方法的分析[J].中国新通信,2016,18(22):143.
[3]龚岩.基于神经网络的目标图像识别方法分析[J].电子世界,2018(12):45.
[4]张海波,董槐林,龙飞,等.基于BP神经网络的图像识别研究[J].计算机与现代化,2018(5):17-19．
[5]郑春红,王传聪,林稚璞,等.基于组合特征选择的目标识别算法研究[J].上海航天,2019,34(5):59-64.
[6]柳林霞,陈杰,窦丽华.不变矩理论及其在目标识别中的应用[J].火力与指挥控制,2019(2):13-15.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/45690.html
