BP人工神经网络在图像识别中的应用研究(2)

　　4.2数据预处理

　　为了加快网络的训练速度，通常在网络训练前进行神经网络输入和输出数据预处理，即将每组数据都归一化变为[-1,1]之间的数值的处理过程。

　　4.3神经网络的训练

　　%当前输入层权值和阈值

　　inputWeights=net.IW{1,1}

　　inputbias=net.b{1}

　　%当前网络层权值和阈值

　　layerWeights=net.LW{2,1}

　　layerbias=net.b{2}

　　%设置训练参数

　　net.trainParam.show=1000;%限时训练迭代过程

　　net.trainParam.lr=0.1;%学习率，缺省为0.01

　　net.trainParam.epochs=100000;%最大训练次数，缺省为100

　　net.trainParam.goal=0.001;%训练要求精度，缺省为0

　　[net,tr]=train(net,P,T);%调用TRAINGDM算法训练BP网络

　　A=sim(net,P)%对BP网络进行仿真

　　E=T-A;%计算仿真误差

　　MSE=mse(E)

　　5.结束语

　　BP网络因为具有较强的学习性、自适应型和容错性，在很多领域均已经大量运用。本文将BP人工神经网络运用于图像的识别，探索人工神经网络在图像识别领域中的重要的现实意义。研究表明，BP人工神经网络应用于图像识别在一定程度上提高了识别的效率和准确率。但是，BP神经网络算法还存在以下几点不足之处：（1）权的调整方法存在局限性，容易陷入局部最优；（2）网络的结构需要提前指定或者在训练过程中不断的修正；（3）过分依赖学习样本，由于学习样本是有限的或者学习样本质量不高，那么会导致训练达不到效果；（4）对于规模较大的模式映射问题，存在收敛速度慢、容易陷入局部极小点、判断不准确等缺陷。总之，如何解决以上问题，如何进一步提高识别精度，扩大识别范围，使之更具有更好的工程实用性，是有待进一步研究的内容。

　　参考文献：

　　[1]WEBlanz，SLGish．AConnectionistClassifierArchitectureAppliedtoImageSegmentation．Proc．10thICPR，1990，272-277．

　　[2]YLeCun，LDJackel，BBoser，JSDenker，HPGraf，IGuyon，DHenderson，REHoward，andWHubbard，HandwritenDigitRecognition：ApplicationsofNeuralNetworkChipsandAutomaticLearning，IEEEComm．Magazine．Nov．1989．

　　[3]AKJainandKKaru，AutomaticFilterDesignforTextureDiscrimination，Proc．12thInt\"lConf．NeuralNetworks，Orlando，Oct．1994，454-458．

　　[4]边肇其，张学工．模式识别（第二版）[M]．清华大学出版社，北京．1999，12．

　　[5]陈书海，傅录祥．实用数字图像处理[M]．科学出版社，北京．2005．

　　[6]万来毅，陈建勋．基于BP神经网络的图像识别研究[J]．武汉科技大学学报（自然科学版）．2006，6．

　　[7]丛爽．面向MATLAB工具箱的神经网络理论与应用（第2版）[M]．北京：中国科学技术出版社，2003．

　　[8]王娟，慈林林等．特征方法综述[J]．计算机工程与科学．2005．27（12）．68-71．

　　[9]贾花萍．基于神经网络的特征选择与提取方法研究[J]．网络安全．2008，7．33-35．

　　[10]龚声荣，刘纯平等编著．数字图像处理与分析[M]．清华大学出版社，北京．2006．7．

　　[11]欧彦江，袁中凡．神经网络在二维图像识别中的应用[J]．中国测试技术．2006．32（1）．111-113．

转载请注明来自：http://www.uuqikan.com/jingshenyixuelw/6465.html