bp人工神经网络在图像识别中的应用研究

《bp人工神经网络在图像识别中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、BP人工神经网络在图像识别中的应用研究：图像识别过程包括了图像预处理、特征提取、图像理解与分析。其中BP人工神经X络在图像分割中运用较好；在特征提取阶段BP神经X络也很好的得到了运用，并且得到了较好的特征提取结果；在图像理解与分析阶段运用神经X络进行分类器的设计，可以得到精确的分类结果。　　关键词：BP神经X络、图像分割、特征提取　　Abstract:theimagerecognitionprocessincludingtheimagepreprocessing,featureextraction,imageunderstandingandanalysis.ultil

2、ayerSelectionProcedure)方法用于字符识别，每一层神经X络处理较低层次的特征，获取该层特征信息并传给上一层。　　BP神经X络的基本原理　　人工神经X络的研究起源于对生物神经系统的研究，它将若干处理单元（即神经元）通过一定的互连模型连结成一个X络，这个X络通过一定的机制可以模仿人的神经系统的动作过程，以达到识别分类的目的。人工神经X络区别于其他识别方法的最大特点是它对待识别的对象不要求有太多的分析与了解，具有一定的智能化处理的特点。神经X络的学习过程实际上就是不断地调整权值和阈值的过程。根据有无训练样本的指导可以将神经X络的学习方式分为两种：监督学习

3、方式和非监督学习方式，也称为有导师指导学习方式和无导师指导学习方式。监督学习方式，是在给定固定的输入输出样本集的情况下，由X络根据一定的学习规则进行训练学习，每一次学习完成后，通过对比实际的输出和期望的输出，以此决定X络是否需要再学习，如果还没有达到期望的误差，则将实际误差反馈到X络，进行权值和阈值的调整，使实际的误差随着学习的反复进行而逐步减小，直至达到所要求的性能指标为止。非监督学习方式，是在没有外界的指导下进行的学习方式，在学习过程中，调整X络的权重不受外来教师的影响，但在X络内部会对其性能进行自适应调节。　　BP神经X络分类器的设计　　BP神经X络是基于误差反

4、向传播算法(BackPropagationAlgorithm，BPA)的多层前向神经X络，由输入层、输出层、一个或多个隐含层所组成。BP神经X络结构确定之后，通过对输出和输入样本集进行训练，反复修正X络的权值和阈值，达到学习训练的期望误差，以使X络能够实现给定的输入输出映射关系。BP人工神经X络的学习过程分为两个阶段，第一阶段是输入己知的学习样本数据，给定X络的结构和初始连接权值和阈值，从输入层逐层向后计算各神经元的输出；第二阶段是对权值和阈值进行修改，即根据X络误差从最后一层向前反馈计算各层权值和阈值的增减量，来逐层修正各层权值和阈值。以上正反两个阶段反复交替，直到

5、X络收敛。具体实现步骤如下：　　(1)X络的初始化：首先对输入的学习训练样本进行归一化处理，对权值矩阵算法训练BPX络　　A=sim(,P)%对BPX络进行仿真　　E=T-A;%计算仿真误差　　MSE=mse(E)　　结束语　　BPX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X络运用于图像的识别，探索人工神经X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X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X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）X络

6、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。