基于bp神经网络的未爆物识别研究

《基于bp神经网络的未爆物识别研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于BP神经网络的未爆物识别研究第1章绪论1.1课题研究背景及意义随着现代科学技术的迅速发展，人类社会也在不断地向更高层次的生活迈进。同时，也应该看到的是，世界上一些地方的人民饱受着战争所带来的痛苦。因此，维护好世界和平已经成为当前的主流趋势，保障人类的安全问题也时刻受到人们的关注。军事战争中或者是战后遗留的未爆炸的炸弹往往也会给人们造成不必要的伤亡和损失。据有关排除未爆物质的技术报告显示，目前仍然有将近1.1亿枚未爆物分布在世界各地，覆盖范围多达80个国家和地区，每年都有将近2万人因其致残或死亡。据估算，以现在的排除未爆物的速度和花费，清理

2、完全世界遗留的未爆物需要1100年的时间和1879~6264亿元的资金[1,2]。因此，排除世界遗留的未爆物，可谓任重道远。现今，探测未爆物的方法主要有探地雷达方法[3,4]和电磁感应方法[5,6]等。目前，一个最常用的方法是利用金属感应线圈进行人工探测,但这种方法除了耗费时间和精力之外，还具有一定的危险性。其他探测方法有电磁诱导、化学传感等,还都处于理论研究阶段。此外，微波增强红外成像探测技术[7]采用确定频率的微波源照射被探测的区域，根据土壤和被探测目标体对微波能量的吸收特性，从而使得相互关联的区域的温度发生变化，利用红外热成像仪进行探测

3、，最后通过被探测的目标体在不同深度、不同土壤下所获得的红外图像比对结果可知，这种方法对具有一定的可行性。现有的识别未爆物的方法通常是通过识别未爆物的图像[8,9,10]或者特性（比如幅频特性）曲线。其中，Huang等人提出一种利用归一化电磁感应波谱，即EMIS波谱[11，12]识别未爆物（相当于目标体）的方法在实际工作中很实用。EMIS由物体的电导率、磁导率、形状、大小，深度和方向决定。......1.2曲线识别技术的国内外发展现状近年来，曲线识别技术在科学研究和现实生活中都有着十分广泛的应用。例如，在煤矿的开采过程中，通过识别测井曲线能够判

4、断未开采煤矿构造煤的厚度和分布范围，降低软分层对矿井开采的威胁，也可以保证相关人员和一些大型设备的安全[13,14]。Huang和IS波谱[11]曲线与目标谱相匹配算法自动识别地雷；Min利用贝塞尔（Bezier）曲线对手势的轨迹分析和分类，并建立相应的几何模型，然后根据这些轨迹记录对手势速度进行识别[15]；Meng等人基于BP神经网络自动识别公路平曲线[16]；Lee等人用Bezier曲线拟合的方法分析表情进而识别人的情绪[17]；Lee又将这种局部面部表情识别方法扩展为多功能的情绪识别系统[18]；Huang等人利用高斯函数和正弦函数拟

5、合的方法实现了对无线电发射机指纹的识别[19]。在军事战争和战后清理工作中，未爆物的探测和识别是一项必不可少的工作。吉林大学研制出了基于电磁探测方法的探测未爆物系统，采集的数据是地下目标体在不同频率下的电磁响应，根据电磁响应计算得到了同相分量I和正交分量Q曲线，为此，本文提出了一种基于BP神经网络的方法识别未爆物特性曲线，最终识别出未爆物。传统的曲线识别方法是将待识别的曲线离散化，通过标准曲线与直方图比较求取插值的误差，将其结果求取平均值，从而识别出曲线。........第2章基于BP神经网络的曲线识别设计2.1人工神经网络发展现状人工神经网

6、络,也称为神经网络。它是一种由人们抽象出来的人脑神经网络数学模型，是在模仿大脑的神经网络功能和结构的基础上所建立的一种处理信息的系统。它是由大量简单元件彼此连接所组成的网络，具有非线性等特点，能够进行较为复杂的逻辑计算和非线性映射关系。此外，它也继承了生物神经网络的所具备的多数优点。除了具备非线性的基本特征之外，还具有非局限性、非常定性和非凸性等特征[24]。由于神经网络具备并行分布式的大型结构和神经网络的学习能力（后来可以发展成泛化能力），因此其具有非常强的计算能力。目前，人工神经网络已经广泛的应用于模式识别、信息处理、控制和优化、空间科学

7、、机器人和通信等领域[25]。现有的神经网络模型已发展到近百种，其中常见的网络模型有BP网络、Hopfileld网络、Elman网络、自组织神经网络、径向基网络和模糊人工神经网络等[24,25]。随着神经网络研究的深入，一些新的算法也在不断被提出。其中，典型的算法有多层前馈网络的标准BP算法和其它改进的BP算法[26]，Boltzmann机模拟退火算法和快速退火算法[27]，模糊神经网络的再励学习算法和梯度学习算法[28]等。.......2.2基于BP神经网络的标准曲线识别BP神经网络是最基本的神经网络模型，是一种多层前向型神经网络。通过调

8、整相应权值来改变相应的输出，最后达到接近标准输出的目的。BP神经网络的应用非常广泛。它主要应用于模式识别、函数逼近、预测分析、故障诊断、数据压缩和人工智能等方面。在