人工神经网络技术在光电检测中的应用.pdfVIP

人工神经网络技术在光电检测中的应用 张广军 北京航空航天大学自动控制系，北京100083 cn depo．buaa．edu Email：zrb@ns l引言 人工神经网络具有自适应功能、泛化功能、非线性映射功能和高度并行处理功能，可 实现函数逼近(数字逼近映射)、数据聚集、模式分类、优化计算、概率密度函数估计等 功能。因此人工神经网络广泛用于人工智能、自动控制、机械人、统计学等领域的信息处 理中。 近年来，人工神经网络技术逐渐受到光电检测领域的关注，且在某些方面得到了成功 应用。其主要途径是通过样本学习和训练建立反映光学信息特征参数与被测对象之间关系 的神经网络模型结构，从而实现被测对象的光电检测。 r 本文首先对人：[神经网络技术作一简要介绍，重点讨论人工神经网络技术在谷物蛋白 质含量近红外在线监测、结构光三维视觉检测和焊缝缺陷射线实时成象识别中的应用。)这 。 些应用实例既有作者近期完成的研究项目，又有近几年国内外有关学者的研究成果。 2人工神经网络f‘。21 人工神经网络是一个并行和分布式的信息处理网络结构，该网络结构一般由许多个神 经元组成，每个神经元有一个单一的输出，它可以连接到很多其它的神经元，其输入有多 个连接通路，每个连接通路对应一个连接权系数。因此，人工神经网络是一个由许多处理 节点组成的非线性动力系统。它是以人大脑活动的特性为出发点，通过各基本神经元之间 的联接与相互作用，对人脑的思维过程进行模拟，即尽量使得人工神经网络具有生物神经 网络的某些功能特性．如学习、识别、控制等功能。 反向传播神经网络，简称BP(Back Propagation)模型，是神经网络的重要模型之一，在 分类、预测、故障诊断和参数检测中具有广泛的应用。网络不仅有输入层节点，输出层节 点，而且可以有～层或多层隐层节点。对于输入信号，要先向前传播到隐节点，经过作用 函数后，再把隐节点的输出信息传播到输出节点，最后输出节点通过输出函数给出输出结 果。这个算法的学习过程，由正向传播和反向传播组成。在正向传播过程中，输入信号从 输入层经隐单元层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的 状态。如果输出层：不能得到期望的输出，则转入反向传播．将误差信号沿原来的连接通路 返回，通过修改各层神经元的权值．使得误差信号最小，其过程可概括如下： ①将网络初始化，即随机设置各层神经元的权值。 ②给定网络的输入向量和目标输出。 ③计算网络隐层、输出层各单元的输出。 ④计算目标值与实际输出的偏差。 ⑤调整各层神经元的权值。 ⑥转至过程③，重新开始学习，直至目标值与实际输出的偏差满足训练精度的要求。 在每次学习过程中，可以通过调整输入层节点数、隐层数、隐层节点数、输出层节点 数、学习速率、动量因子、输出函数、作用函数及其增益系数，以得到各层神经元之间的 最佳权值，使输出层尽可能地得到期望的输出，达到偏差信号最小。 实际上，BP模型把～组样本的I／0问题变为一个非线性优化问题，使用了优化中最普 通的梯度下降法，用迭代运算求解权相应于学习记忆问题，加入隐节点使优化问题的可调 参数增加，从而可得到更精确的解。 152 3人工神经网络技术在光电检测中的应用 3，l谷物蛋白质含量近红外在线监测 谷物中的蛋白质含量是表征谷物质量的一项重要指标．它在谷物的选种、种植、加工 和贸易等过程中起着重要作用。传统的谷物蛋白质含量分析均采用化学分析方法【”，在实 时性及经济成本上已远远不能满足实际需求。近几年来，近红外(Nm)光谱分析技术在 物质成份分析中以其响应速度快、无需对待分析样品进行特殊处理和损坏、能够进行连续 分析和自动控制等特点得到了愈来愈广泛的应用【4”。近红外光谱分析技术是基于某些有 机物的某些成份在近红外区(700．2500urn)有着明显的选择性吸收，吸收程度取决于这些 物质的化学成份，且与该成份的含量有关，其吸收关系