基于组合矩不变量特征的BP神经网络分类器.pdfVIP

第 26 卷第 6A 期 东　南　大　学　学　报 V o l26 N o 6A 　 1996 年 11 月 JOU RNAL O F SOU TH EA ST UN IV ER S IT Y 　 N ov. 1996 　　　　　　 基于组合矩不变量特征的B P 神经网络分类器 金伯寿　付桂鹏　夏良正 ( 东南大学自动控制工程系, 南京 210018) 摘　要　本文通过研究矩特征的性质, 在传统的 7 个矩不变量的基础上, 提出了 5 个组 合矩不变量来完成对目标特征的描述. 为完成对三维物体的识别, 这里采用三层的BP 神经网作为分类器, 其输入特征为上述组合矩不变量. 文中对三类目标在各种姿态下的 矩特征分布的情况进行了研究, 并将神经网分类器与最小距离分类器的分类性能作了 比较. 实验证明, 神经网分类器能够完成对三维目标的识别, 并且在实时性和鲁棒性方 面表现了良好的特性. 关键词　神经网络; 目标; 识别 中图法分类号　 391. 41 T P 在解决模式识别问题时, 如何构成一个快速有效分类器往往是系统成败的关键. 目前对分 类器的研究主要集中在以下几个方面: ① 对传统的基于统计的分类器和句法结构分类器进一 步地深化, 主要是进一步加深其理论基础, 利用新的数学工具对传统的方法进行分析和提高; ② 图象特征库的研究, 这包括如何对目标的特征建立有效的数据库以及搜索方法的研究; ③ 对神经网络分类器的研究. BP 神经网是神经网络中应用最多的、理论较完善的结构. 从网络的拓扑结构上讲, BP 网 是前馈网中的一种, 文[1 ]对各种前馈网的结构性能作了分析, 同其它前馈网相比, BP 网的学 习速度较慢, 且由于BP 网在学习时对样本数据中样本特征进行了自适应分析, 从而使得BP 网可以用小的存贮量存贮大量的信息. BP 网由多层非线性 Sigm o id 型神经元构成, 在有教师指导的条件下对样本进行学习. 在 神经网的学习过程中, 采用梯度下降法对权重进行优化, 使得网络对所有的样本的输出误差达 到最小. 神经网络学习的结果是存贮在各个神经元的连接权中的. 这一思想同传统的数据存取的 ( ) 概念有很大的不同. 从数据存贮的形式看, 在串行存贮程序的冯·诺依曼机中数据 信息 是按 地址存放的. 而在神经网络中, 学习的结果使得各种数据被压缩到网络的权重中, 而每个权重 只含有整个数据库中的部分数据. 用户对信息的访问是通过神经元的计算而直接获取的, 因此 在神经网络中, 神经元的运算是其最基本的操作, 并没有寻址的概念. 由于神经网络学习的结 收稿日期: 1996- 06- 17, 修改稿收到日期: 1996- 09- 24. © 1995-2004 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved. 88 东　南　大　学　学　报 第 26 卷 果分布在整个系统中, 所以即使当某些神经元失效时, 神经网仍能正确地进行分类工作, 这一 点是神经网络鲁棒性好的一个具体表现. 在神经网络分类器中, 输入特征的选择非常重要. 矩不变量特征是一组常用的特征量, 它 可以对目标的几何特性作良好的描述. 但是简单地采用 7 个原始的矩不变量特征有时效果并 不好, 必须加以选择. 本文通过分析矩特征量的意义, 选用了新的矩不变量形式, 通过对原始的 7 个矩不变量的组合, 形成一组有效的分类特征, 作为BP 网分类器的输入特征向量来完成对 目标的分类. 1　矩不变