[神经网络改进算法在识别模型中的应用.docVIP

、 神经网络改进算法在车牌识别中的应用 杨平乐 王勇 （江苏科技大学张家港校区 江苏张家港215600） 摘 要： 介绍了车牌识别的背景、意义和一般实现过程, 在对采用BP 算法的神经网络进行分析的基础上, 针对标准BP算法的不足进行了改进，通过对作用函数进行修正、自动调节学习率以及选择初始权值后得到了改进的BP算法，并给出了在车牌识别技术中的应用实例。对比分析识别数据，可以看出算法改进后的识别性能得到了优化，最后对其特点进行了总结。 关键词: 神经网络； 车牌识别； BP 算法 Application of Updated BP Arithmetic In Vehicle License Plate Recognition YANG PING-LE, WANG QIAN-PING Abstract: First, the background, significance and general implementation of vehicle license plate recognition (VLPR) are introduced. Based on analyzing the theory of neural network pattern recognition system, toward the limitation of standard BP arithmetic, this thesis offers its improved method and a real recognition example. Finally, conclusion on its characteristic is given. Key words: neural network; Vehicle license plate recognition; BP arithmetic 引言 近年来，随着交通现代化的发展要求，智能交通系统(ITS)是未来交通系统的发展方向，其是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理系统。汽车牌照自动识别技术作为智能交通系统的重要组成部分【1～3】，已经越来越受到人们的重视，它在公共安全及交通管理中有着重要的应用价值。 由于影响图像的因素很多,并且各种干扰噪音因素可能会造成图像很大程度上的畸变，其与车辆牌照类别之间通常存在复杂的非线性关系。神经网络具有很强的自学习性、自适应性和容错性，是处理非线性问题的较好选择。 BP神经网络模型是人工神经网络的重要模型之一。通常，BP算法是通过一些学习规则来调整神经元之间的连接权值，BP学习算法(逆传播学习算法)具有思路清晰、结构严谨、工作状态稳定、可操作性强的特点。 前向神经网络基本理论 神经元的信息处理 对于输入信号X1、X2、…、XN，膜电位的变化量由输入信号的加权和来决定，如下式所示： (1) 输出信号Y则可表示为: (2) 式中：θ为阈值。在连续时间模型中，通常膜电位服从下列方程： (3) 式中: τ为时间间隔，这时输出Y可表示为：。 神经元的信息处理 对于没有反馈的神经网络，假设有一个包含了输入层、隐含层和输出层的3层前向神经网络，其输入为X=（X1,X2,……,XN），输出为Y=(Y1,Y2,……,YM)。从输入X=（X1,X2,……,XN）到输出Y=(Y1,Y2,……,YM)的映射为： (i =1,2,…,M;j=1,2, …,N) (k =1,2, …,N) (4) 式中：、分别为神经网络的输入和输出的维数，H = (h1,h2,…,hN)是隐含神经元的输出。此映射由网络参数(连接权和阈值) 决定，故神经网络的映射可表示为： 其中：C =(C1,C2,…,CN)为可修改参数。 当神经网络存在反馈连接时,有如下方程： (5) 式中：为时间间隔，是外界输入的直接激励总和。其中神经元在神经网络中的位置坐标为位置上神经元的膜电位， 是从位置神经元到位置神经元的连接权值。 BP算法及其改进 标准BP算法的计算步骤 BP 算法由两部分组成：信息的正向传递与误差的反向传播。在正向传递过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后