人工神经网的络模板.pptVIP

模糊神经网络法及其在缺陷模式识别中的应用 * * （1）在制造过程中，冷轧带钢表面出现边缘锯齿、焊缝、夹杂、抬头纹、辊印、氧化皮、空洞、刮伤等不同类型的缺陷，直接影响最终产品的质量和性能。 （2）缺陷图像的模式识别是冷轧带钢表面缺陷检测的关键。 （3）在现场恶劣环境下，图像噪声较大，图像亮度差异较大，图像纹理变化复杂，规律性不强，同一类缺陷图像在表现上也存在较大差异，在某一特征值中，类与类之间并不存在明确界限，有重叠现象。 （4）传统识别方法准确率低、识别速度慢慢、适应性差。 （5）模糊模式识别在提出噪音上具有优势，BP神经网络在模型拟合、非线性识别具有优势，利用两者的优势，构造模糊神经网络识的方法。 * * * * 人工神经元模型如图： 由图可以得到Sigmoid连续可微的非线性函数，logistic模型，激活函数如下： * （1）确定层数以及各层的节点数 本实验使用的是三层网络模型，仅有一个隐藏层，仅各层之间是全互联方式连接。 本实验是针对5种缺陷（灾杂、抬头纹、辊印、边缘锯齿、焊缝）进行识别，输出层使用5个节点；输入层使用的是小波变换提取的冷轧带钢表面缺陷图像的七维特征数据，因此输入层节点数为7，七维特征数据由一下公式获得： 将小波变换的各频带的L1范数作为分类的特征数据。 隐藏层节点，经实验可知8个比较合适。 * （2）确定学习效率α、惯性项校正系数η，以及误差收敛因子β 学习效率α较大时，权值的修改量就较大，学习速率快，但有时会导致振荡；较小时，学习速率慢，学习过程平稳。一般取（0,1），本文取0.1。精度β为0.001。惯性校正系数η值越大，则权系数修正的惯性越大。而较大的η可以改善网络的收敛速度，但是对提高网络的收敛精度没有积极作用，本文取0.7。 * （3）网络状态初始化 用较小的数(绝对值为1以内)对网络权值ωji、阈值θj置初值，本文以专家意见阵作为网络输入层的初始权值，经实验证明，它可以大大加快网络的收敛速度，避免网络学习陷入局部极小的可能。 在开始的时候网络权值ωji选用的是（-1,1）的随机值。 tp的选取，输出层备神经元的实际输出值只是趋近于1或者0，而不可能达到1或者0。在设置各训练样本的理想输出分量时，如有时可取为接近1，0的数，如0.9，0.1等而不直接取为l 或者0。 * （4）提供样本，开始学习 本实验共采集样本219个，主要针对五类缺陷进行识别。输入向量xp和目标向量tp。 ①计算网络各层的输出 ②计算局部梯度 * （4）提供样本，开始学习 ③计算并保存个权值修正量 ④修正权值和阈值 ⑤终止条件 若不满足终止条件，则执行②；否则结束。 * 将输入层模糊化的神经网络，在提高识别精度的同时，也增加了网络结构的复杂程度，更重要的是，这种FBP并不能提高特征空间区域重叠对象的识别精度。 首先对BP神经网络的隐藏层的传递函数进行改进，使输入——输出响应呈阶梯状。函数可用一组ns个sigmoid函数之和的形式来表示，即具有ns +1个相对稳定状态。 ns的值越大，隐层的模糊化程度越高。设X=(x1， x2 ， x3 ，…， xk)T为一个输入样本的特征向量，则第J个隐层神经元的输出为： * 输入输出响应如图： 对于曲线的更正，个人认为，横轴应该是隐藏层某个神经元在不同θ的输入，纵轴应该是输出。 * Sigmoid函数使用Logistic的函数模型。βh是一个平滑系数，θrj（r=1,2,3…… ns ）为隐层传递函数的一个阶跃门限，即第r个sigmoid函数的位置，其值可以通过对类内条件方差的极小化过程进行学习到， （r=1,2,3…… ns ）为第r个Sigmoid函数的输出。 网络输出层的响应为： ωjl为第l个输出节点和第j个隐层节点的联结权 * 根据改进的输出yl，再由误差平方和E得到连接权ω的变化量Δω，最后根据BP神经网络的学习过程，可构造出FBP神经网络的学习方法。 * 下表是对于219个样本，分别运用模糊识别方法，BP神经网络识别方法，模糊BP神经网络识别方法的错误率。 由上表可以看出，模糊BP神经网络识别方法要优于其他两种方法。 * 【1】Image acquisition techniques for automatic visual inspection of metallic surfaces 【2】Real-time surface inspection by texture 【3】 Automated recognition of surface defects using digital color image Processing 【4】 Detection of surface defects on raw steel bloc