区间上,如下表所示。.PDFVIP

南京理工大学硕士学位论文 基于粒子群神经网络的移动机器人门牌号码识别技术研究 利于粒子群算法的收敛。故我们不主张采用四位二进制编码的形式作为神经网络的输 出，在这里我们采用单个节点作为神经网络的输出。考虑到激活函数是采用S型激活 函数，输出层神经元的理想输出值只能接近于1或0，因此我们在设置各训练样本的 期望输出时，使期望输出值在[[0,1]区间上，如下表所示。 表4.3.3输出层为单节点时的期望输出 效字 0 1 2 3 4 5 6 7 8 9 怕码 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 输入层 I 咱含层 .愉出层 输入层 1隐含层 ，粉出层 图4.3.8四个输出节点的神经网络 图4.3.9一个输出节点的神经网络 4.3.4判别准则 在实际应用中，系统会经历一个从小样本集合到大样本集合的泛化过程，从粒子 群神经网络的输出层得到的结果往往跟期望输出有一定的偏差，故不能直接把输出层 的结果作为识别最终结果，我们还需要选择或寻找适当地判别准则，从而判断出待识 别的数字与哪一个类比的特征最接近，常用的距离度量准则如下: (1)最小距离 D(x,G)=习x,一引 (4.3.11) (2)欧氏距离 D(x,G)=[(x-G)T艺一(x‘-G)]vz (4.3.12) 墓于粒子群神经网络的门牌识别 硕士论文 (3)相似度 F-X,B, _，_、 (xG) tclx,V)_lxj-JGu= (4.3.13) lix,%i8ily, I司 i=1 (4)复合相似度 R`二(GG))==LYzxoj2 (4.3.14) ， ， G,_G2 4 _,_V_ 其中=-pGG‘aaA。=二2q+1+(pGe)，}h。_}G2l1(-hG9)j}，G1-22Gx,GZ-22Gy,8=I?x(41fir)-1, (5)混合相似度 R(x,G)-LY,-ox(,o,)2-OA}I}x(V)2}(4.3.15) G,一7G(,,呜)·呜 其中，k是常数，v= d日I1G吼.}-卜E2c叹G,,，}。,)22)〕=1 本文将通过计算最小距离作为判断准则，来完成最后的识别。 生4神经网络参数整定实验 本节中，我们将通过获取一些来自移动机器人在实际环境中所拍摄到的图像，进 行实验来确定神经网络的结构以及对某些参数进行设定。 4.生1样本的选取 设计一套识别方案，使得对任何一个未知类别的图像，根据这个方案就可以判定 该图像属于哪一类，通常的做法是用己知的一些图像样本来设计识别方案，使得这个 方案对原来已知类别的图像能正确地识别，或者在某种程度下使得错误识别率尽可能 最小.即取一批已知类别的图像，如:取n,个图像样本人，n:个图像样本人，…，。.， n.个图像样本Am，它们在平面上就对应着m类点集·我们可以把整个平面划分成m 个区域。对于任何一个未知类比的图像，按照上述特征选择方法可以对应着一个点 M(x,y)。因此，样本越能反映移动机器人所拍摄到的图像的特征，则识别率也会变 印