BP神经网络对驻极体麦克图像特征识别的研究 Research on Image Feature Recognition of Electret Condenser Microphone Using BP Neural Network.pdfVIP

下载本文档

1
0
约1.35万字
约 5页
2017-08-12 发布于上海
举报
版权申诉

BP神经网络对驻极体麦克图像特征识别的研究 Research on Image Feature Recognition of Electret Condenser Microphone Using BP Neural Network.pdf

1、本文档共5页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

BP神经网络对驻极体麦克图像特征识别的研究 Research on Image Feature Recognition of Electret Condenser Microphone Using BP Neural Network

第21卷第2期电子测量与仪器学报％z．21Ⅳo．2 JoURNALoFELECTRoNlC ·26· MEAsUREMENTANDINsTRUMENT 2∞●年4R BP神经网络对驻极体麦克图像特征识别的研究鲁昌华苌凝凝李艳红 (合肥工业大学计算机与信息学院，安徽合肥230009) 摘要：人工神经网络是特征识别的有力工具。在研究对驻极体麦克图像识别方法的基础上，本文提出了一种用改进的 BP神经网络进行图像特征的识别和学习算法，并给出了动量系数和学习率的调整方法。对比传统方法测定的结果，使用改进的BP神经网络在识别不规则特征时：减少了输入信息冗余，网络结构相对简单；神经网络输出的各项指标明显提高了精度，对麦克图像特征的平均识别正确率达到92．7％；识别速度也满足在线实时检测的要求。理论分析和实验均表明该算法能实时有效地检测出驻极体麦克图像的特性。本文为研究图像不规则特征的识别提供了一种新的方法。关键词：特征识别，神经网络，BP学习算法中图分类号：m91．41文献标识码：A Researchon Feature Conde璐er Image OfElectret RecogIlition BPNeuralNetwork Microphone嚣Using Lu Chan曲uachangNingIling“YaIlhong of and (Sch001ComputerInfo珊ation，Hefeiuniversityof’rechnology，Hefei230009，china) neuralnetworkisa toolforfeature thebasisof Abstract：Ani6cial powedhl recognition．0nstudyingrecogni— tionmethodfor ofelectretcondenser an BP for image microphone，thispaperpresentsimprovedleaming．algorithm the featuresneuml tlle for momentumvectorand method image using network，and adjusting leaming recognizing rateisdiscussed． withthe resuhoftraditionaI asthosebasedon Compared inspecting methods，such IⅥultilayer Radial—BasisFunctionneural BPneuralnetwork PereeptI．on(MIP)or network(RBF)，the锄eliora￡edrecogni— tionmethod inthis hasa networkstlllctureandless info珊ation presentedp印er relativelysimple input redundancy fo