神经网络在三维形面测量中的应用.ppt

课程报告 神经网络在三维形面测量中的应用 神经网络的特点及应用 1.信息处理的并行性、信息存储的分布性 　　人工神经网络是由大量简单神经元相互连接构成的高度并行的非线性系统，具有大规模并行性处理特性。虽然每个神经元的处理功能十分有限，但是大量神经元的并行活动使网络呈现出丰富的功能并具有较快的速度。结构上的并行性使网络的信息存储必然采用分布方式，即信息不是存储在网络的某个局部，而是分布在网络所有的连接权中。一个神经网络可存储多种信息，其中每个神经元的连接权中存储的只是多种信息的一部分。当需要获得已存储的知识时，神经网络在输入信息激励下采用“联想”的方法进行回忆，因而具有联想记忆功能。神经网络内在的并行性与分布性表现在其信息的存储与处理在空间分布、时间上都是并行的。 神经网络的特点及应用 2、高度的非线性、良好的容错性和计算的非精确性 　　神经元在网络中处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系，神经元的广泛互联与并行工作也必然使整个网络呈现出高度的非线性特点。而信息分布存储的结构特点会使神经网络在两个方面表现出良好的容错性：一方面，由于信息的分布式存储，当网络中部分神经元损坏时不会对系统的整体性能造成影响；另一方面，当输入模糊、残缺或变形的信息时，神经网络能通过联想恢复记忆，从而实现对不完整输入信息的正确识别。神经网络能够处理连续的模拟信号以及不精确的、不完全的模糊信息，因此神经网络给出的是最优解而非精确解。 神经网络的特点及应用 3 自学习、自组织与自适应性 自适应性是指一个系统能够改变自身的性能以适应环境变化的能力，它是神经网络的一个重要特性。自适应性包括自学习与自组织两层含义。神经网络的自学习是指当外界环境发生变化时，经过一段时间的训练或感知，神经网络能够通过自动调整网络结构参数，使得对给定输入产生期望的输出，训练是神经网络学习的途径，因此人们经常将学习与训练这两个词混用。神经系统能在外部环境的刺激下按一定规则调整神经元之间的突触连接强度，逐渐构建神经网络，这一构建过程称为网络的自组织（或称重构）。神经网络的自组织能力与自适应性相关，自适应性是通过自组织实现的。 神经网络的特点及应用 以上主要特性使得神经网络在众多的领域得到了广泛的应用。在民用方面主要用于语言识别、图像识别与理解、计算机视觉、智能机器人故障检测、实时语言翻译、企业管理、市场分析、决策优化、物资调运、自适应控制、专家系统、智能接口、神经生理学、心理学和认知科学的研究等；在军用方面主要用于雷达、声纳的多目标识别与跟踪、战场管理和决策支持系统、军用机器人控制各种情况、信息的快速录取、分类与查询、导弹的智能引导、保密通信、航天器的姿态控制等。 课题中的应用背景 光学三维传感具有非接触测量、精度高、速度快等优点,在工业检测、机器视觉、生物医学等方面都有重要应用。其中傅里叶变换轮廓术,凭借其只需一幅条纹图,处理速度快等优点,得到了广泛的应用。但傅里叶变换轮廓术中存在滤波操作 ,在提取基频分量,减小噪声的同时,减小了用于恢复物体高度分布的有用信息的空间带宽积,加上电荷耦合器件(CCD) 离散采样使灵敏度降低,该方法在对复杂物体进行测量时,存在一定局限性。为了克服傅里叶变换轮廓术( Fourier transform profilometry , FTP) 的不足,本文引入神经网络,在只需一幅条纹图的情况下对复杂物体进行三维测量。 测量原理 神经网络具有很强的函数逼近能力。在神经网络内部,每个神经元就是一个简单的非线性函数,在训练过程中,通过对内部神经元不断进行调整,整个神经网络能够实现复杂函数的功能。通过将样本的理想输出与神经网络输出进行比较,调整各个神经元,使得两者之差不断减小,达到期望误差值,使输出函数F( x) 完成理想的复杂函数功能。 已经证明,只要隐含层神经元数目足够, 2 层反向传播网络可以以任意精度逼近任意连续函数。在三维面形测量中,采用正弦光栅投影,获得的变形光栅像一维表达式为 其中A ( x) 为背影分布, B ( x) 为调制度分布, 为投影光栅的频率, 为携带有物体高度信息的相位分布。A ( x) , B ( x) 变化缓慢, 假设其在半个周期内为常数, I ( x) 可以表示为 由于CCD 离散采样,得到的I ( x) 为离散分布函数。由于采样过程不能保证条纹的峰值和谷值都能被恰好取到,所以由I ( x) 的离散值直接获得A , B 的方法是不可行的。为了得到I ( x) 的连续函数表达式, 引入神经网络方法,建立一个单输入、单输出的2 层反向传播神经网络,将采集到的I ( x) 离散分布作为训练样本,由训练后的神经网络可以