第6章-智能传感器系统智能化功能的实现方法（二）.pptVIP

(3)根据所选择的输入输出信号的样本数据，离线地对神经网络进行训练，以获得神经网络的权值和阈值。 (4)在线将前面选择的输入输出数据作用于神经网络，根据神经网络的输出便可给出诊断结果。 6.5.3 人工神经网络方法 6.5.3 人工神经网络方法 2、信号恢复的步骤 (1)选择系统中要进行故障诊断与信号恢复的传感器的输出数据作为神经网络的输出变量，选择其他传感器的输出数据作为神经网络的输入值。 (2)选择合适类型和结构的人工神经网络。 (3)根据所选择的输入输出信号离线地对神经网络进行训练。 (4)在线将前面选择的输入数据作用于神经网络，人工神经网络的输出值即是发生故障的传感器的恢复信号。 6.5.3 人工神经网络方法 6.6 图 像 处 理 图像处理的目的如下 (1)改善图像的质量； (2)突出图像的有用成分，抑制图像的无用成分； (3)统计图像的特性； (4)进行图像测量。 6.6 图 像 处 理 6.6.1 图像的平滑 6.6.2 图像的增强 6.6.3 图像的灰度变换 6.6.4 图像特征的度量和纹理分析 6.6.5 图像识别 6.6.6 图像的复原 6.6.4 图像特征的度量和纹理分析 常用的图像特征有以下几类 (1)灰度。包括多光谱，彩色信息。 (2)边缘。它描述了灰度变化的程度和位置。 (3)纹理特征。它描述了在图像中反复出现的局部模式和它们的排列规则，反映宏观意义上灰度变化的一些规律。 6.6.4 图像特征的度量和纹理分析 (4)形状特征。它描述了物体、区域或者元素的外形，从微观上精细地反映对象及其各个组成部分的形状。 (5)对象的运动信息，等等。 6.6.5 图像识别 图像识别过程如下 (1)特征提取。从图像特征中提取那些对图像识别最重要的信息； (2)图像识别。根据抽取的特征来判别对象所属的类别。 6.6.5 图像识别 一、模板匹配方法 二维互相关函数可以用来衡量两幅图像之间的相似性。因此，可以首先选择好一个标准图形，即所谓的模板；然后，让该模板在被分析的图像中来回地移动，以便于计算模板和被分析图像之间的互相关函数。 式中，D满足 假设图像函数为f(x,y)，模板函数为g(x,y)，则它们的互相关函数Rfg(m,n)的计算公式为 6.6.5 图像识别 即D为点(m,n)的一个邻域，如下图所示。 6.6.5 图像识别 (m,n) 6.2.3 传感器阵列信息融合 2、人工神经网络 人工神经网络采用较为成熟的误差反向传播前馈网络，即BP网络。一个三层BP网络如图所示。 6.2.3 传感器阵列信息融合 神经元的基本模型如图所示。它是一个多输入单输出的非线性阈值器件。 6.2.3 传感器阵列信息融合 用x1,x2,…,xn表示第i个神经元的n个输入，Wji表示第j个神经元与第i个神经元之间的连接强度，其值称为连接权值。 6.2.3 传感器阵列信息融合 用Ai表示第i个神经元的输入总和，称为激活函数；yi表示第i个神经元的输出；qi表示第i个神经元的阈值。这样，第i个神经元的输出为 6.2.3 传感器阵列信息融合 6.2.3 传感器阵列信息融合 f(Ai)为表示神经元输入输出关系的函数，称为作用函数。常用的作用函数可以归结为三种形式，即图(a)所示阈值型、图(b)所示S型和图(c)所示伪线型。 6.2.3 传感器阵列信息融合 BP网络的基本处理单元(输入层除外)为非线性输入输出关系，通常选S型作用函数，即 式中，Opi——第p个训练样本，单元i的输出； api——第p个训练样本，单元i的输入总和。 6.2.3 传感器阵列信息融合 BP网络学习算法描述为如下步骤 (1)初始化网络及给定理想学习样本。如设置网络的初始权值、学习因子h和修正参数a以及理想输出模式d等。 6.2.3 传感器阵列信息融合 (2)计算误差。对于给定的训练模式输入，由式(6-45)从前向后依次计算各神经元的输出，得到网络的输出模式，并与理想输出比较。若误差不满足要求，则执行步骤(3)，否则学习结束。 通常，用网络的均方根(RMS)误差来定量地反映学习的性能。 其定义为 其中，ypj——第j个单元的实际输出； dpj——第j个单元的理想输出； m——表示训练集内模式对的个数； n——表示网络输出层单元个数。 一般地，当ERMS低于0.1时，表明对给定训练集的学