基于MATLABBP神经网络在猪等级评定中应用研究.docVIP

基于MATLABBP神经网络在猪等级评定中应用研究 　　摘要：为了客观评估猪肉各项指标和猪肉等级，采用MATLAB神经网络工具箱中的BP人工神经网络，利用猪胴体图像特征参数和活体猪图像特征参数建立BP神经网络模型。分别用猪胴体图像特征参数样本60个和活体猪图像特征参数样本80个进行了网络训练，并采用不同的BP神经网络隐含层的传递函数和隐含层神经元数量，得到 BP神经网络模型。通过仿真，将仿真结果与人工评估结果进行对比，结果表明BP人工神经网络模型可以评估猪肉各项指标和等级识别。在猪肉胴体图像特征指标下评价猪肉等级准确率达到98%，在活体猪图像特征参数评价猪肉等级准确率达到80%。说明猪肉胴体图像特征比活体猪图像特征参数更能代表猪肉质量品质也符合客观现实；同时也表明MATLAB神经网络工具箱中的BP人工神经网络可以应用在猪的等级评定中。 　　关键词：反向传播神经网络； MATLAB； 猪肉等级 　　中图分类号：TP301．6文献标志码：A 　　文章编号：1001－3695(2008)06－1642－03 　　 　　0引言?? 　　 　　猪肉的等级是影响生猪养殖和屠宰加工企业经济效益的重要因素。传统的等级评定方法主要是目测或者人工手动测量。这种检测方法有损肉样、效率低下、准确性差，同时存在一定的人为因素，经常引起养猪者和收购者对等级的争议。因此客观公正的猪肉无损定级系统是非常必要的。 　　?ブ砣馄分适且桓龆喾矫娴摹⒆酆系男宰矗?养猪者、屠宰者、加工者在相同的环节可能有不同的要 　　求[1]。因此，应该研究利用多项指标综合评定猪肉等级。屠宰商关心的是生猪瘦肉率、猪后躯丰满度；猪肉的颜色是消费者决心购买与否的指标；大理石纹的量是肉品加工者所关心的，因为它对猪肉的多汁性、嫩度和风味均有影响。研究利用背膘厚、瘦肉率、屠宰率、眼肌面积、肉色和大理石纹等多项指标评定猪肉等级更加客观［2］。 　　?ヂ廾鞯热说难芯勘砻魇萑饴视氡潮旌瘛⑼韧挝А⒀奂∶婊?等特性指标存在关系[2]；屠宰率与猪的外形有关；肉色与图像颜色密切相关[3]；大理石纹与肌内脂肪含量密切相关。而眼肌面积、肌内脂肪含量等特性指标与相应图像特征呈线性相关[4~6]。背膘厚、腿臀围、眼肌面积、猪的外形等长度特征均可从图像中获得，这使得利用计算机视觉技术评定猪肉等级成为可能[6，7]。因此，研究利用多项指标综合评定猪肉等级，研究背膘厚、瘦肉率、屠宰率、眼肌面积、肉色和大理石纹评分与图像特征的关系，找出相关的图像特征并训练人工神经网络，是建立基于计算机图像处理技术的猪肉无损定级系统的关键。?? 　　1MATLAB中BP神经网络原理阐述[ 8]?? 　　BP网络是一种多层前馈神经网络，由输入层、隐含层和输出层组成。层与层之间采用全互连方式，同一层之间不存在相互连接，隐含层可以有一个或多个。构造一个BP网络需要确定其处理单元――神经元的特性和网络的拓扑结构。神经元是神经网络最基本的处理单元，隐层中的神经元采用S型变换函数；输出层的神经元可采用S型或线性型变换函数。 　　?ド窬?网络学习采用改进BP算法,学习过程由前向计算过程和误差反向传播过程组成。在前向计算过程中，输入信息从输入层经隐层逐层计算并传向输出层，每层神经元的状态只影响下一层神经元的状态。例如输出层不能得到期望的输出，则转入误差反向传播过程；误差信号沿原来的连接通路返回，通过修改各层的神经元权值，使得网络系统误差最小。最终网络的实际输出与各自所对应的期望输出逼近。具体工作流程如图1所示。?? 　　MATLAB神经网络工具箱功能强大，提供了许多有关神经网络设计、训练和仿真的函数。用户只要根据自己的需要调用相关函数，就能方便地进行神经网络设计与仿真，从而免除了编写复杂而庞大的算法程序的困扰。 　　?ピ诮?行BP网络设计前，一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面来进行考虑。 　　??1)网络的层数理论上早已证明：具有偏差和至少一个S型隐含层加上一个线性输出层的网络能够逼近任何有理数。增加层数主要可以更进一步降低误差、提高精度，但同时也使网络复杂化，从而增加了网络权值的训练时间。误差精度的提高实际上也可以通过增加隐含层中的神经元数目来获得，其训练效果也比增加层数更容易观察和调整。所以一般情况下应优先考虑增加隐含层中的神经元数。 　　??2)隐含层的神经元数网络的层数网络训练精度的提高可以通过采用一个隐含层而增加神经元个数的方法来获得，这在结构实现上要比增加更多的隐含层简单得多。那么究竟选取多少个隐含节点才合适？这在理论上并没有一个明确的规定。在具体设计时，比较实际的做法是通过对不同神经元数进行训练比较对比，然后适当加上一点余量。 　　??3)初始权值的选取由于系统是非线性的，