基于BP网的图像识别研究.docVIP

基于BP网的图像识别研究 PAGE 1 基于BP网的图像识别研究 摘要：本文主要用于研究BP对图像的分类，完成图像识别的任务。通过BP神经网络来分类图像，获取更高的识别率。通过对图像两次降维操作，将图像的维数压缩到三维。通过研究发现BP网可以对图像进行有效的分类，完成对图像的识别的任务。 关键词：BP算法，图像识别，分类 引言： 人工神经网络 (ArtificialNeuralNetworks简称ANN)是近年来发展起来的模拟人脑生物过程的人工智能技术。它由大量的、同时也是很简单的神经元广泛互连形成复杂的非线性系统，已经在信息处理模式识别、智能控制及系统建模等领域得到越来越广泛的应用。基于误差反向传播算法的多层前馈网络 ，即BP网络，可以任意精度逼近任意的连续函数，主要应用于非线性建模函数逼近模式分类等方面。 BP网的介绍 BP网 BP网络也叫多层前馈网络，BP是Back Propagation的缩写，即反向创播。前馈是从网络结构上说的，是前一层神经元单向传入后一层神经元，而后面的神经元没有反馈到前面的神经元。BP网是从网络的训练方法上来说的，是指该网络的训练算法是反向传播算法，即神经元的链接权重的训练是从最后一层（输出层）开始，然后反向依次更新前一层的链接权重。 BP网的适用范围： 任何的布尔函数都可以由两层单元的网络准确表示，但是所需的隐藏层神经元的数量随网络的输入数量呈几何级增长。 任意连续函数都可由一个两层的网络已任意精度逼近。这里的两层是指隐藏层使用sigmoid单元，输出层使用非阀值的线性单元。 任意函数可由一个三层网络以任意精度逼近，其中两层隐藏层使用sigmoid单元，输出层使用非阀值的线性单元。 BP网的训练过程 (1)假设有P个训练样本，即有P个输入输出对 （Ip, Tp）,p=1,…,P, 输入向量为： 目标输出向量（实际上的）： 网络输出向量为（理论上的）： 记Wij为输入向量的第j(j=1,...,m)个分量到输出向量的第i(i=1,...n)个分量的权重。通常理论值与实际值有一误差，网络学习则是不断地比较，并根据极小原则修改参数Wij，使误差平方和达到最小。 Delta学习规则： 记表示一次逆推的修改量，则有： 第i个神经元的输出可表示为 按上面的描述的神经网络，设其中每个神经元都是线性的，取训练指标为： 求E的最小值梯度最速下降法就是Delta学习规则。 输入层不计入在层数之内，它有N0个神经元，设网络共有L层：第K层有Nk个神经元 对于具有多个隐层的前馈神经网络，设激发函数为S函数，且指标函数取： 则每个训练循环中按梯度下降时，其权重迭代公式为： BP算法 ①选定学习的数据，p=1,...,P,随机确定初始权矩阵W. ②利用学习数据计算输出 ③利用下式反向修正，直到完成所有学习数据。 实验过程及结果分析 数据的预处理 统计不同值得像素点的个数 图2-1表示对右边图像的统计结果，是一个256维的向量。 2-1统计结果 利用PCA方法对图像特征进行进一步的提取 PCA是Principal component analysis的缩写，中文翻译为主元分析。它是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化。正如它的名字：主元分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。 如图2-2，可以看出前三维的特征值远大于后面的特征值，故可以取前三维的特征值对应的特征向量，生成基变换矩阵。 2-2协方差矩阵的特征向量 训练样本数18个，测试样本2。BP网的输入变量的维数为3，输出变量维数为2，隐层结点数为10。 2-3期望样本输出 2-4误差曲线 2-4训练后样本及测试样本输出 如图2-4，正方形是1类样本测试结构的输出，五角星是2类样本测试结构的输出，且最终误差为0.01，可以看出BP网可以有效的进行图片的分类识别。 结论 图片的维数一般很大，而BP网对输入变量数量是有限制的，为了有效对BP网进行有效训练，必须对图片的维数进行大幅度的压缩。本实验先对图片中中像素点不同的值进行统计，生成一个256维的矩阵。对18个测试样本，生成一个256*18维的矩阵并进行进行PCA分析，求出主元的基变换矩阵。然后利用所得到基变换矩阵度训练样本和测试样本进行变换，分别生成一个3*18的矩阵和3*2的矩阵。训练样本对BP网进行训练后，能有效将训练样本和测试样本进行有效的分类。 参考文献 [1] 焦李成．神经网络系统理论[M]．西安：西安电子科技大学出版社，1991．4：26—41． [2] 焦李成.神经网络系统计算[M]．