能否結合分析和歸納的優(yōu)點(diǎn)設計出一種新的算法，使用近似的先驗知識結合可用數據來(lái)形成一般假設。這有別于使用純粹的歸納學(xué)習算法時(shí)，基于特定學(xué)習任務(wù)的先驗知識來(lái)選擇設計方案。例如：在利用神經(jīng)網(wǎng)絡(luò )解決問(wèn)題時(shí)，設下面是小編為大家整理的2023年神經(jīng)網(wǎng)絡(luò )算法【五篇】（精選文檔）,供大家參考。
神經(jīng)網(wǎng)絡(luò )算法范文第1篇
能否結合分析和歸納的優(yōu)點(diǎn)設計出一種新的算法，使用近似的先驗知識結合可用數據來(lái)形成一般假設。這有別于使用純粹的歸納學(xué)習算法時(shí)，基于特定學(xué)習任務(wù)的先驗知識來(lái)選擇設計方案。
例如：在利用神經(jīng)網(wǎng)絡(luò )解決問(wèn)題時(shí)，設計者必須選擇輸入和輸出數據的編碼方式、在梯度下降中被最小化的誤差函數、隱藏單元的數量、網(wǎng)絡(luò )的拓撲結構、學(xué)習速率和沖量等。在選擇這些參量時(shí)，也可將領(lǐng)域特定的知識嵌入到學(xué)習算法中。
但結果仍然是歸納算法反向傳播的一個(gè)實(shí)現。新的系統能將先驗知識作為顯式的輸入給學(xué)習器，訓練數據也同樣作為顯式輸入。這樣可以形成通用算法，但利用了領(lǐng)域的特定知識。即：最終構造的是領(lǐng)域無(wú)關(guān)算法，這種算法使用顯式輸入的領(lǐng)域相關(guān)的知識。
KBANN學(xué)習方法
將領(lǐng)域理論和訓練數據結合起來(lái)進(jìn)行搜索的做法可以將其看作是一種搜索多個(gè)可選假設空間的任務(wù)。為了將大多數學(xué)習任務(wù)刻畫(huà)為搜索算法，需要定義待搜索的假設空間H，搜索的開(kāi)始點(diǎn)為初始假設ho以及指定搜索目標的判據G。
用這種方法，領(lǐng)域理論B被用于建立一個(gè)與B一致的初始假設hO。然后以這個(gè)初始假設ho為起點(diǎn)應用標準歸納方法。在設計神經(jīng)網(wǎng)絡(luò )網(wǎng)絡(luò )時(shí)可以利用先驗知識確定初始網(wǎng)絡(luò )的互聯(lián)結構和權值，此初始設計的網(wǎng)絡(luò )假設利用反向傳播算法和訓練數據被歸納精華。
從一個(gè)與領(lǐng)域理論一致的假設開(kāi)始搜索，使得最終輸出假設更有可能擬合此理論。這種方法被用于KBANN(Knowledge―Based Artificial NeuralNetwork，基于知識的人工神經(jīng)網(wǎng)絡(luò ))算法中。
利用人工神經(jīng)網(wǎng)絡(luò )自動(dòng)構建應用系統的性能分析模型。以往為應用程序建模主要采用統計分析的方法。但隨著(zhù)應用程序可調參數空間的增大，如果仍使用傳統的統計方法建立性能分析模型，必然會(huì )對輸入參數做簡(jiǎn)化假設。
這種建模方法只能預測一些粗略的趨勢預測，不能顧及每個(gè)輸入參數對性能的影響，尤其是不能預測在參數空間內各種組合對性能的影響?；谶@種現狀考慮使用人工神經(jīng)網(wǎng)絡(luò )進(jìn)行性能分析建模。KBANN算法使用先驗知識的方法是將假設初始化為完美擬合領(lǐng)域理論，然后按照需要歸納地精華此初始假設以擬合訓練數據。
KBANN與純歸納的反向傳播算法比較
理論比較：兩者的關(guān)鍵區別在于執行權值調節所基于的初始假設。在有多個(gè)假設能擬合數據的情況下，KBANN更有可能收斂到這樣的假設，他從訓練數據中泛化與領(lǐng)域理論的預測更相似。
另一方面，反向傳播收斂到的特定假設可能是小權值的假設，它大致對應在訓練樣例間平滑插值的泛化偏置。KBANN使用一個(gè)領(lǐng)域特定的理論來(lái)偏置泛化，反向傳播算法使用―個(gè)與領(lǐng)域無(wú)關(guān)的語(yǔ)法偏置。從圖例中可以看出KBANN算法效果好于傳統的純歸納反向傳播算法。
神經(jīng)網(wǎng)絡(luò )算法范文第2篇
>> 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò )算法在多元非線(xiàn)性系統建模中的應用 改進(jìn)的求解非線(xiàn)性方程組的迭代神經(jīng)網(wǎng)絡(luò )算法 基于非線(xiàn)性粒子群算法與神經(jīng)網(wǎng)絡(luò )的天氣預測 演化算法在非線(xiàn)性方程求解方面的應用 基于BP神經(jīng)網(wǎng)絡(luò )的非線(xiàn)性函數擬合 非線(xiàn)性倒立擺系統的神經(jīng)網(wǎng)絡(luò )辨識 基于遺傳小波神經(jīng)網(wǎng)絡(luò )的非線(xiàn)性動(dòng)態(tài)自治網(wǎng)絡(luò )故障診斷仿真算法 一種基于正交基神經(jīng)網(wǎng)絡(luò )的非線(xiàn)性衛星信道預失真補償算法 神經(jīng)網(wǎng)絡(luò )在電路故障診斷方面的應用 神經(jīng)網(wǎng)絡(luò )在鋼鐵企業(yè)質(zhì)量預測方面的應用 BP神經(jīng)網(wǎng)絡(luò )在坐標轉換方面的應用 人工神經(jīng)網(wǎng)絡(luò )在電渦流傳感器非線(xiàn)性補償中的應用研究 基于神經(jīng)網(wǎng)絡(luò )的通用非線(xiàn)性神經(jīng)自適應控制研究 基于BP神經(jīng)網(wǎng)絡(luò )的非線(xiàn)性網(wǎng)絡(luò )流量預測 改進(jìn)的基于神經(jīng)網(wǎng)絡(luò )的非線(xiàn)性多元回歸分析 基于徑向基神經(jīng)網(wǎng)絡(luò )的非線(xiàn)性系統辨識 基于OBF神經(jīng)網(wǎng)絡(luò )的溫度傳感器非線(xiàn)性補償方法 基于RBF神經(jīng)網(wǎng)絡(luò )的非線(xiàn)性控制系統 群智能算法優(yōu)化神經(jīng)網(wǎng)絡(luò )在網(wǎng)絡(luò )安全的應用 淺談基于BP神經(jīng)網(wǎng)絡(luò )的水源熱泵在建筑節能方面的應用 常見(jiàn)問(wèn)題解答 當前所在位置：中國 > 教育 > 神經(jīng)網(wǎng)絡(luò )算法非線(xiàn)性?xún)?yōu)化方面的應用 神經(jīng)網(wǎng)絡(luò )算法非線(xiàn)性?xún)?yōu)化方面的應用 雜志之家、寫(xiě)作服務(wù)和雜志訂閱支持對公帳戶(hù)付款！安全又可靠！ document.write("作者：
方達 胡忠剛")
申明:本網(wǎng)站內容僅用于學(xué)術(shù)交流，如有侵犯您的權益，請及時(shí)告知我們，本站將立即刪除有關(guān)內容。
摘 要：文章通過(guò)神經(jīng)網(wǎng)絡(luò )算法對一類(lèi)非線(xiàn)性?xún)?yōu)化方面的問(wèn)題進(jìn)行了分析，得到了應用神經(jīng)網(wǎng)絡(luò )非線(xiàn)性?xún)?yōu)化算法求解該類(lèi)問(wèn)題的具體步驟和算法方案，并給出了實(shí)例進(jìn)行驗證，證明了神經(jīng)網(wǎng)絡(luò )非線(xiàn)性?xún)?yōu)化算法是有效的，具有理論意義和實(shí)用價(jià)值。
關(guān)鍵詞：：神經(jīng)網(wǎng)絡(luò )算法;MTLAB;非線(xiàn)性?xún)?yōu)化最優(yōu)化
中圖分類(lèi)號：G622 文獻標識碼：B 文章編號：1002-7661（2014）22-002-01
人工神經(jīng)網(wǎng)絡(luò )是由簡(jiǎn)單的處理單元所組成的大量并行分布的處理機，這種處理機具有儲存和應用經(jīng)念知識的自然特性，它與人腦的相似之處概括兩個(gè)方面：一是通過(guò)學(xué)習過(guò)程利用神經(jīng)網(wǎng)絡(luò )從外部環(huán)境中獲取知識;二是內部神經(jīng)元（突觸權值）用來(lái)存儲獲取的知識信息。
一、神經(jīng)網(wǎng)絡(luò )非線(xiàn)性?xún)?yōu)化求解鐵路空車(chē)調度組合優(yōu)化問(wèn)題
目前鐵路局對空車(chē)調度計劃是利用表上作業(yè)法，采用計算機輔助統計，要經(jīng)過(guò)分局管內各主要站和各區段的車(chē)種別空車(chē)調度，分局間分界站車(chē)種別交接空車(chē)數的確定;局間分界站車(chē)種別交接空車(chē)數的確定來(lái)編制整個(gè)鐵路局的空車(chē)調度計劃.下面用神經(jīng)網(wǎng)絡(luò )優(yōu)化方法解決該問(wèn)題。
空車(chē)調度問(wèn)題一般指的是：設有個(gè)空車(chē)發(fā)送站，個(gè)空車(chē)到達站數的距離為，設空車(chē)產(chǎn)生站 到空車(chē)需求站的空車(chē)數為，由發(fā)出的空車(chē)數為，則應滿(mǎn)足
空車(chē)需求站接受到的空車(chē)數為，則應滿(mǎn)足
假設空車(chē)產(chǎn)生數等于空車(chē)的需求數，即平衡運輸，則
總的空車(chē)走行公里數為
由于神經(jīng)元的輸出值在之間，而空車(chē)數目是大于1的數，則將（ ）作為實(shí)際空車(chē)數，這樣就可以保證在（ ）之間，求為在中所占的百分比，為了用Hopfield神經(jīng)網(wǎng)絡(luò )求解空車(chē)調度問(wèn)題，建立能量函數如下
式中
表示空車(chē)發(fā)送站的空車(chē)數應等于的約束，當且僅當發(fā)車(chē)數為時(shí)，該項為0; 表示空車(chē)到達站所需的空車(chē)數應等于的約束，當且僅當到達的空車(chē)數為時(shí)，該項為0;
表示對空車(chē)調度的總體約束;
表示對目標項的約束;
表示懲罰項系數，為目標項系數.
當計算能量函數 達到最小時(shí)，對應于空車(chē)調整計劃的一個(gè)最佳計劃方案.其算法如下
則動(dòng)態(tài)迭代過(guò)程為
其中 ，分別代表迭代次數，選取0.001.
二、結束語(yǔ)
神經(jīng)網(wǎng)絡(luò )算法范文第3篇
關(guān)鍵詞：人臉檢測；
Adaboost算法；
神經(jīng)網(wǎng)絡(luò )；
樣本擴張
中圖分類(lèi)號：TP391.41 文獻標識碼：A 文章編號：1007-9599 （2012） 17-0000-02
0 引言
本文采用樣本擴張策略使得樣本信息可以更全面的覆蓋人臉和非人臉信息，克服了原有算法在樣本選擇上的隨機性，加強了訓練樣本的代表性，再利用Adaboost算法與神經(jīng)網(wǎng)絡(luò )串聯(lián)對人臉進(jìn)行檢測，從而降低了原有算法對人臉檢測的錯檢和重復檢測率。
1 Adaboost算法的人臉檢測
1.1 Adaboost算法原理
Adaboost是一種迭代算法，其算法思想簡(jiǎn)單說(shuō)就是把一組弱分類(lèi)器通過(guò)多次迭代，調整正負樣本的權重，并把這些弱分類(lèi)器按一定權重累加起來(lái)，最終得到所期望的強分類(lèi)器。利用這個(gè)強分類(lèi)器就可以對圖像進(jìn)行人臉檢測了。
具體算法：
每個(gè)樣本都賦予一個(gè)權重，T次迭代，每次迭代后，對分類(lèi)錯誤的樣本加大權重，使得下一次的迭代更加關(guān)注這些樣本。
輸入：（X1，Y1）， （X2，Y2），…（Xn，Yn）
Xi∈X， Yi∈Y={+1，-1}
初始化權值：D1（i）=1/n
For t=1，…，T
在Dt下訓練，
得到弱的假設ht：
X->{-1，+1}，
錯誤率：Εt=ΣDt（i） [ht（Xi）≠Yi]
選擇αt=1/2 ln （ （1- Εt）/ Εt ），
更改權值：
if ht（Xi）≠Yi ， Dt+1（i）=Dt（i）* e αt /Zt
if ht（Xi）=Yi ， Dt+1（i）=Dt（i）* e -αt /Zt
輸出：H（X）=sign（ ∑αtht（X） ）
1.2 弱分類(lèi)器的生成
為減少計算量和主要特征參數，本文采用主成分分析方法（PCA）得到弱分類(lèi)器。PCA用于人臉識別，其實(shí)是假設所有的人臉都處于一個(gè)低維線(xiàn)性空間，而且不同的人臉在這個(gè)空間中具有可分性。其具體做法是由高維圖像空間經(jīng)K—L變換后得到的一組新的正交基，對這組正交基進(jìn)行一定的取舍，保留其中的一部分生成低維的人臉空間。
每一個(gè)PCA特征都對應著(zhù)一個(gè)弱分類(lèi)器，每一個(gè)弱分類(lèi)器都是根據它所對應的特征的參數來(lái)定義的。利用上述特征的位置信息，對訓練樣本進(jìn)行統計就可以得到對應的特征參數。
1.3 測試環(huán)境和結果分析
影響本算法的因素：正負樣本的個(gè)數，循環(huán)次數i的大??；
縮放的大??；
級聯(lián)結構的級數；
每一級中的循環(huán)次數；
每一級中所選取的PCA提取特征的數目以及判斷為正人臉樣本的特征的個(gè)數。
本算法選取了 2000 個(gè)正樣本，2000 個(gè)負樣本。
實(shí)驗環(huán)境：Pentium（R） 4 CPU 2.93GHz 1.00GB內存。MATLAB：R2010b。測試結果如圖1
圖 1
由圖可看出，此算法在多人臉檢測情況下，有較高的錯檢率和重復檢測率。
2 Adaboost算法與神經(jīng)網(wǎng)絡(luò )串聯(lián)檢測人臉
2.1 人工神經(jīng)網(wǎng)絡(luò )概述
人工神經(jīng)網(wǎng)絡(luò )是人腦神經(jīng)網(wǎng)絡(luò )的數學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò )結構和功能而建立的一種信息處理系統。它實(shí)際上是由大量簡(jiǎn)單元件相互連接而成的復雜網(wǎng)絡(luò )，具有高度的非線(xiàn)性，能夠進(jìn)行相關(guān)的邏輯操作和非線(xiàn)性關(guān)系實(shí)現的系統。
在現有神經(jīng)網(wǎng)絡(luò )中，BP網(wǎng)絡(luò )、RBF網(wǎng)絡(luò )、反饋網(wǎng)絡(luò )和LVQ網(wǎng)絡(luò )是目前使用較多的網(wǎng)絡(luò )，也是在模式識別領(lǐng)域應用最廣泛的網(wǎng)絡(luò )。
LVQ網(wǎng)絡(luò )學(xué)習簡(jiǎn)單，速度相對來(lái)說(shuō)較快，相同情況下與其他網(wǎng)絡(luò )相比可以實(shí)現更好的效果，因此本文采用了LVQ網(wǎng)絡(luò )在A(yíng)daboost的基礎之上進(jìn)行分類(lèi)識別。
2.2 樣本擴張和串聯(lián)檢測思路
Adaboost算法的效果與前期訓練時(shí)若分類(lèi)其的選取關(guān)系重大，而弱分類(lèi)器的選取在一定程度上依賴(lài)于樣本集的選取，因而訓練樣本集顯得十分重要。在A(yíng)daboost算法中，人臉和非人臉的選取比較重要隨機，不能很好的表達人臉和非人臉的信息。針對這一現象，采用樣本擴張的策略，使擴張后的訓練樣本可以比較全面的覆蓋人臉和非人臉信息。
樣本擴張的實(shí)現過(guò)程如下：1、用隨機選取的人臉和非人臉樣本構成初始訓練庫；
2、利用該訓練庫訓練神經(jīng)網(wǎng)絡(luò )，再將訓練好的神經(jīng)網(wǎng)絡(luò )對Adaboost分類(lèi)器判斷為正樣本的圖片進(jìn)行進(jìn)一步判斷，如果神經(jīng)網(wǎng)絡(luò )判斷為負樣本，則將圖片加入初始訓練庫，用神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練，同時(shí)直接將Adaboost分類(lèi)器判斷為負樣本的圖片加入初始訓練庫中，用神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練。
因此，通過(guò)樣本擴張形成的新訓練庫更具有代表性，可以很好的涵蓋人臉和非人臉信息，再進(jìn)行Adaboost和神經(jīng)網(wǎng)絡(luò )串聯(lián)進(jìn)行判斷，可以得到很好的效果。
2.3 測試環(huán)境和結果分析
本算法選取了 2000 個(gè)正樣本，2000 個(gè)負樣本。
實(shí)驗環(huán)境：Pentium（R） 4 CPU 2.93GHz 1.00GB內存。MATLAB：R2010b。測試結果如圖3
圖 2
評價(jià)：
在adaboost加入神經(jīng)網(wǎng)絡(luò )串聯(lián)后，圖1與圖3相比，錯誤和重復檢測消除了很多。實(shí)際運行中，由于神經(jīng)網(wǎng)絡(luò )訓練權值的隨機的初始化的影響，會(huì )造成圖片橫縱方向都每隔兩個(gè)點(diǎn)掃描檢測時(shí)可能會(huì )隨機多出1到2個(gè)錯檢，或者就沒(méi)有錯檢出現，這個(gè)是沒(méi)有辦法避免的，但是效果已經(jīng)相對來(lái)說(shuō)提高了很多了。
3 兩種算法在給定測試樣本數目下識別率的比較
實(shí)驗環(huán)境：Pentium（R） 4 CPU 2.93GHz 1G內存
MATLAB：R2010b
說(shuō)明：訓練樣本如果為10，則表示正樣本為5，負樣本也為5，訓練樣本如果為20，則表示正樣本為10，負樣本也為10，以此類(lèi)推；
每一次試驗做30次取其均值
實(shí)驗數據來(lái)源：mit人臉數據庫
結果分析：在測試樣本數目，循環(huán)次數以及PCA能量給定的情況下，采用Adaboost算法進(jìn)行試驗，當訓練樣本數目較少時(shí)，識別率比較低；
當訓練樣本數增加的時(shí)候，增大到一定的程度，識別率不會(huì )有所提高了，反而所需的時(shí)間增加了，因此當選擇訓練樣本的數目為20的時(shí)候，識別率有所提到，而且所用時(shí)間沒(méi)有明顯增大。
表2 改變循環(huán)次數T（Train Sample = 20， Test Sample = 500， PCA（98%），Adaboost算法）
結果分析：在測試樣本數目，訓練樣本數目以及PCA能量給定的情況下，采用Adaboost算法進(jìn)行試驗，當循環(huán)次數較少的時(shí)候識別率比較低，當循環(huán)次數增大到一定程度以后，再增加循環(huán)次數，識別率沒(méi)有明顯提升反而所需時(shí)間增加了，因此選擇循環(huán)次數為10次的時(shí)候技能有較高的識別率，所需時(shí)間沒(méi)有明顯增加。
在選擇了訓練樣數目以及循環(huán)次數后，基本排除了這兩個(gè)因素對識別率的影響，進(jìn)行PCA能量的選擇來(lái)比較一下Adaboost算法與增加神經(jīng)網(wǎng)絡(luò )后的算法的識別率的大小。
由上表可以看出，Adaboost算法與神經(jīng)網(wǎng)絡(luò )串聯(lián)后的的算法具有很好的識別率。本次試驗是在識別的基礎之上做的，針對的是給定數目的測試樣本，要是做到人臉檢測需要更多的訓練樣本來(lái)提取人臉特征。
4 結論
本文提出的基于神經(jīng)網(wǎng)絡(luò )擴張的adaboost人臉檢測算法在原有adaboost算法的基礎上加入了LVQ神經(jīng)網(wǎng)絡(luò )串聯(lián)，在經(jīng)過(guò)兩個(gè)算法的分類(lèi)識別和樣本擴張后，降低了原有算法的錯檢率和重復檢測率，在給定測試樣本數的實(shí)驗中，本文提出的方法要比原算法在識別率上有15%左右的提升。
參考文獻：
[1]李維維.基于膚色和AdaBoost算法的人臉檢測[J].網(wǎng)絡(luò )安全技術(shù)與應用，2012.
神經(jīng)網(wǎng)絡(luò )算法范文第4篇
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò )；
車(chē)牌圖像；
定位算法
中圖分類(lèi)號：TP311 文獻標識碼：A 文章編號：1009-3044（2016）14-0177-02
1引言
車(chē)牌定位就是指將車(chē)牌區域從復雜的汽車(chē)圖像背景中分割出來(lái)，是實(shí)現交通管理智能化的關(guān)鍵技術(shù)之一，其車(chē)牌的快速、準確定位是車(chē)牌識別系統中的核心問(wèn)題，直接關(guān)系到識別的成敗?，F階段，國內外比較有名的汽車(chē)拍照識別技術(shù)有IC卡識別技術(shù)、條形碼技術(shù)、人工神經(jīng)網(wǎng)絡(luò )識別技術(shù)等。這幾種技術(shù)具有適應性強、組織性強、識別功能強、抗干擾性強的特點(diǎn)，被人們廣泛地應用在各個(gè)領(lǐng)域。
我國汽車(chē)車(chē)牌圖像特點(diǎn)具體體現在以下幾方面：第一，機動(dòng)車(chē)的前方車(chē)牌一般會(huì )被安裝在車(chē)輛前段的中間或者右邊，后方車(chē)牌一般被安裝在車(chē)輛的中間或者右邊。需要注意的是車(chē)牌的安裝要進(jìn)行良好的固定處理，并要盡可能地保持水平安裝，對于縱向安裝的不能出現倒置的情況，也不能讓任何東西蓋住安裝。第二，車(chē)牌的標準格式一般由七個(gè)字符組成，第一個(gè)字符代表省市、自治區和直轄市，第二個(gè)字符是英文。第三個(gè)字符是英文字母或阿拉伯數字，第四到第七是阿拉伯數字。第三，車(chē)輛拍照區域中底色與字符顏色對比大，且在字符與底色交界處有較大的灰度值跳變，第四，拍照的長(cháng)寬對比約3：1
為了有效減少交通應急和交通事故的發(fā)生，需要有關(guān)人員解決車(chē)輛的智能管理問(wèn)題，加強對車(chē)輛牌照問(wèn)題的研究。在這個(gè)過(guò)程中，車(chē)牌智能識別技術(shù)發(fā)揮出了自身總要的作用和價(jià)值意義。為了準確的定位車(chē)牌圖像，現階段常用的方法主要是水平線(xiàn)的搜索定位方法、掃描行的車(chē)牌提取算法、自適應邊界搜索算法的定位算法，本文提出基于神經(jīng)網(wǎng)絡(luò )的定位算法，通過(guò)實(shí)驗，該方法定位準確、速度快、誤檢率、漏檢率高，能達到預期的效果。
2 神經(jīng)網(wǎng)絡(luò )算法
2.1 神經(jīng)網(wǎng)絡(luò )原理
隨著(zhù)神經(jīng)網(wǎng)絡(luò )理論研究的深入及其在計算機視覺(jué)、醫學(xué)圖像配準、航空攝影測量和飛行器匹配等領(lǐng)域廣泛應用，利用神經(jīng)網(wǎng)絡(luò )進(jìn)行圖像匹配的方法研究一直深受研究人員廣泛關(guān)注和高度重視。神經(jīng)網(wǎng)絡(luò )結構簡(jiǎn)單，算法成熟，且具有精確的尋優(yōu)等優(yōu)點(diǎn)，因此利用神經(jīng)網(wǎng)絡(luò )進(jìn)行圖像匹配是當前研究的一個(gè)重點(diǎn)，但標準算法具有易陷入局部極小、收斂速度慢等缺點(diǎn)，遺傳算法具有很強的宏觀(guān)搜索能力，并具有簡(jiǎn)單通用、魯棒性強、并行運算的特點(diǎn)，所以用它來(lái)完成當前搜索能較好的克服神經(jīng)網(wǎng)絡(luò )的缺點(diǎn)，基于在圖像匹配中遇到的實(shí)際問(wèn)題和對神經(jīng)網(wǎng)絡(luò )算法的分析，本文提出了基于遺傳算法和神經(jīng)網(wǎng)絡(luò )圖像匹配算法，對車(chē)牌圖像進(jìn)行定位研究。神經(jīng)網(wǎng)絡(luò )主要是指對整理搜集到的樣本車(chē)牌圖像進(jìn)行訓練，在訓練之后做好與之相對應的處理，最終利用訓練的神經(jīng)網(wǎng)絡(luò )來(lái)提取有關(guān)車(chē)牌區域。這種方法的計算量很大，但是具有很高的準確率，且擁有良好的適應能力，減少網(wǎng)絡(luò )局限對信息處理的影響。在一般情況下，神經(jīng)網(wǎng)絡(luò )是由常規線(xiàn)性排列成祖，每一個(gè)處理單元都具有很多的輸入量，且每一個(gè)輸入量之間都會(huì )對應一個(gè)相互關(guān)聯(lián)的權重，在單元處理的過(guò)程中能夠將輸入量信息在加工之后傳送到下一層系統神經(jīng)元中?，F階段，關(guān)于神經(jīng)元模式，有關(guān)人員提出了很多種，其中最大的是Pitts在分析總結神經(jīng)元基本特性的基礎上首先提出的M-P模型，它是大多數神經(jīng)網(wǎng)絡(luò )模型的基礎，如下圖所示。
[Yj（t）=f（i=1nwjixi-θj）] （1）
式（1）中，Yj是神經(jīng)元單元的偏置（閾值），[wji]是連接權的有關(guān)系數（對于激發(fā)狀態(tài)，[wji]取正值，對于抑制狀態(tài)，[wji]取負值），n為輸入信號數目，[Yj]為神經(jīng)元輸出，t為時(shí)間，f（）為輸出變換函數，這種變換函數的應用往往采用0和1二值函數或S形函數。
2.2遺傳算法
遺傳算法主要是一種解決問(wèn)題的最優(yōu)化方法，主要是在生物遺傳技術(shù)和自然選擇基礎上發(fā)展起來(lái)的。隨著(zhù)社會(huì )的進(jìn)步和科技的發(fā)展，人們 對遺傳算法的研究進(jìn)一步加強，設計的領(lǐng)域范圍不斷拓展，具體包括如機器學(xué)習、模式識別、圖像處理、神經(jīng)網(wǎng)絡(luò )等方面，遺傳算法的特點(diǎn)具體體現在以下幾個(gè)方面：第一，從問(wèn)題的解集開(kāi)始進(jìn)行搜索處理是對原有生物進(jìn)化過(guò)程的一種抽象，，而不是從某一個(gè)單個(gè)解開(kāi)始；
第二，遺傳算法求解過(guò)程中所應用特定問(wèn)題的信息較少，很容易形成一種通用的算法程序；
第三，遺傳算法體現很強的容納力；
迪迪，遺傳算法能夠實(shí)現隨機的選擇和操作，不受各種條件和規定的約束；
第四，遺傳算法具有并行性的 特點(diǎn)。文章重點(diǎn)將遺傳算法應用在車(chē)牌定位中，利用這種搜索算法獲得良好的車(chē)牌定位效果。
2.3神經(jīng)網(wǎng)絡(luò )算法過(guò)程
神經(jīng)網(wǎng)絡(luò )算法過(guò)程具體體現在以下幾方面：第一，能夠為車(chē)牌中的漢子收集到七個(gè)到八個(gè)的訓練樣本。其中，每個(gè)樣本大概有兩部分組成，包括輸入信息和期望值的輸出結果等。第二，從各個(gè)訓練樣本中選取一個(gè)樣本例子，將具體的輸入信息輸入到相關(guān)網(wǎng)絡(luò )中；
第三，對神經(jīng)元處理之后得到的信息計算后輸出；
第四，對實(shí)際輸出誤差和期望輸出誤差進(jìn)行計算；
第五，從輸出層的反向計算，慢慢滲透在相關(guān)的隱層中，并按照一定的誤差縮小原則，實(shí)現對網(wǎng)絡(luò )中各個(gè)神經(jīng)元連接的調整和有效取值。第六，對每一個(gè)訓練樣本集的每一個(gè)樣例反復重復第三點(diǎn)和第五點(diǎn)的步驟，直到對整個(gè)訓練樣本集的誤差達到要求為止。
這種算法在訓練自適應增強算法的支持下能夠實(shí)現對車(chē)牌的充分檢測，進(jìn)而尋找出有效的車(chē)牌信息，并在形態(tài)學(xué)的辦法支持下提取重要的對比特征，這些對比特征能夠總結出在不同光照變化下神經(jīng)網(wǎng)絡(luò )也具有很強的應用性能，具體的實(shí)驗結果分析如下所示：
3 實(shí)驗結果分析
根據車(chē)牌的紋理特征能夠發(fā)現，在任何一條掃描線(xiàn)上，都會(huì )出現筆畫(huà)和背景膠體出現的情況，呈現了一種灰度截面上的峰谷交替特征，通過(guò)對每條掃描線(xiàn)上顯著(zhù)峰谷位置的檢測，能夠實(shí)現對所有掃描線(xiàn)的峰谷的綜合，進(jìn)而得到可能的車(chē)牌區域。具體方法包括兩種：第一，在局部的小窗口上來(lái)對其邊緣密度信息進(jìn)行計算，并在密度值較高的小窗口上取出相關(guān)的形成區域，通過(guò)對區域形狀的分析來(lái)獲得有關(guān)車(chē)牌信息，另一種方法是對原始圖像進(jìn)行中值濾波等降噪處理，通過(guò)對具有代表性區域的確定和 分析來(lái)確定字符的候選區，從而確定車(chē)牌的候選區。本實(shí)驗圖像庫中共有120幅圖（640個(gè)樣本），其中80幅作為訓練集（420個(gè)樣本）；
40幅圖作為測試集（220個(gè)樣本）。
本文在MATLAB環(huán)境下運行，達到了預期的效果。由實(shí)驗可知，圖（A）是白天拍攝的原始圖，圖（B）夜晚拍攝的原始圖像，（C）、（D）為神經(jīng)網(wǎng)絡(luò )算法定位后的圖像。，由實(shí)驗可知，因為光照的影響，黑暗下車(chē)牌定位存在模糊不清的現象。
參考文獻：
[1]丁偉.改進(jìn)神經(jīng)網(wǎng)絡(luò )算法在車(chē)牌識別中的應用[J].計算機仿真，2011（8）.
[2]趙先軍.基于神經(jīng)網(wǎng)絡(luò )的車(chē)牌識別技術(shù)研究[J].西安電子科技大學(xué)，2014（8）.
[3]范春梅.車(chē)牌識別算法的研究與實(shí)現[J].五邑大學(xué)，2013（10）.
[4]王智文.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò )的車(chē)牌字符識別研究[J].廣西工學(xué)院，2012（3）.
[5]王潤民.基于小波和神經(jīng)網(wǎng)絡(luò )的車(chē)牌識別系統研究[J].湖南師范大學(xué)，2014（3）.
神經(jīng)網(wǎng)絡(luò )算法范文第5篇
關(guān)鍵詞：智能車(chē)；
電磁循跡；
路徑識別；
神經(jīng)網(wǎng)絡(luò )；
偏差量
中圖分類(lèi)號：TP391.41 文獻標識碼：A 文章編號：1007-9599 （2012） 17-0000-02
1 引言
人工神經(jīng)網(wǎng)絡(luò )是模擬生物神經(jīng)系統建立起來(lái)的非線(xiàn)性動(dòng)力學(xué)系統具有自我學(xué)習、聯(lián)想存儲以及高速尋求最優(yōu)解的強大功能，它的分類(lèi)能力和非線(xiàn)性映射能力使得它在系統辨識、模式識別、圖像處理、智能控制等領(lǐng)域有著(zhù)廣泛而吸引人的前景，并且越來(lái)越多地被人們所運用。
“飛思卡爾”杯全國大學(xué)生智能車(chē)競賽中的電磁組是依據電磁感應原理，實(shí)現智能車(chē)的自動(dòng)循跡。以飛思卡爾公司生產(chǎn)的MC9S12XS128芯片作為微控制器，以通有固定頻率和電流值的導線(xiàn)作為目標路徑，用電磁傳感器檢測智能車(chē)偏離導線(xiàn)的偏差量，配合舵機和電機的動(dòng)作在50cm寬的賽道上實(shí)現自動(dòng)循跡。其中偏差量的檢測與計算是智能車(chē)能否準確快速跟蹤引導線(xiàn)的關(guān)鍵。當前偏差量的計算算法主要有兩種，一種是取感應電動(dòng)勢最大的傳感器位置作為線(xiàn)徑所在位置，這種方法本質(zhì)上以點(diǎn)來(lái)檢測，測量精度低，需要的傳感器數量大。另外一種是根據感應電動(dòng)勢的特點(diǎn)，將兩個(gè)傳感器的感應電動(dòng)勢作差值計算，得到電動(dòng)勢與偏差量之間的一個(gè)二次函數，這種方式計算是關(guān)于二次函數來(lái)進(jìn)行的，計算量大，對檢測的實(shí)時(shí)性會(huì )有所影響。本文提出的方案，是以電感線(xiàn)圈作為傳感器來(lái)檢測路徑，基于人工神經(jīng)網(wǎng)絡(luò )算法來(lái)計算車(chē)身相對引導線(xiàn)的偏移量，把樣本數據放在matlab環(huán)境下訓練，得到滿(mǎn)足誤差要求的參數，然后將參
2 BP神經(jīng)網(wǎng)絡(luò )模型基本原理
BP神經(jīng)網(wǎng)絡(luò )由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。輸入層各神經(jīng)元負責接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；
中間層是內部信息處理層，負責信息變換，中間層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結果。當實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反向傳播。BP神經(jīng)網(wǎng)絡(luò )的拓撲結構如所示：
BP神經(jīng)網(wǎng)絡(luò )主要由輸入層、隱含層和輸出層構成。輸入信號先向前傳播到隱含層節點(diǎn)，經(jīng)作用函數后，把隱節點(diǎn)的輸出信號傳播到輸出節點(diǎn)，最后得出輸出結果。本文中隱層節點(diǎn)的激勵函數選取雙曲正切S型函數，
（1）
在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉入反向傳播，將誤差信號沿原來(lái)的連接通道返回，通過(guò)修改各層神經(jīng)元的權值，使得誤差信號最小。
前向傳播過(guò)程：
（1）隱層神經(jīng)元的輸入為輸入神經(jīng)元的加權和加上輸入層到隱層的閾值。
（2）
（2）隱層神經(jīng)元的輸出為：
（3）
（3）輸出層神經(jīng)元輸出為隱層神經(jīng)元的輸出加權和加上隱層到輸出層閾值。
（4）
網(wǎng)絡(luò )輸出y1與理想輸出y01的誤差e1為：
e1=y10-y1 （5）
反向傳播采用L-M優(yōu)化算法，調整各層間的權值。L-M算法是一種利用標準的數值優(yōu)化技術(shù)的快速算法，它是梯度下降法與高斯-牛頓法的結合。設W（k）表示第 k 次迭代的權值和閾值所組成的向量新的權值和閾值組成的向量W（k+1）可根據下面的規則求得：
（6）
對于L-M算法則有：
（7）
其中，J為雅克比矩陣。比例系數μ>0為常數，I為單位矩陣。當 μ=0即為高斯-牛頓法；
當μ取值很大則接近梯度下降法。實(shí)踐證明，采用L-M算法可以較原來(lái)的梯度下降法提高速度幾十甚至上百倍。本文采用L-M算法進(jìn)行訓練。
3 Matlab中神經(jīng)網(wǎng)絡(luò )算法的實(shí)現
3.1 獲取樣本數據
根據麥克斯韋電磁場(chǎng)理論，通有交變電流的導線(xiàn)會(huì )在其周?chē)a(chǎn)生交變的電磁場(chǎng)，如果在里面放置一個(gè)電感線(xiàn)圈，電磁感應作用會(huì )使線(xiàn)圈中產(chǎn)生交變的感應電壓。智能車(chē)使用電感線(xiàn)圈作為傳感器檢測導線(xiàn)周?chē)艌?chǎng)信息，由電磁學(xué)可知，水平放置的電感線(xiàn)圈在導線(xiàn)磁場(chǎng)內的感應電動(dòng)勢E=h/（h2+x2），h表示傳感器離導線(xiàn)的垂直距離，x代表傳感器距離導線(xiàn)的水平距離。假設h=5cm，x在±15cm內電動(dòng)勢和水平距離的關(guān)系曲線(xiàn)如2所示：
經(jīng)過(guò)實(shí)際測試，使用四路傳感器比較合適。傳感器分布以車(chē)軸為中心，間隔為12cm 呈“一”字均勻排列構成前瞻，傳感器距離水平面15cm，距離車(chē)身50cm。布局示意圖如圖3所示：
圖2電動(dòng)勢和水平距離的曲線(xiàn)圖 3前瞻分布示意圖
將傳感器的感應電動(dòng)勢進(jìn)行檢波放大 ，把處理后的信號經(jīng)AD轉換得到傳感器信號值。轉換過(guò)程如圖4所示。
本系統的BP神經(jīng)網(wǎng)絡(luò )的輸入為四路傳感器的感應電壓信號，輸出為小車(chē)車(chē)身偏移引導線(xiàn)的水平偏移量，綜合考慮訓練誤差和速度，設置隱含層得神經(jīng)元個(gè)數為10。訓練目標誤差平方和取為0.000005 ，訓練次數為5000次。
3.2 智能車(chē)算法實(shí)現：
最終算法的實(shí)現需要將神經(jīng)網(wǎng)絡(luò )的訓練好的權重和閾值移植到智能車(chē)的微控制器中去。通過(guò)BP神經(jīng)網(wǎng)絡(luò )對智能車(chē)采集到的輸入信號進(jìn)行處理運算，計算得到的輸出層的神經(jīng)元輸出值就是當前車(chē)軸中心線(xiàn)偏離引導線(xiàn)的偏差量，根據此值進(jìn)行相應的打舵與調速操作，以實(shí)現智能車(chē)的快速穩定循跡。
4 實(shí)驗結果與分析
記錄并分析實(shí)驗數據，matlab訓練得到的實(shí)際輸出與理想輸出之間的關(guān)系如圖5所示：
由上圖可知，基于BP神經(jīng)網(wǎng)絡(luò )算法計算出的偏差量與理想偏差量之間的誤差在±1cm以?xún)?。在“飛思卡爾”杯智能汽車(chē)競賽中，由于神經(jīng)網(wǎng)絡(luò )的非線(xiàn)性映射能力和高速尋求最優(yōu)解能力，把它應用到智能車(chē)的循跡上來(lái)效果是很明顯的，它不需要計算感應電動(dòng)勢和偏差量之間的非線(xiàn)性關(guān)系，把計算量很大的訓練過(guò)程放在matlab環(huán)境下進(jìn)行，微控制器直接使用matlab下訓練得到的參數就可以了。
5 結論
本文在當前主流循跡算法的基礎上，提出了基于BP神經(jīng)網(wǎng)絡(luò )的路徑識別算法，并詳細敘述了基本原理和具體的實(shí)現方法。實(shí)驗結果證明：使用BP神經(jīng)網(wǎng)絡(luò )計算得到的結果誤差在±1cm以?xún)?，它可以大幅度地提高智能小?chē)對環(huán)境的適應性，從而降低系統對智能小車(chē)硬件的要求。但其激勵函數和學(xué)習算法仍需要深入研究，并且在實(shí)際運用中還有待提高，以達到更好的應用效果。
參考文獻：
[1]卓晴，黃開(kāi)勝，邵貝貝.學(xué)做智能車(chē)[M].北京：北京航天航空出版社，2007.
[2]馬銳.人工神經(jīng)網(wǎng)絡(luò )原理[M].機械工業(yè)出版社，2010.
[3]張雨濃，楊逸文，李巍.神經(jīng)網(wǎng)絡(luò )權值直接確定法[M].中山大學(xué)出版社，2010.
[4]陳杰，黃鴻.傳感器與檢測技術(shù)[M].北京：高等教育出版社，2002.
[5]飛思卡爾競賽管理秘書(shū)處，電磁組競賽車(chē)模路徑檢測設計參考方案，2010.
[6]童詩(shī)白，華成英.模擬電子技術(shù)基礎[M].高等教育出版社，2000.
[7]傅薈璇，趙紅等.MATLAB神經(jīng)網(wǎng)絡(luò )應用設計[M].機械工業(yè)出版社，2010.
[8]CS12微控器原理及應用[M].北京航天航空大學(xué)出版社，2007.
