圖像識別技術(shù)-神經(jīng)網(wǎng)絡(luò)識別方法的分析

胡菡靜+王小妮+王磊+李翠

【摘要】 圖像識別技術(shù)的方法主要分為統(tǒng)計(jì)模式識別方法、句法模式識別方法、模糊模式識別方法以及神經(jīng)網(wǎng)絡(luò)識別方法，本文在概述圖像識別基本概念及基本技術(shù)的基礎(chǔ)上，著重對圖像識別中神經(jīng)網(wǎng)絡(luò)識別方法進(jìn)行分析。

【關(guān)鍵詞】 圖像識別技術(shù) 神經(jīng)網(wǎng)絡(luò)識別

模式識別研究的目的是用機(jī)器來模擬人的各種識別能力—比如說模擬人的視覺與聽覺能力，因此圖像識別的目的是對文字、圖像、圖片、景物等模式信息加以處理和識別，以解決計(jì)算機(jī)與外部環(huán)境直接通信這一問題?？梢哉f，圖像識別的研究目標(biāo)是為機(jī)器配置視覺“器官”，讓機(jī)器具有視覺能力，以便直接接受外界的各種視覺信息。

一、圖像識別系統(tǒng)

一個圖像識別系統(tǒng)可分為四個主要部分：被識圖像、圖像信息獲取、圖像預(yù)處理、圖像特征提取、分類判決。

二、圖像識別方法

圖像識別的方法很多，可概括為統(tǒng)計(jì)（或決策理論）模式識別方法、句法（或結(jié)構(gòu)）模式識別方法、模糊模式識別方法以及神經(jīng)網(wǎng)絡(luò)識別方法。重點(diǎn)介紹神經(jīng)網(wǎng)絡(luò)識別方法。

2.1神經(jīng)網(wǎng)絡(luò)識別方法

2.1.1人工神經(jīng)網(wǎng)絡(luò)的組成

人工神經(jīng)網(wǎng)絡(luò)（簡稱ANN）是由大量處理單元經(jīng)廣泛互連而組成的人工網(wǎng)絡(luò)，用來模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。而這些處理單元我們把它稱作人工神經(jīng)元。

2.1.2人工神經(jīng)網(wǎng)絡(luò)的輸出

2.1.3人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)中，各神經(jīng)元的不同連接方式就構(gòu)成了網(wǎng)絡(luò)的不同連接模型。常見的連接模型有：前向網(wǎng)絡(luò)、從輸入層到輸出層有反饋的網(wǎng)絡(luò)、層內(nèi)有互聯(lián)的網(wǎng)絡(luò)及互聯(lián)網(wǎng)絡(luò)。

2.1.4 學(xué)習(xí)算法

1）感知器模型及其算法

算法思想：首先把連接權(quán)和閾值初始化為較小的非零隨機(jī)數(shù)，然后把有n個連接權(quán)值的輸入送入網(wǎng)絡(luò)中，經(jīng)加權(quán)運(yùn)算處理后，得到一個輸出，如果輸出與所期望的有較大的差別，就對連接權(quán)值參數(shù)按照某種算法進(jìn)行自動調(diào)整，經(jīng)過多次反復(fù)，直到所得到的輸出與所期望的輸出間的差別滿足要求為止。

2）反向傳播模型及其算法

反向傳播模型也稱B-P模型，是一種用于前向多層的反向傳播學(xué)習(xí)算法。

算法思想是：B-P算法的學(xué)習(xí)目的是對網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整，使得調(diào)整后的網(wǎng)絡(luò)對任一輸入都能得到所期望的輸出。學(xué)習(xí)過程包括正向傳播和反向傳播。正向傳播用于對前向網(wǎng)絡(luò)進(jìn)行計(jì)算，即對某一輸入信息，經(jīng)過網(wǎng)絡(luò)計(jì)算后求出它的輸出結(jié)果；反向傳播用于逐層傳遞誤差，修改神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)最終得到的輸出能夠達(dá)到期望的誤差要求。

B-P算法的學(xué)習(xí)過程如下：

第一步：選擇一組訓(xùn)練樣例，每一個樣例由輸入信息和期望的輸出結(jié)果兩部分組成；第二步：從訓(xùn)練樣例集中取出一樣例，把輸入信息輸入到網(wǎng)絡(luò)中；第三步：分別計(jì)算經(jīng)神經(jīng)元處理后的各層節(jié)點(diǎn)的輸出；第四步：計(jì)算網(wǎng)絡(luò)的實(shí)際輸出和期望輸出的誤差；第五步：從輸出層反向計(jì)算到第一個隱層，并按照某種原則（能使誤差向減小方向發(fā)展），調(diào)整網(wǎng)絡(luò)中各神經(jīng)元的權(quán)值；第六步：對訓(xùn)練樣例集中的每一個樣例重復(fù)一到五的步驟，直到誤差達(dá)到要求時為止。

3）Hopfield模型及其學(xué)習(xí)算法

它是一種反饋型的神經(jīng)網(wǎng)絡(luò)，在反饋網(wǎng)絡(luò)中，網(wǎng)絡(luò)的輸出要反復(fù)地作為輸入再送入網(wǎng)絡(luò)中，使得網(wǎng)絡(luò)具有了動態(tài)性，因此網(wǎng)絡(luò)的狀態(tài)在不斷的改變之中。

算法思想是：

（a） 設(shè)置互連權(quán)值

其中xis是s類樣例的第i個分量，它可以為1或0，樣例類別數(shù)為m，節(jié)點(diǎn)數(shù)為n。

（b） 未知類別樣本初始化。 Yi（0）=Xi 0≤i≤n-1

其中Yi（t）為節(jié)點(diǎn)I在t時刻的輸出，當(dāng)t=0時，Yi（0）就是節(jié)點(diǎn)I的初始值，Xi為輸入樣本的第I個分量。

（c） 迭代直到收斂

f為閾值型激發(fā)函數(shù)。該過程一直迭代到不再改變節(jié)點(diǎn)的輸出為止。這時各節(jié)點(diǎn)的輸出與輸入樣例達(dá)到最佳匹配。

總結(jié)：每一種識別方法都有自己的優(yōu)缺點(diǎn)，我們在今后的工作中需要把人工神經(jīng)元網(wǎng)絡(luò)與各種已有技術(shù)以及人工智能中的專家系統(tǒng)、不確定推理方法結(jié)合起來，深入掌握各種工具的效能和應(yīng)用的可能性，互相取長補(bǔ)短，開創(chuàng)模式識別應(yīng)用的新局面。