基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法

山東青年政治學(xué)院 高 強(qiáng)

基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法

山東青年政治學(xué)院 高 強(qiáng)

神經(jīng)網(wǎng)絡(luò)是近年來(lái)受到國(guó)內(nèi)外廣泛關(guān)注的高新技術(shù)，不同科學(xué)的科技人員對(duì)其進(jìn)行了深入的研究，并取得了許多有價(jià)值的研究成果，利用BP網(wǎng)絡(luò)實(shí)現(xiàn)圖像質(zhì)量評(píng)價(jià)，選取圖像的幾個(gè)特征向量作為BP網(wǎng)絡(luò)的輸入。一般BP的輸入都是數(shù)值組成的。文中提出的用BP神經(jīng)網(wǎng)絡(luò)作圖像識(shí)別的方法，不對(duì)圖像作特征提取，直接把圖像數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)識(shí)別器的輸入。文章最后用Python完成了網(wǎng)絡(luò)的訓(xùn)練與測(cè)試，并給出了試驗(yàn)結(jié)果。結(jié)果表明，不作特征提取的神經(jīng)網(wǎng)絡(luò)圖像識(shí)別系統(tǒng)具有很強(qiáng)的抗干擾能力。

人工神經(jīng)網(wǎng)絡(luò)（ANN）；BP網(wǎng)絡(luò)；Python；圖像識(shí)別

1 引言

人工神經(jīng)網(wǎng)絡(luò)（Artif i cial Neural Networks）（簡(jiǎn)稱ANN）系統(tǒng)誕生于20世紀(jì)40年代末，已有半個(gè)多世紀(jì)的發(fā)展，從一開始的簡(jiǎn)單邏輯運(yùn)算、推理，到現(xiàn)階段發(fā)展成具有復(fù)雜模式和記憶、聯(lián)想、推理、的功能，已成為解決某些傳統(tǒng)方法所無(wú)法解決的問(wèn)題的有力工具。神經(jīng)網(wǎng)絡(luò)所表現(xiàn)出的這些特點(diǎn)使它日益受到學(xué)者的重視，1986年，Romelhart和Mcclelland在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了誤差反向傳播算法(Error Back Propagation Algorithm)，簡(jiǎn)稱BP算法，與神經(jīng)網(wǎng)絡(luò)結(jié)合，發(fā)展成為機(jī)器學(xué)習(xí)的熱門方向。BP神經(jīng)網(wǎng)絡(luò)包含了前向和反向兩個(gè)過(guò)程，線性變換和非線性激活函數(shù)兩個(gè)運(yùn)算，運(yùn)用激活函數(shù)的連續(xù)、可導(dǎo)特性，以逐次逼近的方式，迭代尋找最優(yōu)解，并確定線性參數(shù)的范圍，最后達(dá)到識(shí)別、分類的功能。而圖像的識(shí)別正是分辨圖像邊緣，通常以梯度方向作為逼近方向，不斷調(diào)整速率，達(dá)到分類目的，因此BP神經(jīng)網(wǎng)絡(luò)在圖像分類，模式識(shí)別方面有極大的應(yīng)用價(jià)值。

2 BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)結(jié)構(gòu)

在BP神經(jīng)網(wǎng)絡(luò)中，輸入層和輸出層的節(jié)點(diǎn)個(gè)數(shù)都是確定的，如果用于分類，則節(jié)點(diǎn)激活函數(shù)一般選用S型函數(shù)或者可導(dǎo)函數(shù)，如果用BP網(wǎng)絡(luò)去逼近，則輸出層節(jié)點(diǎn)用線性函數(shù)，即 f(x)=x。

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練數(shù)據(jù)時(shí)可以采用增量學(xué)習(xí)或者批量學(xué)習(xí)。從感如器的學(xué)習(xí)算法可知，不論哪種學(xué)習(xí)，目的都是在反向傳播過(guò)程中修改網(wǎng)絡(luò)節(jié)點(diǎn)中的權(quán)重系數(shù)，從而使誤差精度最小，一旦確定節(jié)點(diǎn)的線性權(quán)重系數(shù)，網(wǎng)絡(luò)就能多維向量客體對(duì)象正確識(shí)別、分類。當(dāng)訓(xùn)練結(jié)束時(shí)，誤差小于精度閾值，網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)權(quán)重系數(shù)其實(shí)就是結(jié)點(diǎn)本身所提取的外部環(huán)境的變化特征，也就是說(shuō)，權(quán)重系數(shù)是存儲(chǔ)了外部環(huán)境多特征映射模式。分布在節(jié)點(diǎn)的線性映射函數(shù)，結(jié)合激勵(lì)函數(shù)，從而具有實(shí)現(xiàn)任何復(fù)雜非線性映射的功能，這使得它特別適合于求解內(nèi)部機(jī)制復(fù)雜的問(wèn)題。

2.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

任意的有輸入端到輸出端的非線性映射，都可以交給對(duì)于含有一個(gè)隱含層的三層BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。如果增加BP神經(jīng)網(wǎng)絡(luò)隱含層的數(shù)量，可以降低誤差，提高精度，但同時(shí)也使BP網(wǎng)絡(luò)學(xué)習(xí)收斂時(shí)間變慢，使學(xué)習(xí)效率下降。因此更多的時(shí)候，提高誤差精度，是通過(guò)增加隱含層結(jié)點(diǎn)數(shù)來(lái)實(shí)現(xiàn)，而不是增減隱含層的層數(shù)。一般情況下，我們應(yīng)優(yōu)先考慮增加隱含層的結(jié)點(diǎn)數(shù)。

BP算法改進(jìn)的主要目標(biāo)是既能加快訓(xùn)練速度和網(wǎng)絡(luò)收斂速率，又能使程序避免陷入局部極小值，常見的改進(jìn)方法有帶動(dòng)量因子算法、自適應(yīng)學(xué)習(xí)速率、變化的學(xué)習(xí)速率以及作用函數(shù)后縮法等。動(dòng)量因子法的基本思想是在誤差反向傳播的過(guò)程中，在每一個(gè)權(quán)值的變化上加上一項(xiàng)偏置，該項(xiàng)與權(quán)值變化的值成正比，從而在反向傳播過(guò)程中能運(yùn)用梯度下降的方法使權(quán)重發(fā)生變化。而自適應(yīng)學(xué)習(xí)速率的方法則是針對(duì)一些特定的問(wèn)題的。改變學(xué)習(xí)速率的方法的原則是，在連續(xù)幾次迭代中，若目標(biāo)函數(shù)對(duì)某個(gè)權(quán)倒數(shù)的符號(hào)相同，則這個(gè)權(quán)的學(xué)習(xí)速率增加，反之若符號(hào)相反則減小它的學(xué)習(xí)速率。而作用函數(shù)后縮法則是將作用函數(shù)進(jìn)行平移，即加上一個(gè)常數(shù)。我們通常把網(wǎng)絡(luò)中的節(jié)點(diǎn)比擬成人腦神經(jīng)元，如同人記實(shí)際事物一樣，BP神經(jīng)網(wǎng)絡(luò)在樣本數(shù)據(jù)學(xué)習(xí)中，節(jié)點(diǎn)系數(shù)權(quán)值的改變就像是人腦神經(jīng)元軸突與樹突連接閾值的改變，神經(jīng)網(wǎng)絡(luò)會(huì)把權(quán)系數(shù)調(diào)整到最佳，從而使分類做到最好。作為一個(gè)整體結(jié)構(gòu)，BP神經(jīng)網(wǎng)絡(luò)按整個(gè)對(duì)象的特征向量來(lái)記憶圖像的，只要大多數(shù)特征值符合曾學(xué)習(xí)過(guò)的訓(xùn)練樣本數(shù)據(jù)特征，就可識(shí)別為同一類別，所以當(dāng)樣本存在較大噪聲時(shí)神經(jīng)網(wǎng)絡(luò)分類器仍可正確識(shí)別。在圖像識(shí)別領(lǐng)域，只要將圖像的點(diǎn)矩陣向量作為神經(jīng)網(wǎng)絡(luò)的輸入，經(jīng)過(guò)網(wǎng)絡(luò)的計(jì)算，BP神經(jīng)網(wǎng)絡(luò)就能輸出識(shí)別結(jié)果。

3 仿真實(shí)驗(yàn)

本實(shí)驗(yàn)用python完成了對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和圖像識(shí)別模擬。從數(shù)據(jù)樣本庫(kù)中選擇0～9這十個(gè)數(shù)字的BMP格式的圖像，圖像分辨率為16×8像素，每個(gè)目標(biāo)圖像分別加5%、15%、25%、35%、45%大小的隨機(jī)噪聲，共產(chǎn)生60個(gè)圖像樣本。將樣本分為兩個(gè)部分，一部分用于訓(xùn)練，另一部分用于測(cè)試。實(shí)驗(yàn)中用于訓(xùn)練的樣本為40個(gè)，用于測(cè)試的樣本為20個(gè)。函數(shù)randn(m,n)負(fù)責(zé)產(chǎn)生隨機(jī)噪聲數(shù)據(jù)。

設(shè)置訓(xùn)練參數(shù)

B為測(cè)試樣本向量集，128×20的點(diǎn)陣。D為網(wǎng)絡(luò)對(duì)訓(xùn)練樣本的識(shí)別結(jié)果，A為測(cè)試樣本的網(wǎng)絡(luò)識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明：網(wǎng)絡(luò)對(duì)訓(xùn)練樣本和對(duì)測(cè)試樣本的識(shí)別率均為100%。

4 結(jié)論

由實(shí)驗(yàn)可知，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)反向傳播算法識(shí)別圖像是切實(shí)可行的，由于數(shù)據(jù)集容量的關(guān)系，該實(shí)驗(yàn)只是用Python進(jìn)行了簡(jiǎn)單的數(shù)字圖像識(shí)別，下一步的工作是在不增加網(wǎng)絡(luò)規(guī)模的情況下，識(shí)別復(fù)雜的目標(biāo)圖像。

[1]焦李成著.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安:西安電子科技大學(xué)出版社,1990.

[2]黃德雙著.神經(jīng)網(wǎng)絡(luò)模式識(shí)別系統(tǒng)理論[N].北京:電子工業(yè)出版社,1996.

[3]Demuth H d,Beale M.Neural network toolbox user’s guide Version 4.The Mathworks Inc,2001.

[4]許東,吳錚.基于Matlab6.X的系統(tǒng)分析與設(shè)計(jì)——神經(jīng)網(wǎng)絡(luò)[M].西安:西安電子科技大學(xué)出版社,2002.

[5]顧陽(yáng),王慶林,許立新.基于Wiener濾波,K-L變換和BP網(wǎng)絡(luò)的數(shù)字識(shí)別[J].北京理工大學(xué)學(xué)報(bào),2002,22(1):113-116.

[6]許延發(fā),張敏.改進(jìn)的BP算法在多目標(biāo)識(shí)別中的應(yīng)用[J].光學(xué)精密工程,2003,11(5):513-515.

高強(qiáng)，男，山東大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院碩士，山東青年政治學(xué)院信息工程學(xué)院講師，研究領(lǐng)域包括數(shù)據(jù)庫(kù)、數(shù)據(jù)挖掘、大數(shù)據(jù)的分布式存儲(chǔ)等。