前言：中文期刊網精心挑選了神經網絡論文范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
神經網絡論文范文1
1.1概率性神經網絡（PNN）
地震屬性和測井數據的關系，并不一定是線性的，利用概率性神經網絡的方法彌補井和地震間的非線性關系。概率性神經網絡（PNN）類似于多維屬性空間上的克里金，采用了局部化的作用函數，具有最佳逼近特性，且沒有局部極小值。每個輸出點把新點處的新屬性組與已知的培訓例子中的屬性進行比較來確定的，得到的預測值是培訓目標值的加權組合。概率神經網絡方法具有高度的容錯性，即使某個井旁道地震參數或某個網絡連接有缺陷，也可以通過聯想得到全部或大部分信息。因此，用概率神經網絡建立地震屬性和測井特征屬性之間的映射關系可靠性高。概率神經網絡方法還具有動態適應性，當地質巖性類別變化或地震參數修改時，網絡可自動適應新的變量，調整權系數，直到收斂。對于受巖性控制的儲層，概率神經網絡是描述其地震屬性參數與巖性參數關系的有效方法。概率神經網絡是由多測井和多地震屬性參數組成的網絡。首先,將由測井曲線和井旁地震道提取的特征參數按照地質巖性參數分成若干類;然后,通過非線性數學模型的神經網絡學習系統,由輸入矢量產生輸出矢量,并把這個輸出矢量與目標矢量進行平方意義下的誤差對比;再以共軛迭代梯度下降法作權的調整,以減少輸出矢量與目標矢量的差異,直到兩者沒有差異訓練才結束。對于給定的培訓數據，PNN程序假設測井值和每一輸出端的新測井值為線性組合，新數據樣點值用屬性值X表示可寫。這里σ是PNN使用的高斯權重函數的關鍵參數，來控制高斯函數的寬度。式（2）和式（3）是概率神經網絡預測的基本原理，訓練神經網絡的過程實際上就是求解最優平滑因子的過程。
1.2交互驗證增加屬性類似于多項式擬合增加高階項，增加多項式高階將會使預測誤差總是變小，但屬性的個數絕不是越多越好。隨著屬性個數的增多，對預測的結果的影響越來越小，會明顯削弱未參與神經網絡訓練的那些點的預測能力，甚至造成預測誤差反而增大,這種現象稱為過度匹配。而且參與運算的屬性過多，也會影響到運算速度，因此通過計算驗證誤差來確定最佳的屬性個數，防止過度匹配，該過程就稱為交叉驗證。通過蘊藏井誤差分析的方法，驗證出現擬合過度的情況。求取遞歸系數時，選取一口井作為驗證井，不參與運算。利用擬合出的關系，得到驗證井的誤差值。以此類推，得到每一口井的誤差值，以參與運算井的平均誤差作為參考標準，來檢驗屬性組合個數是否出現擬合過度的情況。
2應用實例分析
研究區內油氣富集區主要為巖性控制，目的層段厚度70m左右，地震剖面上大約50ms，含油砂體主要發育在wellA，wellC附近，向周圍變化較快。針對目標層T41-T43之間進行井曲線交匯和巖性統計。wellA，wellC主要是含油砂巖，wellB、D、F主要是泥質砂巖、煤層，巖性差別很大。但從速度、密度曲線交匯圖版（圖1）來看，曲線交匯統計重疊較大，很難區分含油砂巖和泥質砂巖。wellA、wellB對應層位巖性明顯不同，在地震剖面也體現同樣的反射特征。因此基于測井和地震模型為基礎的常規疊后波阻抗反演很難準確識別這套含油砂巖。而更能反映巖性特征的GR曲線，則對這套砂體較為敏感，明顯地區分出了這套含油砂巖（如圖3所示）。因此我們采用本文介紹的神經網絡技術，在常規波阻抗反演的基礎上，預測GR曲線特征體。經過分析，把GR值65~75區間巖性賦值為含油砂巖，從而把這套儲層有效的區分出來，在此基礎上進一步計算砂巖厚度（圖4）。
3結論
神經網絡論文范文2
小波神經網絡的網絡結構和基本的BP神經網絡類似，一般采用輸入層、隱含層和輸出層三部分。小波神經網絡隱含層的轉移函數采用小波函數，但小波函數的選取目前還未有統一的理論。Szu構造的Morlet小波函數。
2工程應用
2．1工程概況北京地鐵6號線東延部分東部新城站至東小營站區間工程位于北京市通州區，起點為東部新城站，終點為東小營站。該區間由東部新城站向東，沿運河東大街北側設置，沿線穿越綠地、宋郎路路口，到達東小營站，其中在宋郎路路口和運河東大街東南有多處雨水、電力和電信管線。區間穿越的地層主要有粉細砂層、局部夾粉質粘土層、中粗砂層。工程采用直徑為6m的土壓平衡盾構機進行施工。
2．2網絡設計和數據采集小波神經網絡的結構設計對預測結果影響較大，應充分考慮與施工相關的各種因素，如地表沉降的成因、工程地質條件和施工工藝參數等。盾構施工引起的地表沉降易受到以下因素影響：盾構施工區間的水文地質條件對沉降量的影響較大；當盾構機由于某種原因停止推進時，千斤頂會漏油回縮導致盾構機后退，引起盾前土體壓力減??；盾尾脫空后，管片和土體之間存在空隙，由于注漿不及時，土體填充盾尾空隙引起土體局部塌落；盾殼移動引起土體的摩擦和剪切作用，在該作用力下土體產生變形；盾構改變開挖方向，往往會引起超挖現象，土體受到的擾動隨之加大，引起土體局部變形破壞；開挖面的土體靠土倉壓力來維持，但是在施工過程中，土倉壓力和開挖面壓力并不是出于完全平衡狀態，這種不平衡狀態容易引起土體的坍塌變形。綜合考慮各相關因素，確定在對于地表沉降較為敏感的土體參數和施工參數中選取覆土厚度（H）、壓縮模量（Es）、粘聚力（c）、天然密度（ρ）、內摩擦角（Ф）、千斤頂推力（F）和注漿壓力（P）共7個參數作為神經網絡的輸入參數。小波神經網絡的隱層節點數選擇目前還沒有成熟的理論依據，可參考BP神經網絡的隱層節點選取，通過經驗和實驗分析以輸入節點的2～4倍綜合確定，最終選擇為13。小波神經網絡預測模型的網絡結構為7－13－1。盾構施工引起的短期地表沉降對地表建筑和地下管線影響最大，且該施工區段地層變化較小，掘進速度基本不變，故可以選取盾構機通過該點50m后的穩定沉降數據。在施工單位提供的相關測量數據和地質資料中選取了51組數據，將其中36組作為訓練數據，如表1所示。選擇15組作為測試數據，如表2所示。
2．3地表沉降預測與分析根據選取的36組數據和已經確定的7－13－1的網絡結構，分別建立小波神經網絡和BP神經網絡的預測模型。設定訓練目標為0．001，BP神經網絡的初始權值、閾值和小波神經網絡的伸縮參數、平移參數分別在［－1，1］之間隨機賦值。得到訓練結果如圖1所示。結果顯示，經過1050次訓練后小波神經網絡的訓練誤差可以達到訓練目標，而BP神經網絡需要8500次訓練才能達到訓練目標。小波神經網絡的訓練速度相比于BP神經網絡有較大優勢。對于已經訓練好的兩種模型，使用相同的測試樣本進行預測分析，得到的預測結果如圖2所示，預測結果和實際測量值的誤差如表3所示?？梢钥闯觯珺P神經網絡和小波神經網絡的最小、最大誤差分別為3．1％、27．3％，2．8％、14．5％，故小波神經網絡的預測精度要好于BP神經網絡，且預測結果均在工程允許范圍內，可以依據此預測結果對現場施工控制參數的制定提供科學的指導。
3結論
神經網絡論文范文3
計算機網絡拓撲結構主要是指計算機連接網絡之后，其自身設備與傳輸媒介所共同組成的一種物理構成模式，其網絡拓撲結構的形式主要是由通信子網來決定的，其結構的主要功能是實現數據信息的網絡共享、處理及交換，并要在一定程度上提升網絡數據信息運行的可靠性，站在網絡拓撲的結構來講，計算機網絡結構的主要部分是鏈路與結點，計算機網絡實質上是由一組結點以及多條鏈路所共同組成的一種模擬結構。計算機網絡通常表示為：G=<V，E>，其中V表示的是網絡結點集，E表示的是鏈路集，如果應用Va來表示結構中增加的結點集，Eb來表示增加的連接集，那么就能夠得到其拓撲擴展的計算機網絡結構為G’=<V’，E’>。
2基于計算機網絡連接優化中的神經網絡算法
本次研究中分析的均場神經網絡算法實際上是一種神經網絡算法與均場退火技術相結合的算法，應用這種方法能夠有效的增強計算機的網絡連接，并且達到更優化、更快的連接效果，這其實是一種利潤最大化的網絡優化算法，其能夠最大限度的提高計算機網絡的性價比。
2.1神經網絡算法
人工神經網絡屬于非線性動力學系統，其能夠對信息進行分布式的存儲及協同處理，其在人工神經網絡之上的人工神經網絡系統的基礎之上，應用網絡算法及網絡模型進行各種信號的處理，或者是對某種運行模式進行識別，從而建立其一個獨立的專家系統，或者是構成機器人，當前在多個領域中，人工神經網絡系統都得到了廣泛的應用，在該基礎上所發展起來的人工神經網絡算法是一種監督性的學習算法，人們對于其重視程度逐漸增加，但是在實際的應用中，其存在收斂速度較慢的缺陷，難以保證將收斂程度壓制到全局的最小點，容易導致計算機網絡學習及記憶不穩定性增強的問題，這會對計算機網絡的連接效果造成直接的影響，做好其網絡連接的優化非常的必要。
2.2均場神經網絡算法
在基于計算機網絡連接增強優化下的均場神經網絡算法的研究中，對其網絡效果進行判斷，需要建立起一個完整的場均神經網絡模型，在模型的構建過程中，應該做好函數法構造過程中的目標函數的構建問題，具體的構建方式表現為：應用Si來表示Hopfield計算網絡中的一個神經元狀態，并且規定當Si=1時，表示的含義是網絡選中了連接i，可以實現正常的連接，當Si=0時，表示的含義是：網絡中沒有選中連接i，網絡無法實現正常連接，再應用罰函數法就結構來進行網絡模型的創建。
2.3實例分析
根據上文中分析的計算方法，在得到計算結果之后，能夠對均場網絡算法的可行性及有效性進行判定，我們分別采用模擬退火算法、遺傳算法、均場神經網絡算法進行比較，結果顯示模擬退火算法需要計算99次，這樣才能保證計算出規定的連接集，并從中獲取一定的利潤值，在遺傳算法中需要進行96次的計算，在均場神經網絡算法中，需要實施88次的計算，均場神經網絡算法在獲得網路連接效果等方面，更快、更加有效，更適宜應用于計算機網絡連接的增強優化以及網絡結構拓撲的擴展工作中。
3結束語
神經網絡論文范文4
水工隧洞一般都有過水要求，加上其復雜的地質條件，因此正確的進行圍巖分類后采取相應的支護措施將對保證隧洞穩定性起決定性的作用。圍巖分類是一類非線性的綜合判定問題，用人工神經網絡方法來判別水工隧洞圍巖類別是一種新的嘗試和新的方法。
1．圍巖分類的判定依據
水工隧洞圍巖工程地質分類應以控制圍巖穩定的巖石強度、巖體完整程度、張開度、地下水力狀態和主要結構面產狀等五項因素綜合評分為依據，圍巖強度應力比為限定依據，見表1。
表1圍巖工程地質分類依據
指標名稱評價因素
巖石強度（A1）采用巖塊的單軸抗壓強度（MPa）
巖體完整程度（A2）采用完整性系數Kv
張開度（A3）考慮結構面的連續性、粗糙度和充填物
地下水狀態（A4）考慮地下水的發育程度，用單位洞長單位時間的涌水量
主要結構面產狀（A5）采用結構面走向與洞軸線的夾角
以上五個因素是控制圍巖穩定性的主要因素，圍巖的分類標準見表2。
表2圍巖工程地質分類標準
評價因素圍巖類別
Ⅰ（穩定）Ⅱ（基本穩定）Ⅲ（局部穩定性差）Ⅳ（不穩定）Ⅴ（極不穩定）
A1（MPa）>200100~20050~10025~50<25
A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25
A3（mm）<0.50.5~11~33~5>5
A4(L/min·10m)<2525~5050~100100~125>125
A5(o)90~7575~6060~4545~30<30
2.水工隧洞圍巖分類的人工神經網絡模型
神經網絡系統是由大量的、簡單的處理單元廣泛的互相連接而形成的復雜的網絡系統。人工神經網絡模型最基本的有兩大類：一類是以Hopfield網絡模型為代表的反饋型模型，它具有非線性和動態性；另一類是以多層感知器為基礎的前饋模型。其中BP(BackPropagation)網絡是目前應用最廣泛的多層前饋神經網絡模型。本文采用BP網絡模型。
2．1BP神經網絡模型及其算法
BP神經網絡由輸入層、隱含層和輸出層三層感知器組成，每層由若干個神經元組成。輸入層接受信息，傳入到隱含層，經過作用函數后，再把隱結點的輸出信號傳到輸出層輸出結果。節點的作用函數選用Sigmoid函數，即：
（1）
BP神經網絡采用誤差逆傳播反學習算法。學習過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信號由輸入層經隱含層處理后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到一個期望的輸出，則轉向反傳播，將輸出信號的誤差按原來的連接通路返回，通過修改各層神經元的權值，使得誤差信號最小，得到合適的網絡連接權后，便可對新的樣本進行識別。BP網絡學習過程具體步驟如下：
（1）初始化，設置網絡結構，賦初始權值；
（2）為網絡提供一組學習樣本，包括M個樣本對（），輸入向量，輸出向量，n、m分別為輸入層和輸出層神經元個數，；
（3）對每個學習樣本P進行（4）~（8）；
（4）逐層正向計算網絡各節點的實際輸出：
(2)
其中，為神經元i、j之間的權值；為前層第i個神經元的實際輸出，為式（1）給出的函數；
（5）計算網絡輸出誤差：
第P個樣本的輸出誤差為(3)
其中，，分別為輸出層第j個神經元的期望輸出和實際輸出。
網絡總誤差為；(4)
（6）當E小于允許誤差或達到指定迭代次數時，學習過程結束，否則進行誤差逆向傳播，轉向（7）；
（7）逆向逐層計算網絡各節點誤差：
對于輸出層，(5)
對于隱含層，(6)
其中代表后層第個神經元。
（8）修正網絡連接權：，其中為學習次數，為學習因子，值越大，產生的振蕩越大。通常在權值修正公式中加入一個勢態項，變成：
(7)
其中，a稱為勢態因子，它決定上次學習的權值變化對本次權值更新的影響程度。
2．2圍巖分類的BP模型
在以表2中數據為基礎進行網絡訓練前，須對表中指標作如下處理：Ⅰ、Ⅴ類對應的指標取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ類對應的指標取其平均值。作上述處理后，可以得到網絡訓練模型的5個學習樣本，如表3。
表3圍巖類別識別模型的學習樣本
類別樣本類別A1A2A3A4A5
P1Ⅰ2000.950.52582.5
P2Ⅱ1500.8250.7537.567.5
P3Ⅲ750.62527552.5
P4Ⅳ37.50.3754112.537.5
P5Ⅴ250.25512530
以上表中5個類別樣本作為神經網絡的學習樣本，在輸入層和隱含層各設置一個特殊單元作為閾值單元，其值設為1。模型結構如下圖1所示。
圖1圍巖類別分類的BP網絡模型
設圍巖類別為P1、P2、P3、P4、P5這5個類別樣本的預期輸出矢量，各分量定義為
網絡訓練時，當所有樣本在網絡輸出節點的實際輸出與網絡期望輸出之間的最大誤差小于預先給定的常數，即時學習結束。
網絡經過15000次訓練，每個樣本的網絡輸出與期望輸出最大誤差為0.2，絕大部分在0.1之內。應用訓練后的BP模型劃分新的圍巖類別樣本，等判定圍巖類別樣本W經網絡變換后輸出O與各期望輸出比較，設，。
如果，則，，即隧洞圍巖類別樣本屬于級。
3．沙灣隧洞的圍巖分類應用實例
東深供水改造工程沙灣隧洞位于深圳市北東面內15公理處，區域地勢東高西低。工程區域周圍沉積巖、巖漿巖和變質巖三大巖類均有出露。隧洞線路地帶分布的地層，除洞口溝谷部位為第四系松散堆積層外，其余均為侏羅系中統塘夏群碎屑巖，基本為單斜構造，但末端因受深圳斷裂帶影響，巖層產狀較為紊亂，地質條件復雜多變。
隧洞開挖后，測得三種圍巖地段的力學性質和環境條件，取三個樣本為a、b、c。用BP人工神經網絡判定該工程隧洞圍巖類別。
根據水利水電工程地質勘察規范，隧洞圍巖類別分為5級：Ⅰ（穩定）、Ⅱ（基本穩定）、Ⅲ（局部穩定性差）、Ⅳ（不穩定）、Ⅴ（極不穩定）。對照學習樣本各特征變量，用訓練好的BP模型對a、b、c三個樣本進行判定，其結果見表4。
表4沙灣隧洞三組樣本實測指標與圍巖類別判定結果
指標名稱實測指標值
abc
巖石強度（A1）2845100
巖體完整程度（A2）0.220.50.55
張開度（A3）341
地下水狀態（A4）1208025
主要結構面產狀（A5）305060
圍巖類別判定結果ⅤⅣⅢ
4．結論
水工隧洞圍巖類別判定，不僅影響因素多，而且具有很大的模糊性和不確定性。人工神經網絡是一門新興的交叉學科，它具有聯想、記憶功能和判別識別的模糊性等優點，用它來進行圍巖類別分類，不需對輸入輸出指標的關系作任何假設，這種關系是神經網絡從實例中自適應學習而獲得的，大大減少了人為因素的影響，省去了事后的經驗判斷。實踐證明，它在理論和應用上都是可行的和有實際意義的。
參考文獻
神經網絡論文范文5
人工神經網絡（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經元的結構而提出的一種信息處理方法。早在1943年，已由心理學家WarrenS.Mcculloch和數學家WalthH.Pitts提出神經元數學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關注，是由于它具有本質的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網絡結構及算法直觀、簡單，在工業領域中應用較多。
經訓練的ANN適用于利用分析振動數據對機器進行監控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經網絡補償和魯棒控制綜合方法的應用（其魯棒控制利用了變結構控制或滑動?？刂疲?，在實時工業控制執行程序中較為有效［3］。人工神經網絡（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現了電動機故障檢測的啟發式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調整內部權值來準確求解［4］。
因此，對于電力系統這個存在著大量非線性的復雜大系統來講，ANN理論在電力系統中的應用具有很大的潛力，目前已涉及到如暫態，動穩分析，負荷預報，機組最優組合，警報處理與故障診斷，配電網線損計算，發電規劃，經濟運行及電力系統控制等方面［5］。
本文介紹了一種基于人工神經網絡（ANN）理論的保護原理。
1、人工神經網絡理論概述
BP算法是一種監控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調整網絡路徑的權值，以使下一次在相同的輸入下，網絡的輸出接近于希望值。
在神經網絡投運前，就應用大量的數據，包括正常運行的、不正常運行的，作為其訓練內容，以一定的輸入和期望的輸出通過BP算法去不斷修改網絡的權值。在投運后，還可根據現場的特定情況進行現場學習，以擴充ANN內存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優點。
2、神經網絡型繼電保護
神經網絡理論的保護裝置，可判別更復雜的模式，其因果關系是更復雜的、非線性的、模糊的、動態的和非平穩隨機的。它是神經網絡（ANN）與專家系統（ES）融為一體的神經網絡專家系統，其中，ANN是數值的、聯想的、自組織的、仿生的方式，ES是認知的和啟發式的。
文獻［1］認為全波數據窗建立的神經網絡在準確性方面優于利用半波數據窗建立的神經網絡，因此保護應選用全波數據窗。
ANN保護裝置出廠后，還可以在投運單位如網調、省調實驗室內進行學習，學習內容針對該省的保護的特別要求進行（如反措）。到現場，還可根據該站的干擾情況進行反誤動、反拒動學習，特別是一些常出現波形間斷的變電站內的高頻保護。
3、結論
本文基于現代控制技術提出了人工神經網絡理論的保護構想。神經網絡軟件的反應速度比純數字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數，以實現在時間上即次數上提高冗余度。
一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區內、區外故障時其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必然會使保護、二次接線復雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯網，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據。每套保護可把每次錄得的數據文件，加上對其動作正確性與否的判斷，作為本身的訓練內容，因為即使有時人工分析也不能區分哪些數據特征能使保護不正確動作，特別是高頻模擬量。
神經網絡的硬件芯片現在仍很昂貴，但技術成熟時，應利用硬件實現現在的軟件功能。另外，神經網絡的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網絡結構還沒有充分的理論依據。所有這些都有待于對神經網絡基本理論進行深入的研究，以形成完善的理論體系，創造出更適合于實際應用的新型網絡及學習算法［5］。
參考文獻
1、陳炳華。采用模式識別（智能型）的保護裝置的設想。中國電機工程學會第五屆全國繼電保護學術會議，［會址不詳］，1993
2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377
3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197
神經網絡論文范文6
關鍵詞 深度神經網絡 圖像分類 車型識別 預測
中圖分類號：TP317.4 文獻標識碼：A
0 引言
所謂的深度學習是根據具有多層結構的人工神經網絡所提出。在具體的深度學習中，主要借助模擬神經系統中的層次結構，來進行數據結構特征的反映，一般來說，細節用低層次進行表示，抽象數據結構則用高層次來表示，利用這種方式，能夠進行數據挖掘學習，滿足學習要求。在傳統的車型識別發展中，主要涉及到的技術包括模式識別、特征選擇和提取以及檢測分割等方面內容，在技術發展中，存在的難點主要涉及到如何將完整的目標車輛區域進行分割，這是項基礎工作，也是難點所在。這結合實際需求，對于不同拍攝角度下的汽車圖片，包括皮卡車、SUV、面包車以及小轎車進行車型識別，其目標質量分割質量則是最為關鍵的技術，直接影響到最后的判斷效果。所以，應該重視進行具有代表性特征的選擇處理，并相應轉化成有效的參數過程。在獲取特征參數后，則應該結合項目要求來選擇合理的分類器，這樣才能保障識別的準確率。結合汽車車型識別問題的要求，這里網絡輸入則是原始圖像，利用神經網絡優勢，原始數據經過卷積層、完全連接層以及Softmax 層的培訓學習，通過這種深度神經網絡來進行分析處理，免于上述存在難度的圖像分割、手工提取等過程。
1數據集
這里的車型識別目標的數據集主要包括皮卡車、SUV、面包車以及小轎車等四種類型。其中，訓練集和測試集分別包括1025張和368張原始圖片。此數據集中，包括不同攝像角度中的汽車圖像照片，具有背景復雜、圖像大小不統一，車輛在圖片中所占比例具有較大差異性等方面問題，這些都在一定程度上造成車型識別的難度上升。
在預處理中，為了保證網絡輸入的一致性，對于原始圖像進行調整處理為256？56？尺寸。在此基礎上，對于圖像RGB三個通道的均值進行計算，并進行均值標準化的處理。在具體的網絡訓練測試的過程中，主要則是選取224？24？ 的樣本作為輸入。
2網絡結構探討
結合文獻所提出的深度神經網絡VGG16的優勢，我們將其應用在汽車車型識別問題中。VGG16網絡具有較強的優勢，主要包括5個堆棧式的卷積神經網絡ConvNet，以及3個完全連接層以及1個Softmax層，由此可見，其屬于“網絡中的網絡”架構。在每個每個ConvNet中，還有多個卷積層所構成，然后緊跟隨著Max-Pooling層。在進行卷積以及池化處理的基礎上，進行三層完全連接處理，同時，Softmax層的輸入則是最后一個完全連接曾的輸出，在這基礎上，實現車型分類的要求。結合實際需求，將非線性的ReLU層加入該網絡中，這樣就會讓ReLU來處理卷積層和完全連接層的輸出，保證訓練時間有效降低。另外，還將一種正則化Dropout方式應用在網絡中，避免出現完全連接層中的過擬合問題。
另一個神經網絡Alexnet，結構稍微簡單一些，主要包括5卷積層、3個完全連接層、Softmax層等幾部分，在進行部分卷積層處理后，在進行Max- Pooling層處理。在此網絡中，同樣采用非線性的ReLU層，所采用難度重疊池化方式，也能有效保證盡量降低過擬合的問題。
3實驗結果分析
結合上述分析的深度神經網絡VGG16和AlexNet的基礎上，進行Gaffe框架的搭設，為了保證運算效率，建立在GeForce GTX TITAN X CPU的工作站中。經過統計，單一網路訓練大約為2小時，一張圖片測試大約為0.2秒。在應用上述網絡測試、訓練之外，在分類過程中，還應用了經典的分類算法KNN。經過實驗分析，可以看出，VGG16網絡能夠具有比較好的分類結果，能夠實現準確率為97.3%，而AlexNet網絡準確率達到為93.0%，KNN算法不能有效處理較為復雜背景的圖片，分類準確率僅為52.3%。在具體的案例中，分析VGG16網絡錯誤分類的情況，面包車具有完全正確的分類效果。在錯誤分類的SUV車型中，究其原因，主要包括：車顏色有兩部分組成，紅色部分則和皮卡車車型相同；車型結構太類似于皮卡車；背景中加入其他車型，這樣會造成分類結果不準確。如果圖片中僅僅包括車頭的情況，在進行車型識別中也存在較大的難度，不同車型從前面角度進行觀察，并沒有太大的差異化，這點應該明確指出。
4結語
這里采用深度學習方法，結合先進的深度神經網絡，以及功能強大的計算機工作站，對于四類汽車進行識別實驗研究。經過試驗表明，VGG16網絡具有最好的分類效果，傳統的經典分類算法往往僅為其準確率的一半左右。所以，可以看出深度神經網絡具有強大的學習能力，能夠在圖像分類問題中表現出很大優勢，應該不斷優化深度神經網絡的結構，以便其適用于更多的圖像分類要求。
參考文獻
[1] Hinton G E， Osindero S， Teh Y W.A Fast Learning Algorithm For Deep Belief Nets[J]. Neural Computation， 2006， 18（7）：1527-1554.
