前言：中文期刊網精心挑選了人工神經網絡改進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。
人工神經網絡改進范文1
1.1人工神經網絡研究簡況
1943年，生理學家W.S.McCulloch和數學家W.A.Pitts首次提出二值神經元模型。半個世紀以來人們對神經網絡的研究經歷了五六十年代的第一次熱潮，跌人了70年代的低谷;80年代后期迎來了第二次研究熱潮，至今迭起，不亞于二戰期間對原子彈研究的狂熱。
人工神經網絡是模仿生物腦結構與功能的一種信息處理系統。作為一門新興的交叉學科，人工神經網絡以其大規模并行結構、信息的分布式存儲和并行處理，具有良好的自適應性、自組織性和容錯性,具有較強的學習、記憶、聯想、識別功能氣引起眾多領域科學家的廣泛關注，成為目前國際上非?；钴S的前沿領域之一。
1.2人工神經網絡的基本模型及其實現
1.2.1人工神經網絡的基本模型人工神經網絡的基本模型見表1?
1.2.2以誤差逆傳播模型說明人工神經網絡的實現人工神經網絡中應用最多的是誤差逆傳播(ErrorBack-Propagation)網絡，簡稱BP網絡，從結構講’BP網絡是典型的多層網絡，分為輸入層、隱含層和輸出層3層,層與層的神經元之間多采用全互連方式，而同層各神經元之間無連接，見圖1。BP網絡的基本處理單元（輸入層單元除外）為非線性輸人-輸出關系，一般選用S型作用函數f(x)=l/(1+e-當給定網絡一個輸人模式時，它由輸人層單元傳到隱含層單元，經隱含層單元逐層處理后再送到輸出層單元，由輸出層單元處理后產生一個輸出模式。這是一個逐層狀態更新的過程，稱為前向傳播。如果期望輸出與實際輸出之間的誤差不滿足要求，那么就轉人誤差反向傳播，將誤差值沿通路逐層傳送并修正各層連接權值(w1,W2),這是一個逐層權值更新的過程，稱為誤差反向傳播過程。隨著2個過程的反復進行，誤差逐漸減小，直至滿足要求為止。
2常用人工神經網絡模型的應用分析
當前，人工神經網絡方法主要應用于有機有毒化合物毒性的分類及定量預測、對不同污染物生物降解性能的預測、單要素環境質量評價、環境質量綜合評價、環境預測、環境綜合決策等方面。
2.1預測性能的分析
以BP網絡為例，就近兩年來應用BP網絡進行預測的成功研究來看，人工神經網絡的預測性能得到了充分的肯定。
1997年，劉國東等141應用BP網絡建立的雅礱江和嘉陵江流域氣溫、降水和徑流之間關系的網絡模型，具有較高的擬合精度和預報精度，并具有精度可控制的優點。計算結果同國內外研究成果的一致性表明，用BP網絡分析、研究氣候變化對一個地區(或流域)水資源環境的影響是一種新穎、有效的方法。
王瑛等w指出，當外界環境和系統本身性質發生劇烈變化時，BP網絡能提供一種有效的方法來更新模型，實現新舊模型之間的轉換。他們利用最近12年(1981~1992年）的環境經濟數據對2000年環境指標進行了預測，并根據預測結果對未來的環境對策進行了分析。這為解決環境預測的模型問題提供了一條新思路。
張愛茜等用人工神經網絡預測含硫芳香族化合物好氧生物降解速率常數和孫唏等⑺對胺類有機物急性毒性的分類及定量預測的結果都說明了，人工神經網絡作為一種非線性模型預測能力大大優于多兀線性回歸模型。
2.2 評價性能的分析
人們在環境評價中主要應用了BP網絡、Hopfield網絡、徑向基函數網絡等模型，并不斷地改進應用方法，對其在環境評價中的性能進行比較研究》李祚泳的研究結果表明BP網絡用于水質評價具有客觀性和實用性。劉國東等?改進了BP網絡的應用kf法，并比較了BP網絡與Hopfield網絡在水質綜合評價中的性能。他們指出Hopfield網絡采用模式（圖象)聯想或匹配，既適用于定量指標的水質參數又適用于定性指標的水質參數，而且使水質評價形象化，因此更優于BP網絡.郭宗樓等將徑向基函數人工神經網絡(RBF—ANN)模型應用于城市環境綜合評價，結果-表明RBF網絡不僅具有良好的推廣能力，而且避免了反向傳播那樣繁瑣、冗長的計算，其學習速度是常用的BP網絡無法比擬的。郭宗樓等[|11又以三峽工程為背景，把該模型應用于水利水電工程環境影響綜合評價的人工神經網絡專家系統中，與分級加權評價法相比較具有更高的推理效率。
環境科學研究的問題，如環境污染、生態破壞、自然災害、資源耗竭、人口過量等等，無一不是在某種程度上損傷或破壞了人——環境的和謂。人——環境關系有著自身的變化規律,是可以進行科學量度的。顯然這一M?度是多方位、多因素的非線性評價問題,至今尚未建立起一種適當的評價模型，我們是否可以借鑒人工神經網絡的應用優點，考慮建立基于人工神經網絡方法的評價模型。
人工神經網絡改進范文2
關鍵詞 神經網絡；BP；優化算法
中圖分類號：TP183 文獻標識碼：A 文章編號：1671-7597（2014）13-0066-01
1 人工神經網絡模型
人工神經網絡簡稱ANN，它是一種將人類大腦的組織結構和運行機制作為其研究基礎來模擬人類大腦內部結構和其智能行為的處理系統。人工神經網絡中的神經元細胞將其接收到的所有信號進行處理，如加權求和等操作，進行操作后經軸突輸出。
2 人工神經網絡的分類
2.1 前饋型神經網絡
前饋型神經網絡通過對其網絡中的神經元之間的連接關系進行復合映射，因此這種網絡模型具有非常強的非線性處理的能力。如圖1所示，在這里前饋型神經網絡模型被分為三層，分別為輸入層、輸出層和隱含層，一般常用的前饋型神經網絡有BP神經網絡、RBF神經網絡、自組織神經網絡等。
圖1 前向神經網絡模型
2.2 反饋型神經網絡
反饋型神經網絡其結構，在這個模型中我們假設網絡總的神經元個數為N，則每個神經元節點都有N個輸入值及一個輸出值，每個神經元節點都如此，節點之間相互聯系?，F在被大量使用的反饋型神經網絡一般有離散Hopfield神經網絡模型、Elman神經網絡模型等等。
3 BP神經網絡
3.1 BP神經網絡簡介
1986年，Rumelhant和McCelland提出了BP神經網絡的一般模型，BP神經網絡是一種具有多層網絡的反向傳播學習算法。BP神經網絡模型的基本思想是：整個過程主要由信號的正向傳播和誤差的反向傳播兩個過程組成。目前，BP神經網絡的應用范圍為數據壓縮、數據分類、預測分析和模式識別等領域。
3.2 BP神經網絡的結構
如圖2所示，這里是BP神經網絡的一種模型結構，在這種模型結構中輸入信號量為m，具有隱含層的數量為j，輸出信號量為q的模型結構。
BP神經網絡一般具有一個或多個隱含層單元，其差別主要體現在激活函數的不同。針對BP神經網絡所使用的激活函數一
圖2 BP神經網絡模型結構
般采用S型對數函數或者采用正切激活函數，而輸出層則一般采用線性函數作為激活函數。
3.3 BP神經網絡的改進方法
BP神經網絡作為當今對研究電力負荷預測應用最多的一種神經網絡，但標準的BP神經網絡算法存在的一些缺陷，這里就對一些經常使用的典型改進方法進行描述。
1）增加動量項。在一般的BP神經網絡算法中，其模型中的各層權值在進行更新的過程中，是按照t時刻誤差曲線進行梯度下降方式進行調整的，在這里并沒有考慮其之間的梯度下降的方向，如果使用這種方式進行調整則會造成訓練的過程不穩定，容易發生振蕩，導致收斂過程緩慢的結果。因此有些學者就為了使網絡訓練的速度提高，收斂過程加快，就在一般網絡模型的權值更新環節添加了一個動量項因子即：
（1）
在這個式子中，W表示BP神經網絡中每一層的權值矩陣，O則表示神經網絡中每一層的輸出向量矩陣，α則被稱為該神經網絡的動量系數因子，其取值范圍在0到1之間，在該網絡在進行訓練的過程中，如果其誤差梯度網線出現了局部極小值現象，雖然在這里的第一項會趨摟于零，但是這一項，
這樣就會使該訓練過程避免了限入局部極小值區域的形勢，從而加快了其訓練速度，使該神經網絡收斂速度加快，因此這種帶有動量項因子的BP神經網絡算法應用到了很多的BP網絡中。
2）學習速度的自適應調節方法。學習速度η在一個標準的BP神經網絡中是以一個常數出現的我們也稱為之步長，而在實際的運算過程中，很難找到一個數值作為最優學習速度。我們從誤差曲面圖形中可以看出，當曲面中區域處于一個平坦區域時，我們需要設置一個比較大的η值，使它能夠跳出這個平坦的區域；而當曲面中的區域處于變化比較很大的區域時，這時的η的數值我們又需要將其進行減小或者增大操作。自適應調整學習速度η則可以根據網絡的總誤差來進行自我調整，在網絡經過多次調整后，如果E總繼續上升，則表明這里的調整是無效的，且η=βη， ；而經常調整這里的E總下降了，則表明這里的調整是有效果的，且η=αη，。
3）引入陡度因子（防止飽和）。在網絡訓練的過程中，由于其誤差曲面具有平坦區，當處于這個區域時，由于S型激活函數有飽和特性，促使權值的調整速度放慢，從而影響了調整的速度。在訓練的過程中，如果算法調整進入了這個區域，我們可以減小神經元的輸入量，使其輸出值迅速脫離激活函數的飽和區域，這里誤差函數的數值則會隨之發生改變，其權值的調整也就脫離了該平坦區。想要實現以上思路則需要在激活函數中引入一個陡度因子λ。
（2）
當趨近于0時，而數值較大時，調整其進入誤差曲面中的平坦區，此時λ的值應選擇大于1的數值；而當調整脫離平坦區域后，再設置λ大于1，使激活函數能夠恢復到原始數值。
4 總結
綜上所述，設計一個人工神經網絡應用到實際問題中，可以歸結為網絡自身權值參數的學習與合理的設計網絡拓撲結構這兩大類優化問題。由于人工神經網絡的訓練是一個非常復雜的問題，使用傳統的學習算法進行訓練則要花費很長的時間，BP算法用到了梯度下降法，才只能在一定范圍內找到合適的參數值及其模型結構。因此，為了更好的提高神經網絡的泛化能力，及將網絡拓撲結構設計的更加合理，大量關于神經網絡的優化算法相繼產生。
參考文獻
人工神經網絡改進范文3
【關鍵詞】圖像分割；細胞特征；人工神經網絡
據統計，在各種癌癥中，子宮頸癌對婦女的威脅僅次于乳腺癌。全世界每年因子宮頸癌死亡的人數為30萬，確診和發現早期癥狀者各為45萬。雖然確診病人的年齡一般都在35歲以上，但存在這種疾病誘因的婦女卻往往遠在這一年齡以下。如果及時得到診斷，早期子宮頸癌是可以治愈的。因此借助于現代先進的計算機技術結合病理專家的實踐經驗，開發出計算機輔助細胞學診斷系統，才是解決這一問題的關鍵所在。
本文從圖像識別領域出發，應用人工神經網絡模型對子宮頸癌細胞圖像診斷進行探索。首先，對獲取的子宮頸癌圖像進行灰度轉換。由原來的24位彩色圖像轉化為灰度圖像。在對灰度圖像進行分割，主要采取基于門限閾值化的分割方法。分別對細胞，細胞核進行了分割。分割后轉化成為二值圖像，采用八向鏈碼算法對包括周長，面積似圓度，矩形度，核漿比等15個主要形態學參數進行測量。在取得了大量的數據樣本后進行人工神經網絡的訓練。
人工神經網絡是在對人腦神經網絡的基本認識的基礎上，從信息處理的角度對人腦神經網絡進行抽象，用數理方法建立起來的某種簡化模型[1]。通過模仿腦神經系統的組織結構以及某些活動機理，人工神經網絡可以呈現出人腦的許多特征，并具有人腦的一些基本功能[2]。1988年，Rinehart等人提出了用于前向神經網絡學習訓練的誤差逆傳播算法（Back propagation，簡稱BP算法），成功解決了多層網絡中隱含層神經元連接權值的學習問題[3]。BP算法是由教師指導的，適合于多層神經網絡的學習訓練，是建立在梯度下降算法基礎上的。主要思想是把學習過程分為兩個階段：第一階段（信號正向傳播過程），輸入信號通過輸入層經隱含層逐層處理并計算每個節點的實際輸出值；第二階段（誤差修正反向傳播過程），若在輸出層未得到期望的輸出值，則逐層遞歸地計算實際輸出與期望輸出之間的誤差，并已據此誤差來修正權值。在學習過程中，對于每一個輸入樣本逐次修正權值向量，若有n個樣本，那么一次學習過程中修正n次權值。
但是BP算法也存在一定的缺陷，如多解問題、學習算法的收斂速度慢以及網絡的隱含節點個數的選取尚缺少統一而完整的理論指導。為了優化BP算法，我們采用加入動向量的方法對BP算法進行改進。基于BP算法的神經網絡，在學習過程中，需要不斷地改變權值，而權值是和權值誤差導數成正比的。通常梯度下降方法的學習速率是一個常數，學習速率越大，權值的改變越大。所以要不斷地修改學習速率，使它包含有一個動向量，在每次加權調節量上加上一項正比例與前次加權變化量的值（即本次權值的修改表達式中引入前次的權值修改量）。設計模型時，人工神經網絡的輸入輸出變量是兩個重要的參數。輸入變量的選擇有兩個基本原則：其一必須選擇對輸出影響大并且能夠檢測或提取的變量，其二要求各個輸入變量之間互不相關或相關性很小。我們將細胞的形態學特征值作為人工神經網絡的輸入變量。輸出變量代表系統要實現的功能目標，這里以TBS分類法為依據，確定了人工神經網絡的三個輸出變量NORMAL（正常細胞），LSIL（低度鱗狀上皮內病變），HSIL（高度鱗狀上皮內病變）[4]。在人工神經網絡的輸入、輸出確定后，就可以得到網絡的結構圖，從而對測得的細胞特征值進行分類。
本文中所設計的神經網絡分類器，輸入層15個節點、隱含層30個節點、輸出層2個節點。細胞樣本共161例，使用87例細胞樣本數據對人工神經網絡的權值進行訓練。當誤差小于規定值后，再用剩余的74例數據樣本對人工神經網絡進行測試。主要采取的算法是增加動量的BP算法。經實驗，應用人工神經網絡模型識別每張圖片每個細胞，選出128個最有可能的異常細胞圖。通過大量實驗對比訓練樣本識別率最高達96.6%，測試樣本識別率最高達87.8%，總體樣本識別率最高達92.5%。
由實驗可以看出增加動量的BP算法（BP標準算法）的學習次數適中，分類基本準確。增加學習速率可以加快收斂的速度，但同時也看到由于學習速率過大，而導致系統的不穩定，引起震蕩。所以在增加學習不長的同時，動向量不能夠過大，否則會引起震蕩，影響分類的準確率。使用增加動量的BP算法對子宮頸癌細胞的識別效果比較理想，這在醫學研究以及臨床診斷方面具有一定的現實意義及比較廣闊的應用背景。
參考文獻
[1]何苗.徑向基人工神經網絡在宮頸細胞圖像識別中的應用[J].中國醫科大學學報，2006，35（1）.
[2]刑仁杰.計算機圖像處理[M].浙江：浙江大學出版社，1990：32-67.
[3]時淑舫.計算機輔助細胞檢測方法在宮頸細胞學檢查中的應用價值[J].臨床和實驗醫學雜志，2003，2（2）.
人工神經網絡改進范文4
關鍵詞：車牌字符；BP人工神經網絡；圖像識別；模式識別
引言
近年來，神經網絡的智能化特征與能力使其應用領域日益擴大，潛力日趨明顯。許多用傳統信息處理方法無法解決的問題采用神經網絡后取得了良好的效果。其中，神經網絡在車牌字符識別中的應用效果尤為明顯。目前，車牌字符識別主要采用兩種方法，即模式匹配法和神經網絡法。由于神經網絡模式識別方法能夠實現基于計算理論層次上的模式識別理論所無法完成的模式信息處理工作，這種方法是選用適當的字符圖像特征提取方法，然后使用訓練樣本訓練網絡并構建一個識別網絡作為分類器。所以，相信未來一段時期內神經網絡在車牌字符識別領域中的應用還會是趨于主導地位。
1 人工神經網絡簡介
人工神經網絡來提取特征向量，把字符平均分成8份，統計每一份內黑色像素點的個數作為8個特征, 即分別統計這8個區域中的黑色像素點的數目，可以得到8個特征。然后統計水平方向中間兩列和豎直方向中間兩列的黑色像素點的個數作為4個特征，最后統計所有黑色像素點的個數作為第13個特征。如下圖所示:
圖3 13特征提取法
人工神經網絡改進范文5
關鍵詞：模糊控制；人工神經網絡；人臉識別
中圖分類號：TP18 文獻標識碼：A文章編號：1009-3044(2011)16-3904-03
隨著人工智能技術的飛速發展，機器視覺已經成為當前人工智能研究領域的一大熱點，很多國家的研究人員都開展了對機器視覺的研究，其中以機器視覺識別人臉最為困難，這主要是因為人的面部帶有表情，不同的人具有不同的臉，而不同的臉具有不同的表情，不同的表情則具有不同的面部特征，如何讓計算機通過機器視覺高效率的識別人臉，成為當前機器視覺和智能機器人關鍵技術領域的技術難題。
隨著模糊邏輯控制算法和人工神經網絡算法的發展，對于機器視覺識別人臉特征的算法也有了新的發展，目前多數研究算法所采用的人臉識別從實現技術上來說，主要可以分為以下幾個類別：
1) 基于人臉幾何特征進行的識別算法，該算法運算量較小，原理簡單直觀，但是識別率較低，適合應用于人群面部的分類，而不適宜于每一個人臉的識別。
2) 基于人臉特征的匹配識別算法，這種算法是預先構建常見的人臉特征以及人臉模板，構成人臉特征庫，將被識別的人臉與特征庫中的人臉進行逐一比對，從而實現人臉識別，該算法識別效率較高，但是應用有一定局限性，只能夠識別預先設立的人臉特征庫中的人臉模型，因此人臉特征庫就成為該算法實現的技術關鍵。
3) 基于統計的人臉識別算法，該算法將人臉面部進行特征參數的劃分，如兩眼距離大小，五官之間距離等，通過構建統計特征參數模型實現對人臉模型的識別，該算法識別率較高，但是算法實現起來運算量比較大，且識別效率較低。
4) 基于模糊邏輯的人臉識別算法，這一類算法主要結合了模糊邏輯和神經網絡能夠自我訓練學習的機制實現對人臉的識別，識別率較高，且算法運算量適中，但是算法的原理較難理解，且模糊邏輯控制規則的建立存在一定技術難度。
本論文主要結合模糊人工神經網絡方法，將其應用于計算機人臉識別，以期從中能夠找到有效可靠的人臉識別方法及其算法應用，并以此和廣大同行分享。
1 模糊邏輯及人工神經網絡在圖像辨識中的應用可行性分析
1) 人臉識別的技術難點
由于計算機只能夠認識0和1，任何數據，包括圖像，都必須要轉化為0和1才能夠被計算機識別，這樣就帶來一個很復雜很棘手的問題：如何將成千上萬的帶有不同表情的人臉轉變為數字信號并被計算機識別。由于人的面部帶有表情，不同的人具有不同的臉，而不同的臉具有不同的表情，不同的表情則具有不同的面部特征，因此這些都成為了計算機識別人臉特征的技術難點，具體來說，人臉實現計算機識別的主要技術難度包括：
① 人臉表情：人有喜怒哀樂等不同表情，不同的表情具有不同的面部特征，因此如何分辨出不同表情下的人臉特征，這是首要的技術難點；
② 光線陰影的變換：由于人臉在不同光線照射下會產生陰影，而陰影敏感程度的不一也會增加計算機識別人臉特征的難度；
③ 其他因素：如人隨著年齡的增長面部特征會發生些微變化，人臉部分因為裝飾或者帽飾遮擋而增加識別難度，以及人臉側面不同姿態也會對計算機識別帶來技術難度。
2) 模糊人工神經網絡在人臉辨識中的應用可行性
如上分析所示，計算機識別人臉，需要考慮的因素太多，并且每一種因素都不是線性化處理那么簡單，為此，必須要引入新的處理技術及方法，實現計算機對人臉的高效識別。根據前人的研究表明，模糊人工神經網絡算法是非常有效的識別算法。
模糊理論和神經網絡技術是近年來人工智能研究較為活躍的兩個領域。人工神經網絡是模擬人腦結構的思維功能，具有較強的自學習和聯想功能，人工干預少，精度較高，對專家知識的利用也較少。但缺點是它不能處理和描述模糊信息，不能很好利用已有的經驗知識，特別是學習及問題的求解具有黑箱特性，其工作不具有可解釋性，同時它對樣本的要求較高;模糊系統相對于神經網絡而言，具有推理過程容易理解、專家知識利用較好、對樣本的要求較低等優點，但它同時又存在人工干預多、推理速度慢、精度較低等缺點，很難實現自適應學習的功能，而且如何自動生成和調整隸屬度函數和模糊規則，也是一個棘手的問題。如果將二者有機地結合起來，可以起到互補的效果。
模糊邏輯控制的基本原理并非傳統的是與不是的二維判斷邏輯，而是對被控對象進行閾值的設計與劃分，根據實際值在閾值領域內的變化相應的產生動態的判斷邏輯，并將邏輯判斷規則進行神經網絡的自我學習，逐漸實現智能判斷，最終實現準確的邏輯判斷。相較于傳統的線性判斷規則，基于模糊規則的神經網絡是高度復雜的非線性網絡，同時由于其廣闊的神經元分布并行運算，大大提高了復雜對象（如人臉）識別計算的效率，因此，將模糊神經網絡算法應用于人臉的智能識別是完全可行的。
2 基于模糊人工神經網絡的人臉識別方法研究
2.1 基于模糊神經網絡的人臉識別分類器設計
1) 輸入、輸出層的設計：針對模糊神經網絡層的輸入層和輸出層的特點，需要對識別分類器的輸入、輸出層進行設計。由于使用BP神經網絡作為識別分類器時，數據源的維數決定輸入層節點數量，結合到人臉的計算機識別，人臉識別分類器的輸入輸出層，應當由人臉特征數據庫的類別數決定，如果人臉數據庫的類別數為m，那么輸入、輸出層節點數也為m，由m個神經元進行分布式并行運算，能夠極大提高人臉識別的輸入和輸出速度。
2) 隱藏層結點數的選擇：由于一般的BP神經網絡都是由3層BP網絡構成：輸入層，隱藏層和輸出層，隱層的數量越多，BP神經網絡越復雜，那么最終能夠實現的運算精度就越高，識別率也就越高；但是隨著隱層數量的增加，隨之而來的一個突出的問題就是神經網絡變的復雜了，神經網絡自我訓練和學習的時間變長，使得識別效率相對下降，因此提高精度和提高效率是應用模糊神經網絡的一個不可避免的矛盾。在這里面向人臉識別的分類器的設計中，仍然采用傳統的3層BP神經網絡構建人臉識別分類器，只設計一層隱層，能夠在保障識別精度的前提下有效的保障神經網絡學習和訓練的效率，增加人臉識別的正確率。
3) 初始值的選取：在設計了3層BP神經網絡的基礎上，需要確定神經網絡的輸入初始值。由于模糊神經網絡是非線性的，不但具有線性網絡的全部優點，同時還具有收斂速度快等特點，而初始值的選取在很大程度上影響神經網絡的學習訓練時間的長短，以及是否最終能夠實現收斂輸出得到最優值。如果初始值太大，那么對于初始值加權運算后的輸出變化率趨向于零，從而使得神經網絡自我學習訓練趨向于停止，最終無法得到收斂的最優值；相反，我們總是希望初始值在經過每一次加權運算后的輸出都接近于零，從而能夠保證每一個參與運算的神經元都能夠進行調節，最終實現快速的收斂。為此，這里將人臉識別的初始值設定在[0，0.2]之間，初始運算的權值設定在[0，0.1]之間，這樣都不太大的輸入初始值和權值初始值能夠有效的保證神經網絡快速的收斂并得到最優值。
如果收斂速度太慢，則需要重新設置權值和閾值。權值和閾值由單獨文件保存，再一次進行訓練時，直接從文件導出權值和閾值進行訓練，不需要進行初始化，訓練后的權值和閾值直接導入文件。
2.2 人臉識別的神經網絡訓練算法步驟
1) 神經網絡的逐層設計步驟：神經網絡需要按層進行設計，構建信號輸入層、模糊層以及輸出層，同時還要構建模糊化規則庫，以構建神經網絡模糊算法的完整輸入輸出條件。具體構建人臉識別的神經網絡層可以按照下述步驟執行：
Step 1，構建信號輸入層，以視覺攝像頭為坐標原點構建人臉識別坐標系統，這里推薦采用極坐標系統構建識別坐標系，以人臉平面所處的角度與距離作為信號的輸入層，按照坐標系的變換得到神經網絡信號輸入的距離差值和角度差值Δρ，Δθ，作為完整的輸入信號。
Step 2，構建模糊化層，將上一層信號輸入層傳輸過來的系統人臉識別信號Δρ與Δθ進行向量傳輸，將模糊化層中的每一個節點直接與輸入信號向量的分量相連接，并進行信號矢量化傳輸；同時在傳輸的過程中，根據模糊化規則庫的條件制約，對每一個信號向量的傳輸都使用模糊規則，具體可以采用如下的隸屬度函數來進行模糊化處理：
(1)
其中c ij 和σij分別表示隸屬函數的中心和寬度。
Step 3，構建信號輸出層，將模糊化層經過模糊處理之后的信號進行清晰化運算，并作為最終結果輸出。
關于模糊規則庫的建立，目前所用的方法都是普遍所采用的匹配模糊規則，即計算每一個傳輸節點在模糊規則上的適用度，適用就進行模糊化規則匹配并進行模糊化處理，不適用則忽略該模糊規則并依次向下行尋找合適的模糊規則。當所有的，模糊規則構建好之后，需要對每條規則的適用度進行歸一化運算，運算方法為：
(2)
2) 人臉的識別算法按如下步驟執行：
Step 1：一個樣本向量被提交給網絡中的每一個神經元；
Step 2：計算它們與輸入樣本的相似度di；
Step 3：由競爭函數計算出競爭獲勝的神經元，若獲勝神經元的相似度小于等于相似度門限值ν，則計算每個神經元的獎懲系數γi，否則添加新的神經元；
Step 4：根據學習算法更新神經元或將新添加的神經元的突觸權值置為x；
Step 5：學習結束后，判斷是否有錯誤聚類存在，有則刪除。
其中，
(3)
di是第i個神經元的相似度值，β為懲罰度系數，ν為相似度的門限值。γ的計算方法是對一個輸入樣本x，若競爭獲勝神經元k的相似度dk≤ν，則獲勝神經元的γk為1，其它神經元的γi=-βdi/ν，i≠k；若dk >ν，則添加新的神經元并將其突觸權值置為x。
實際上，網絡訓練的目的是為了提高本算法的權值實用域，即更加精確的實現對人臉特征的識別，從而提高算法的人臉識別率，當訓練結束后，即可輸出結果。
2.3 算法仿真測試
為了驗證本論文所提出的人臉識別模糊神經網絡算法的有效性和可靠性，對該算法進行仿真測試，同時為了凸顯該算法的有效性，將該算法與傳統的BP神經網絡算法進行對比仿真測試。
該測試采集樣本500張人臉圖片，分辨率均為128×128，測試計算機配置為雙核處理器，主頻2.1GHz，測試軟件平臺為Matlab，分別構建BP神經網絡分類器與本算法的神經網絡分類器，對500幅人臉圖片進行算法識別測試。
如表1所示，為傳統BP神經網絡算法和本論文算法的仿真測試結果對比表格。
從表1所示的算法檢測對比結果可以發現：傳統的算法也具有人臉特征的識別，但是相較于本論文所提出的改進后的算法，本論文提出的算法具有更高的人臉特征識別率，這表明了本算法具有更好的魯棒性，神經網絡模糊算法的執行上效率更高，因而本算法是具有實用價值的，是值得推廣和借鑒的。
3 結束語
傳統的圖像識別技術，很多是基于大規模計算的基礎之上的，在運算量和運算精度之間存在著不可調和的矛盾。因人工神經網絡技術其分布式信息存儲和大規模自適應并行處理滿足了對大數據量目標圖像的實時處理要求，其高容錯性又允許大量目標圖像出現背景模糊和局部殘缺。相對于其他方法而言，利用神經網絡來解決人臉圖像識別問題，神經網絡對問題的先驗知識要求較少，可以實現對特征空間較為復雜的劃分，適用于高速并行處理系統來實現。正是這些優點決定了模糊神經網絡被廣泛應用于包括人臉在內的圖像識別。本論文對模糊神經網絡在人臉圖像識別中的應用進行了算法優化設計，對于進一步提高模糊神經網絡的研究與應用具有一定借鑒意義。
參考文獻：
[1] 石幸利.人工神經網絡的發展及其應用[J].重慶科技學院學報:自然科學版,2006(2):99-101.
[2] 胡小鋒,趙輝.Visral C++/MATLAB圖像處理與識別實用案例精選[M].北京:人民郵電出版社,2004.
[3] 戰國科.基于人工神經網絡的圖像識別方法研究[D].北京:中國計量科學研究院,2007.
[4] 王麗華.基于神經網絡的圖像識別系統的研究[D].北京:中國石油大學,2008.
[5] 范立南,韓曉微,張廣淵.圖像處理與模式識別[M].北京:科學出版社,2007.
[6] 金忠.人臉圖像特征抽取與維數研究[D].南京:南京理工大學,1999.
人工神經網絡改進范文6
【關鍵詞】人工神經網絡 BP算法 故障診斷 發動機
近年來，汽車越來越多地出現在普通百姓家庭。發動機系統是汽車的心臟，大部分零件處于高溫、高壓的工作環境且處在高速運動當中，設備復雜、參數多，其故障的發生率高，診斷起來困難繁瑣，本文針對這一問題，在掌握發動機運行流程后，引入了BP神經網絡故障診斷方法，并適當改進，測試結果表明，該方法可靠有效實用。
3 自適應BP網絡實例應用
3.1 網絡輸入輸出向量及參數的選取
由汽車維修專家提供典型發動機系統故障現象及相應的故障原因實例作為訓練樣本。以故障類型X=（x1，x2，x3，x4）作為輸入，故障原因R=（r1，r2，…，r12）作為輸出，建立故障模式與故障原因之間的映射關系。如表1所示。
3.2 網絡的創建、訓練與檢驗
按照樣本的模式對，確定輸入層節點個數為4，輸出層節點個數為12。輸出節點值的大小反映了故障出現的可能程度。而隱含層節點的個數可參照經驗公式選?。浩渲袨檩敵龉濣c數，n為輸入節點數，為1至10的常數。
將故障類型及原因分析表中的文字描述進行轉換并編碼，就得到樣本訓練表，如表2所示。
選取網絡的初始學習率=1，動量因子=0.01，初始學習率調整因子β=1，訓練過程中根據誤差變化實時調整學習率，取β=0.9（誤差變大時），β=1.1（誤差變小時）。
采用Matlab軟件編寫程序對樣本進行訓練。
3.3 誤差分析與判定
利用同一組樣本對改進的BP算法和傳統BP算法分別進行測試，并對照研究，進行誤差分析。表3為階段性均方誤差所需要的訓練次數對比，圖1為增加動量項的BP算法對網絡訓練誤差的影響，圖2為采用自適應學習率BP算法對網絡訓練誤差的影響，可以直觀地看出，兩種方法都可以極大地加快網絡的訓練過程，將兩種方法結合到一起，則效果更好，如圖3所示。
需要注意的是，建議學習率調整率不能取值太大，使步長平穩，同時設定學習率的最大值，超過后就不再調整，防止出現過調。
4 結論
本文把基于BP神經網絡的故障診斷技術引入汽車發動機故障診斷系統，通過增加動量項和自適應調節學習率兩種方法來對基本的BP網絡學習算法進行改進，可以極大地加快BP 神經網絡收斂過程，提高學習速度。通過分析，人工神經網絡能夠在發動機系統的監測及診斷中發揮較大的作用，并且在設計診斷工具和改進診斷方式中有一定的借鑒功能。
參考文獻
[1]韓力群.人工神經網絡理論、設計及應用[M].北京：化學工業出版社，2002.
[2]黃勇，郭曉平.基于改進BP神經網絡的柴油機故障診斷研究[J].汽車科技，2009（03）.
[3]張冉，趙成龍.改進BP網絡在汽輪發電機組故障診斷中的應用[J].計算機仿真，2011（07）.
[4]張延林，佟德軍.BP神經網絡的汽車故障診斷研究[J].自動化儀表，2009（04）.
[5]禹建麗，卞帥.基于BP神經網絡的變壓器故障診斷模型[J].系統仿真學報，2014（06）.
[6]姜蕊.基于改進BP神經網絡的速度預測模型[J].交通工程，2013（04）.
[7]陳懷琛，吳大正，高西全.MATLAB及在電子信息課程中的應用[M].北京：電子工業出版社，2006（03）.
