基于图像识别的苹果分级研究 第10页
判别,与人眼判别不符即是错误识别。表5.1是采集一定量苹果按大小分级的统
计结果。
对于形状分等的判别函数和按大小分级的特征函数形式类似,不同的特征函
数的参数有所不同。根据形状特征本图像识别系统分成四个等:一等,二等,三
四等,一等是是形状比较好的等,依次四等最差。
4.4基于神经网络苹果等级判别
自1985年IUmbelhan提出BP算法以来,神经网络的发展迅速并渗透到各个
学科,多层前向型网络成为用途最为广泛的网络之一。神经网络算法以不再只是
供研究,而在实际的生产中开始了广泛的应用。如:数据库系统的数据挖掘、产
品的自动分检系统的图相识别等。对应地在计算机辅助设计的软件中,神经网络
算法的设计也越来越多。在设计完系统苹果等级判别的系统后,对神经网络在图
像识别系统中的应用做了一定的研究工作。并将其应用神到苹果等级判别中的研
究作一些探讨。
4.4.1 BP网络的基础知识
BP算法是一种有监督式的学习算法。其主要思想是:输入学习样本,使用反
向传播算法对网络的权值和偏差进行反复的调整训练,使输出的向量与期望向量
尽可能地接近,当网络输出层的误差平方和小于指定的误差时训练完成,保存网
络的权值和偏差。
BP算法由两部分组成:信息的正向传递与误差的反向传递。在正向传播过程
中,输入信息从输入层经隐含层逐层计算传向输出层,每层神经员状态只影响下
一层的神经元状态。如果输出层没有得到期望的输出,则计算输出层的误差变化
值,然后转向反向传播,通过网络将误差信号从原来的连接通反传回来修改各层
神经元的权值直至达到期望目标。图5.4.1是简化的两层网络图。
e
j 嗵开 f m{
图4.3简化的两层网络图
设输入为P=(p,,P:,…,P,)r,,.为输入神经元的个数,第一层的权矩阵
∥ =(万,)。。。,,s。为隐层神经元个数,激活函数为Z,%:汩2F)哕q,J:
为输出层神经元个数,对应的激活函数为厂2,目标矢量为r=(f。,f:,…,r。:)r,隐
含层神经元的输出矢量A,=(al。,al:,…,al。)’,输出层神经元的输出矢量
A:=(a2。,a2:,…,a2。:)r,隐含层神经元的偏差E=(bl。,bl:,…,bl~)r,输出层神
经元的偏差B:=(b2,,b2:,…b2,:)r,则信息在正向传递过程中:
(1)隐含层中第i个神经元的输出为:
口·,=z[喜万·。·p,+6·,],cz=·,2,…s。;/=·,2,…,r,。
(2)输出层第k个神经元的输出为:
哦:zl圭万2血纠,+%l,(七:1,2,…蹦/:1,2,…,啪。
L J=l J
(3)走义误差的函数为:
E(∥,B)=互酗S2埘t】。,其中∥=卜1础B=[bl,b2]。
在误差的反向传播过程中:
(1)输出层的权值变化对从第f个输入到第k个输出的权值有:
峨叫击叫盖,篆刊卜哦婚扎
’Ab2k。叫去叫嚣‘甏吲卜哦,辣
(2)隐含层的权值变化对从第/个输入到第f个输出的权值有:
蛔1{『=一叩盖叫嚣Oa2‘瓮Oal,器=毒p叱协吩小p,同
” 。a万1,, 。 。 i a巧1i. 。鲁” ““ ““f√ ~
理可得:
Abl。叫旦叫旦.堕.塑:叩扎埘。)辣.ux2∥z’Obl
” 。 。, ‘c3a2々c3al,Obl,, ‘智“ ““ ““
其中学习率77为指定的常数。
对于线性激活函数厂(,2)=门,其导数为:厂’(,z)=1;对于S型激活函数
厂(,2)=(1+P”)~,e为自然数,其导数为:
厂’㈤=篙等:专·[-一专h砂¨㈤】o
4.4.2改进的BP反向传播算法
为了加快网络收敛,减少训练时间,还有些改进的BP算法。
(1)初始权值的选取对于非线性系统,初始值的选取十分重要,它直接影响
到学习是否能够收敛及训练时间的长短。初始值过大,使加权后的输入和,2落入
S型激活的饱和区,使调和过程几乎停顿。所以,一般初始权值取为(.1,1)之间
的随机数。
(2)学习率学习率决定每次循环训练中所产生的权值变化量。大的学习率可
能导致系统不稳定;小的学习率导致较长的训练时间。所以,好的办法是系统自
动调节学习率。
f3)附加动量法 附加动量法使网络在修正其权值时不仅考虑误差在梯度上的
作用,而且考虑在误差曲面上变化趋势的影响,其作用如同一个低通滤波器。在
没有附加动量的作用下,网络可能陷入局部极小值,利用附加动量的作用则可能
’Ab2k。叫去叫嚣‘甏吲卜哦,辣
(2)隐含层的权值变化对从第/个输入到第f个输出的权值有:
蛔1{『=一叩盖叫嚣Oa2‘瓮Oal,器=毒p叱协吩小p,同
” 。a万1,, 。 。 i a巧1i. 。鲁” ““ ““f√ ~
理可得:
Abl。叫旦叫旦.堕.塑:叩扎埘。)辣.ux2∥z’Obl
” 。 。, ‘c3a2々c3al,Obl,, ‘智“ ““ ““
其中学习率77为指定的常数。
对于线性激活函数厂(,2)=门,其导数为:厂’(,z)=1;对于S型激活函数
厂(,2)=(1+P”)~,e为自然数,其导数为:
厂’㈤=篙等:专·[-一专h砂¨㈤】o
4.4.2改进的BP反向传播算法
为了加快网络收敛,减少训练时间,还有些改进的BP算法。
(1)初始权值的选取对于非线性系统,初始值的选取十分重要,它直接影响
到学习是否能够收敛及训练时间的长短。初始值过大,使加权后的输入和,2落入
S型激活的饱和区,使调和过程几乎停顿。所以,一般初始权值取为(.1,1)之间
的随机数。
(2)学习率学习率决定每次循环训练中所产生的权值变化量。大的学习率可
能导致系统不稳定;小的学习率导致较长的训练时间。所以,好的办法是系统自
动调节学习率。
f3)附加动量法 附加动量法使网络在修正其权值时不仅考虑误差在梯度上的
作用,而且考虑在误差曲面上变化趋势的影响,其作用如同一个低通滤波器。在
没有附加动量的作用下,网络可能陷入局部极小值,利用附加动量的作用则可能
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] ... 下一页 >>
基于图像识别的苹果分级研究 第10页下载如图片无法显示或论文不完整,请联系qq752018766