【正文】 本科畢業(yè)設(shè)計 (論文 ) 第 31 頁 第三章 系統(tǒng)的實現(xiàn) 系統(tǒng)流程圖 利用神經(jīng)網(wǎng)絡(luò)進行字符識別的過程主要包括網(wǎng)絡(luò)的訓(xùn)練、數(shù)據(jù)的讀取、字符的判定、結(jié)果的輸出。 ① δ δ 規(guī)則 ； 設(shè) αij(k)為 Wij(k)的學(xué)習(xí)速率，則 () 式中， γ 是一個正實數(shù)，成為學(xué)習(xí)速率調(diào)整步長。對訓(xùn)練開始初期功效很好的學(xué)習(xí)速率，不見得對后來的訓(xùn)練合適。 (3)．局部最小值 采用多層網(wǎng)絡(luò)或較多的神經(jīng)元，有可能得到更好的結(jié)果。 對于較復(fù)雜的網(wǎng)絡(luò)，在誤差曲面的不同部位可能需要不同的學(xué)習(xí)速率。從表 2l 中可以看出下面幾種情況： ① 神經(jīng)元數(shù)太少，網(wǎng)絡(luò)不能很好的學(xué)習(xí)，需要訓(xùn)練的次數(shù)也多，訓(xùn)練精度也不高； ② 一般而言，網(wǎng)絡(luò)隱含層神經(jīng)元的個數(shù) S1 越多，功能越大，但當(dāng)神經(jīng)元數(shù)太多，會產(chǎn)生其他的問題 ③ 當(dāng) S1=3， 4， 5 時，其輸出精度都相仿，而 S1=3 是的訓(xùn)練次數(shù)最多。 為了對隱含層神經(jīng)元數(shù)在網(wǎng)絡(luò)設(shè)計時所起的作用有一個比較深入的理解，下面先給出一個有代表性的實例，然后從中得出幾點 結(jié)論。 4． BP網(wǎng)絡(luò)的設(shè)計問題 在進行 BP 網(wǎng)絡(luò)的設(shè)計時，一般應(yīng)從網(wǎng)絡(luò)的層數(shù)，每層中的神經(jīng)元個數(shù)和激活函數(shù)、初始值以及學(xué)習(xí)速率等幾個方面來進行考慮。 3．網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練 前面已經(jīng)說過，神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題之一是權(quán)值的確定。 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 ANN 中的核心問題就是如何決定網(wǎng)絡(luò)連接的加權(quán)系數(shù)（ Weight）。 圖 輻射基函數(shù)（高斯函數(shù)） ② 三角波函數(shù) 本科畢業(yè)設(shè)計 (論文 ) 第 22 頁 函數(shù)的形狀見圖 。見圖 。 圖 基本神經(jīng)元模型 本科畢業(yè)設(shè)計 (論文 ) 第 19 頁 上圖 a=f(wp)是不加偏差的輸入輸出關(guān)系，其中 w是權(quán)重， p是輸入； a=f(wp+b)是帶偏差的輸入輸出關(guān)系， w、 p 意義同上， b 是偏差， f是所謂的作用函數(shù)。 (2) 邊界所表示區(qū)域的寬度和高度 設(shè)方向鏈為 {a1 a2 a3? an}，定義 ai在 x軸上的分量為 aix，在 y軸上的分量為 aiy 則： ai=0時， aix＝ 1， aiy＝ 0 ai=1時， aix＝ 1， aiy＝ 1 ai=2時， aix＝ 0， aiy＝ 1 ai=3 時， aix＝－ 1， aiy＝ 1 ai=4 時， aix＝－ 1， aiy＝ 0 ai=5 時， aix＝－ 1， aiy＝－ 1 ai=6 時， aix＝ 0， aiy＝－ 1 ai=7 時， aix＝ 1， aiy＝－ 1 設(shè) x0和 y0是起始點的坐標(biāo)，則： () () (3) 鏈 碼所包圍的區(qū) 域面積： () 本科畢業(yè)設(shè)計 (論文 ) 第 18 頁 () (4) 假如兩個像素點可由方向鏈聯(lián)接 {a1 a2 a3? an}，則這兩點的距離為： () 上述的區(qū)域特征用鏈碼來計算，計算比較簡單。 有了鏈碼的方向鏈后，再加上一些標(biāo)識碼，即可構(gòu)成鏈碼。對于每一種方向賦以一種碼表示，如上面 8 個方向分別對應(yīng)于 0、 6和 7，這些碼稱為方向碼 。這會導(dǎo)致傅立葉變換中產(chǎn)生高本科畢業(yè)設(shè)計 (論文 ) 第 16 頁 頻分量，因而在用 Zahn 描述時，常要較多的傅立葉級數(shù)，以保證信息不會 有大的丟失。構(gòu)造 rφ*(t)間的對應(yīng)關(guān)系是一對一的，即介尺度變化下是相似的，如果反演 φ*(t)r，則可得出一組相似的封閉曲線。為了解決這個問題，引入封閉曲線本身的內(nèi)稟參量構(gòu)造曲線方程，再做傅立葉交換。 (3) 凹凸特性 凹凸特性時區(qū)域的基本特性之一。計算圖像中某個區(qū)域的面積以及該區(qū)域的周長，根據(jù)它們的比值可以分析或提取該區(qū)域所代表的圖像形狀特征。 S 為投影方向， t為與本科畢業(yè)設(shè)計 (論文 ) 第 12 頁 其垂直的方向， t 與 x 軸夾角為 ?，則 {f (x,y)}沿著 S 的投影定義為： () 當(dāng) ? 固定時， p(t, ?)為ｔ的函數(shù)，亦即一個一維波形。常用的區(qū)域矩特征有以下幾個： (1) 質(zhì)心 () (2) 中心矩 () (3) Hu 矩組 本科畢業(yè)設(shè)計 (論文 ) 第 11 頁 Hu 矩組是 {mpq}個矩的函數(shù)，它滿足平移、旋轉(zhuǎn)不變性，因而可被廣泛地應(yīng)用于區(qū)域形狀識別中。一個圖像形狀和結(jié)構(gòu)特征有兩種形式，一種是數(shù)字特征主要包括幾何屬性（如長短、面積、距離和凹凸特性等） ，統(tǒng)計屬性（如黑色像素點在垂直方向的投影）和拓撲屬性（如連通、歐拉數(shù)）；另一種是由字符串和圖等所表示的句法語言。但是，有時相關(guān)性很高的特征組合起來可以減少噪聲干擾，它們一般不作為單獨的特征使用。 (2) 可靠性。 2. 特征 提取 原始特征的數(shù)量很大，或者說圖像本身處于一個高維空間中，通過映射 (或變換 )的方法可以用低維空間來表示樣本，這個過程叫做特征提取。因此，特征選擇是圖像識別中的一個關(guān)鍵問題。這樣，計算機才能具有認識或者識別圖像的本領(lǐng)，稱圖像模式識別，也叫圖像識別。隨著上述核心技術(shù)的研究發(fā)展，應(yīng)用領(lǐng)域和功能等也獲得大幅提高。而獨立分割車牌取得字符，對較低解析度和較為模糊的車牌來說是非常困難的。字符的模式表達形式和相應(yīng)的字典形式有多種，每種形式又可以選擇 不同的特征，每種特征又有不同的抽取方法。字符識別的原理框圖如圖 。 缺點：當(dāng)樣品有缺損，背景不清晰，規(guī)則不明確甚至有歧義時，效果不好。不能反映模式的結(jié)構(gòu)特征，難以描述模式的性質(zhì)，難以從整體考慮識別問題。 是一種集合運算。一九七八年，中科院自動化研究所等合作研制出了“倍函自動化分檢機”，可識別 0～ 9個數(shù)字；一九八七年清華大學(xué)研制的漢字識別系統(tǒng)通過了技術(shù)鑒定，可識別國家二級漢字庫 6000 多字，識別率可達 99%，速度為 1字 /4 秒；一九八七年十二月，西安交大人工智能和機器人研究所研制的漢字識別系統(tǒng)也通過了技術(shù)鑒定，同樣可識別漢字 6000 多，識別速度可達 1 字 /1 秒，識別率達 98%以上，處于國內(nèi)領(lǐng)先 地位。但就多種方法分類來說為二大方法：相關(guān)法和構(gòu)造解析法。本系統(tǒng)主要是在對汽車圖像進行細致分析，從而研究車牌定位與識別的算法問題。 車輛牌照識別（ License Plate Recognition, LPR）技術(shù)作為交通管理自動化的重要手段，其任務(wù)是分析、處理汽車監(jiān)控圖像，自動識別汽車牌號，并進行相關(guān)智能化數(shù)據(jù)庫管理。把這個特征向量送到 BP 網(wǎng)絡(luò)中進行訓(xùn)練，得到了訓(xùn)練好的權(quán)值，把他保存到“ ”和“ ”中。然后打開要識別的圖片（即車牌），對 圖像進行預(yù)處理后就可以識別了。 LPR 系統(tǒng)可以廣泛應(yīng)用于高速公路電子收費站、出入控制、公路流量監(jiān)控、失竊車輛查詢、停車場車輛管理、公路稽查、監(jiān)測黑牌機動車、監(jiān)控違章車輛的電子警察等需要車牌認證的重要場合，尤其在高速公路收費系統(tǒng)中，實現(xiàn)不停 車收費技術(shù)可提高公路系統(tǒng)的運行效率， LPR 系統(tǒng)更具有不可替代的作用，因而對 LPR 車牌識別技術(shù)的研究和應(yīng)用系統(tǒng)開發(fā)具有重要的現(xiàn)實意義。 字符識別簡介 字符識 別發(fā)展概況 字符識別發(fā)展可分為三個階段：第一個階段為初級階段，在這一階段中，技術(shù)上是應(yīng)用一維圖像的處理方法完成二維圖像的識別任務(wù)。在這兩類方法的基礎(chǔ)上，已研究出了不同類各具特色的實用系統(tǒng)。這都為字符識別的實際應(yīng)用提供了廣闊的前景。用隸屬度將模糊集合劃分為若干子集， m類就有 m個子集，然后根據(jù)擇近原則分類。 優(yōu)點：識別方便，可從簡單的基元開始，由繁至簡。 優(yōu)點：可處理一些環(huán)境信息十分復(fù)雜，背景知識不清楚，推理規(guī)則不明確的問題。 本科畢業(yè)設(shè)計 (論文 ) 第 5 頁 字符識別的原理如上圖所示。這些就使得判別方法和準(zhǔn)則以及所用的數(shù)學(xué)工具不同，形成了種類繁多，形式各異的字符識別方法。車牌字符識別的研究在技術(shù)上已經(jīng)取得了一定突破，然而離復(fù)雜多變的實際應(yīng)用要求還有一定差距，許多新方法僅停留在理論和文章上或者限定在比較狹窄的約束范圍內(nèi)，并不能以產(chǎn)品的形式大范圍投入使用。 基于神經(jīng)網(wǎng)絡(luò)的字符識別系統(tǒng) 系統(tǒng)簡介 該系統(tǒng)是為了辨認識別圖像中的字符而設(shè)計的，它通過對圖片的一系列處本科畢業(yè)設(shè)計 (論文 ) 第 7 頁 理，最后識別得出圖片中顯示的字符。要使計算機具有識別的本領(lǐng)，首先要得到圖像的各種特征，即特征提取。由于實際問題中常常不容易找到那些最重要的特征，或者某些圖像特征還會隨著環(huán)境的變化而發(fā)生變化，這就使得特征的選擇和提取復(fù)雜化。映射后的特征是原始特征某種組合。對于不同類型的圖像，特征值應(yīng)該比較接近。 (4) 數(shù)量少。它可以刻畫某一圖像不同部分之間的相互關(guān)系（如文字識別中的筆劃關(guān)系），也可以描述不同目標(biāo)間的關(guān)系。 M1=m20＋ m02 M2=(m20－ m02)2＋ 4m112 M3=(m30－ 3m12)2＋ (3m21+ m03)2 M4=(m30＋ m12)2＋ (m21+ m03)2 M5=( m30－ m12)( m30＋ m12) (m30＋ m12)2－ 3(m21+ m03)2 ＋ ( 3m12－ m03) (m21+ m03) 3(m30＋ m12)2－ (m21+ m03)2 M6=(m20－ m02) (m30＋ m12) 2 － (m21+ m03)2 ＋ 4m11 (m30＋ m12)(m21+ m03) M7=(3m12－ m30)( m30＋ m12) (m30＋ m12) 2 － 3(m21+ m03)2 ＋ (3m21－ m30)( m21＋ m30) (m03＋ m12) 2 － 3(m12+ m03)2 如果上述的 7 個 Hu 矩中的 mpq用 來代替，則得到的矩還可以滿 足尺度不變性。不斷地從 0~2∏變換 ?，可得到在不同方向上 {f (x,y)}的投影。 粗略地說，圖像中的區(qū)域面積Ｓ就是圖像中相同標(biāo)記的像素數(shù)目。區(qū)域的凹凸性可以通過以下方法進行判別：區(qū)域內(nèi)任意兩像素間的連線穿過區(qū)域外的像素，則此區(qū)域為凹形。 由于邊界通常是封閉曲線。 由于 φ*(t)是周期函數(shù)，因此可用它的傅立葉系數(shù)來描述它，在 [0,2Π]上展成傅立葉級數(shù)為： () 其中： () () () 其中 n=1,2,?。 Person 和 Fu 將 r 與下面的復(fù)參量對應(yīng)： u(l)＝ x(l)+iy(l)。 假設(shè)從某一個起點開始，將邊界的走向按上面的編碼方式記錄下來，可形成如下的序列 a1 a2 a3? an。常用的標(biāo)識碼有兩種： (1) 加上特殊專用的鏈碼結(jié)束標(biāo)志。但是在描述形狀時，信息并不完全，這些數(shù)值特征與具體的形狀之間并不 — 一對應(yīng)。 經(jīng)過抽象，可得到數(shù)學(xué)表達式如下： () () ωi： 數(shù)值 (Weigthts)； θ：閥值 (Threshold)； б (s)：作用函數(shù) (Activated Transfer Function)。 圖 閾值型作用函數(shù)二 (2)．線性型 也有兩種情況，全線性型和正線性型，如下： ① 全線性 A=f (W*P+b)=W*p+b () 此時輸出與輸入成正比關(guān)系。 圖 輻射基函數(shù)（三角波函數(shù) ） 人工神經(jīng)網(wǎng)絡(luò)構(gòu)成 人工神經(jīng)網(wǎng)絡(luò)有很多構(gòu)成形式，比如基本型、前向型、回歸型以及互聯(lián)型等，下面我們列出一些前兩種神經(jīng)網(wǎng)絡(luò)構(gòu)成形式。這一小節(jié)介紹 M些常用的學(xué)習(xí)規(guī)則。下面，討論一下本科畢業(yè)設(shè)計 (論文 ) 第 25 頁 BP網(wǎng)絡(luò)中的權(quán)值確定方法。下面討論