【正文】 各自的選取原則。 例：用兩層 BP 網絡實現“異或”功能。 一般的講，網絡 sl 的選擇原則是：在能夠解決問題的前提下，再加上一個到兩個神經元以加快誤差的下降速度即可。為本科畢業(yè)設計 (論文 ) 第 28 頁 了減少尋找 學習速率的訓練次數以及訓練時間，比較合適的方法是采用變化 的自適應學習速率，使網絡的訓練在不同的階段設置不同大小的學習速率。 6. B P 算法力改進 BP 算法改進的主要目標是為了加快訓練速度，避免陷入局部極小值和改善其他能力。為了解決這一問題，人們自然會想到在訓練過程中自動調整學習速率。 上式的學習規(guī)則雖然和上述推斷一致，但在應用時還存在 一些潛在的問題。神經網絡字符識別的具體流程圖如 所示 圖 神經網絡字符識別流程圖 程序實現 系統(tǒng)是對車牌圖像進行了圖像灰度化、二值化、圖像的調 整、離散噪音點的去除、字符的切分、圖像的縮放、字符的細化、字符的平滑、圖像的求梯度等圖像預處理之后的圖像中的字符進行二次處理。 (4)．作用函數后縮法 () () 實驗證明，采用此方法，收斂時問平均可 減少 30％ ~50%。在連續(xù)幾次迭代中，若目標函數對某個權導數的符號相反，則這個權的學習速率要減小。 (2)．自適應學習速率 對于一個特定的問題，要選擇適當的學習速率并不是一件容易的事情。通常為了避免這種情況的產生，一是選取較小的初始權值，二是采用較小的學習速率。學習速率的選取范圍是~。 表 21 當 Sl ＝ 2， 3， 4， 5， 6， 20， 25， 30 時的訓練結果 我們評價一個網絡設計的好壞 ，首先是它的精度，再一個就是訓練時間。 (2)． 隱含層神經元數 網絡訓練精度的提高，可以通過采用一個隱含層，而增加其神經元數的方法來獲得，這在結構實現上，要比增加更多的隱含層要簡單得多。 本科畢業(yè)設計 (論文 ) 第 26 頁 (3)．解釋 輸出層誤差 ej(j=1S2) 隱含層誤差 ei(i=1n2), 這里，可以認為 ei 是由 ej 加權組合形成的，由于作用函數的存在， ej 的等效作用為 δ ji=ejf ?()。 2．輸入輸出關系 IH（輸入層到隱藏層 ） () () HO（隱藏層導輸出層） () 其中，輸人層神經元個數為 n，隱含層神經元個數為 n1，輸出層神經元個數為 S2。 (2) 層間無連接； (3) 方向由入到出 . 感知網絡（ Perceptron 即為此），應用最為廣泛。 圖 S 型函數（雙曲正切） (4)．輻射基函數 ① 高斯函數 函數的形狀見圖 。 圖 閾值型作用函數一 本科畢業(yè)設計 (論文 ) 第 20 頁 第二種是： () 也就是當輸入大于 0時，輸出為 1；反之為 1。見圖 。奇數的用人的權重修正后，邊界的長度檢測時可以彌補圖像離散化的誤差。因此，邊界鏈碼具有行進的方向性，在具體應用時必須加以注意?？?慮數字圖像像素點 (x,y)的一個 8 鄰域，顯然在該點處的邊界只能在以下幾個方向：正東、東北、正北、西北、正面、西南、正南和東南，如圖 (a)所示。 (2) Person— Fu傅立葉描繪子 上面求 an和 bn時，已經指出對數了圖像而言， φ(l)是分段連續(xù)的，即在 (vk1,vk)邊上是常數，而在端點上是不連續(xù)的，存在跳變?？啥x為： φ*(t)= φ(tL/2Π)+t t?[0,2Π] () 則 φ*(t)是 [0,2Π]的周期函數，而且它對封閉曲線 r 的平移、旋轉和尺度都是不變的。 (1) Zahn 描繪子 若以 y=f (x,y)直接進行傅立葉交換，則變換的結果將與具體的 x 和 y 坐標值有關，不能滿足平移和旋轉的不變性要求。以連續(xù)的圓形，正方形和正三角形為例，它們的圓形度 R分別為：圓形 R＝ 1，正方形 R＝ ，正三角形 R＝ 。 (1) 面積和周長 面積 S和周長 L是描述區(qū)域大小的基本特征。圖像的數為 {f (x,y)}。因此，可定義其 pq 階矩為： Mpq=∑∑ f(i,j)ipjq () 不同 p、 q 值下可以得到不同的圖像矩 Mpq。 本科畢業(yè)設計 (論文 ) 第 10 頁 對計算機圖像識別系統(tǒng)而言，物體的形狀是一個賴以識別的重要特征。這兩個特征基本上反映的是相同的屬性，即細胞的大小。對屬于不同類的圖像來說，他們的特征應具備明顯的差異。 1. 特征形成 根據待識別的圖像，通過計算機產生一維原始特征，稱之為特征形成。特征選擇錯誤，分類就個能分得準確，甚至無法分類。為了能讓計算機系統(tǒng)認識圖像，人們 首先必須尋找出算法，分析圖像的特征，然后將其特征用數學的辦法表示出來并教會計算機也能讀懂這些特征。 當然，車牌識別系統(tǒng)的具體應用發(fā)展也很迅猛，從原來的停車靜止拍攝場景 應用，如收費站、停車場等，發(fā)展到移動公路車輛稽查、違章自動報警、超載闖紅燈等實時監(jiān)控場合應用，增加神經網絡自適應識別學習訓練功能，對于系統(tǒng)響應的速度、網絡化、智能化、識別成功率等實用化要求也越來越高。盡管如此，我國依然有大量的學者從事車牌字符識別研究，文獻給出了基于神經網絡的車牌識別方法，對于解析度較高和圖像比較清晰 的車牌，這些方法能有效識別車牌中的字符，但對于較低解析度和較為模糊的車牌無能為力，因為這些方法只有在車牌中的每個字符被獨立分割出來的前提下才能完成識別工作。學習是根據多個未知字樣抽取出模式表達形式，自動構造或修改充實字典，不斷提高系統(tǒng)識別率。抽取代表未知字符模式本質的表達形式 (如各種特征 ) 和預先存儲在機器中的標準字符模式表達形式的集合 (稱為字典 ) 逐一匹配，用一定的準則進行判別，在機器存儲的標準字符模式表達形式的集合中，找出最接近輸入字符模式的表達形式，該表達形式對應的字就是識別結果。對需同過眾多規(guī)則的推理達到目標確認的問題，有很好的效果。 缺點：對結構復雜的模式抽取特征困難。用一個文法表示一類， m類就有 m個文法，然后判定未知模式遵循哪一個文法。 我國是從七十年代開始字符研究的。這一階段 的研究工作是技術和實際相結合，針對實際系統(tǒng)的要求和設備可能提供的條件，提出了更為復雜的技術。一個車牌定位與識別系統(tǒng)基本包括：圖像預處理、車牌搜索、車牌定位、車牌校正、車牌字符分割和字符識別結果的輸出。目前指紋識別、視網膜識別技術已經到了實用階段；聲音識別技術發(fā)展也相當快，而對汽車牌照等相關信息的自動采集和管 理對于交通車輛管理、園區(qū)車輛管理、停車場管理、交警稽查等方面有著十分重要的意義，成為信息處理技術的一項重要研究課題。對大小不一的字符做歸一化后，對字符進行特征提取，把長為 15，寬為 25 的歸一化后的圖像中的字符信息提取出來，圖像中白點置為 0，圖像中的黑點置為 1，這樣就得到了 15 25 的特征向量，這個特征向量記錄的就是字符的特征。識別率也在 90%以上，表明該方法的有效性。 LPR 系統(tǒng)中的兩個關鍵子系統(tǒng)是車牌定位系統(tǒng)和車牌字符分割識別系統(tǒng)。這樣萌芽了一個基本思想 —抽取特征向量的構造和它的相關函數。字符識別系統(tǒng)根據輸入設備的不同有如下分類 [19]，如圖 所示： 字符識別 磁識別 光學識別 機械識別 在線識別 脫機識別 單個字符識別 連筆字符識別 印刷體字符識別 手寫體字符識別 圖 字符識別分類 本科畢業(yè)設計 (論文 ) 第 3 頁 目前開展比較多，并進入實用階段的是光學字符識別系統(tǒng) (OCR 系統(tǒng) )。 字符識別系統(tǒng)用到的方法 字符識別系統(tǒng)用到的方法很多。 是一種布爾演算。能反映模式的結構特性，能描述模式的性質，對圖像的畸變的抗干擾能力較強。允許樣品有較大的缺損和畸變。文字經光電掃描，模數轉換為帶灰度值的數字信號送至預處理環(huán)節(jié)。 國內外研究現狀和發(fā)展趨勢 車牌識別技術自 1988 年以來，人們就對它進行了廣泛的研究，目前國內外已經有眾多的算法，一些實用的 LPR 技術也開始用于車流監(jiān)控、出入控制、電子收費、移動稽查等場合。因而車牌字符識別的實用化研究仍然有很長的路要走。 系統(tǒng)即可以單獨使用，也可以把它作為一個識別系統(tǒng)的軟件核心應用到車牌識別系統(tǒng)中去。 圖像特征是指圖像的原始特性或屬性。 特征選擇和提取的基本任務是如何從眾多特征中找出那些最有效的特征。所謂特征提取在廣義上說是一種變換。例如，雜志封面的文字圖像的分割中，顏色是一個不好的特征。圖像識 別系統(tǒng)的復雜程度隨著系統(tǒng)維數（特征的個數）迅速增長。 由于感興趣的是圖像的形狀和結構特征，所以其灰度信息往往可以忽略，只要能將它與其他目標或背景區(qū)分開來即可。特別地， M7滿足鏡像對稱不變性。 S y (x,y) t ? ? ? x 圖 坐標投影 (t,s)與原坐標系 (x,y)間的對應關系 由投影定理，對滿足一定條件的 {f (x,y)}， 如果知道全部方向上的 {p(t, ?)}，就可以唯一地恢復 {f (x,y)}，然而統(tǒng)矩方法一樣，獲得所有方向上的投影在實際應用中是行不通的。由于連續(xù)圖像采用離散 的像素點描述時，產生了誤差。 相反，區(qū)域內任意兩像素間的連線不穿過區(qū)域外的像素，則稱為凸形。設 r 是順時針方向的封閉曲線。 本科畢業(yè)設計 (論文 ) 第 15 頁