freepeople性欧美熟妇, 色戒完整版无删减158分钟hd, 无码精品国产vα在线观看DVD, 丰满少妇伦精品无码专区在线观看,艾栗栗与纹身男宾馆3p50分钟,国产AV片在线观看,黑人与美女高潮,18岁女RAPPERDISSSUBS,国产手机在机看影片

正文內(nèi)容

基于bp網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)的設(shè)計(jì)畢業(yè)設(shè)計(jì)論文(編輯修改稿)

2024-07-21 15:39 本頁(yè)面
 

【文章內(nèi)容簡(jiǎn)介】 的比率,即:分割目標(biāo)函數(shù)的最高值看作是可能出現(xiàn)的斷裂點(diǎn)。本文中字符分割的算法如下,如圖213和圖214所示。 圖213  牌照二值化圖 圖214  圖213的點(diǎn)陣水平投影圖從投影圖214可以看出字符與字符的分界處往往是投影比較少的地方,并且字符與字符的分界處投影往往接近零或者為零,所以取初始閾值t=1對(duì)投影圖進(jìn)行掃描,過(guò)程如下:① “while(project[i]t) i++。”,記下位置a;② “while(project[i]=t) i++?!?,記下位置b;③ 得到一個(gè)分割區(qū),區(qū)數(shù)加1,重復(fù)步驟①;④ 如果區(qū)數(shù)小于7,則(自定);⑤ 重復(fù)①。分割效果如圖215和圖216所示。 圖215  牌照二值化圖 圖216  t=1時(shí)圖215的點(diǎn)陣水平投影圖的分割圖從圖216可以看出經(jīng)過(guò)一次分割已經(jīng)把那些明顯分開(kāi)的區(qū)域分割開(kāi)了,但是有些區(qū)域過(guò)大,并且只有6個(gè)區(qū)域(兩條豎線間的區(qū)域)。所以讓t=t+2,結(jié)果如圖217和圖218所示。 圖217  牌照二值化圖 圖218  t=3時(shí)圖217的點(diǎn)陣水平投影圖的分割圖從圖218中可以看出那些過(guò)寬的區(qū)域中又分開(kāi)了一塊,但是有一塊區(qū)域還是過(guò)大,但是區(qū)域數(shù)已經(jīng)達(dá)到要求。分割出的牌照字符圖像如圖219所示。圖219  分割出的字符圖像 字幅圖像歸一化字符分割處理后得到的單個(gè)數(shù)字、字母和漢字圖像,還必須進(jìn)行歸一化處理,以消除因牌照傾斜帶來(lái)的字符在位置和大小上的變化。歸一化處理主要包括位置歸一化和大小歸一化,甚至筆劃(粗細(xì))歸一化。對(duì)于漢字識(shí)別,漢字點(diǎn)陣的歸一化是十分重要的,因?yàn)闈h字識(shí)別主要基于漢字的圖形結(jié)構(gòu),如果不能將漢字點(diǎn)陣在位置和大小上歸一化處理一致起來(lái),漢字點(diǎn)陣的相似性比較久無(wú)法正確進(jìn)行。歸一化后的牌照?qǐng)D像如圖220所示。 圖220  歸一化處理后的牌照?qǐng)D像 細(xì)化處理對(duì)圖像的細(xì)化過(guò)程是求圖像的骨架過(guò)程。骨架是二維二值目標(biāo)的重要描述,它指圖像中央的骨骼部分,是描述圖像幾何及拓?fù)湫再|(zhì)的重要特征之一。細(xì)化算法有很多,按照迭代方分為兩類,一類是非迭代過(guò)程,一類是迭代過(guò)程。非迭代算法有基于距離變換的方法等,迭代方法是通過(guò)重復(fù)刪除像素邊緣,直到得到單獨(dú)像素寬度的圖像為止?,F(xiàn)在用的比較多的細(xì)化算法有Hilditch、Pavlidis、Rosenfeld細(xì)化算法和索引表細(xì)化算法等。車牌圖像進(jìn)行預(yù)處理后,細(xì)化處理是關(guān)系到后面能否正確提取字符特征值的關(guān)鍵,本文使用Rosenfeld骨架細(xì)化的方法,細(xì)化處理后可以得到圖像中字符的基本骨架,不會(huì)破壞原來(lái)的連通性。細(xì)化后的效果圖像如圖221所示。圖221  細(xì)化處理后的牌照第三章  BP神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)也稱為神經(jīng)網(wǎng)絡(luò)(Neural Networks,NN),即從生物學(xué)神經(jīng)系統(tǒng)的信號(hào)傳遞而抽象發(fā)展成的一門(mén)學(xué)科。在神經(jīng)網(wǎng)絡(luò)中,最基本的單元就是神經(jīng)元?!∪斯ど窠?jīng)元神經(jīng)元由三部分組成:樹(shù)突、細(xì)胞體、軸突。樹(shù)突是樹(shù)狀的神經(jīng)纖維接受網(wǎng)絡(luò),它將電信號(hào)傳遞給細(xì)胞體,細(xì)胞體對(duì)這些輸入信號(hào)進(jìn)行整合并進(jìn)行閾值處理。軸突是單根長(zhǎng)纖維,它把細(xì)胞體的輸入信號(hào)導(dǎo)向其他的神經(jīng)元。神經(jīng)元的排列拓?fù)浣Y(jié)構(gòu)和突觸的連接強(qiáng)度確立了神經(jīng)網(wǎng)絡(luò)的功能。形象的說(shuō),神經(jīng)網(wǎng)絡(luò)是由大量處理單元(神經(jīng)元)廣泛連接而成的網(wǎng)絡(luò),是對(duì)人腦的抽象、簡(jiǎn)化和模擬,反映人腦的基本特性。它能夠通過(guò)學(xué)習(xí)過(guò)程從外部環(huán)境中獲取知識(shí),并且它內(nèi)部的很多神經(jīng)元可以用來(lái)存儲(chǔ)這些已經(jīng)學(xué)到的知識(shí)。人工神經(jīng)元模型是生物神經(jīng)元的模型與抽象。圖31為一種典型的人工神經(jīng)元模型。圖31  人工神經(jīng)元模型人工神經(jīng)元相當(dāng)于一個(gè)多輸入單輸出的非線性閾值器件。這里的表示的為它的n個(gè)輸入;表示與它相連的n個(gè)突觸的連接強(qiáng)度,其值成為權(quán)值;稱為激活值,表示這個(gè)人工神經(jīng)元的輸入總和,對(duì)應(yīng)于生物神經(jīng)細(xì)胞的膜電位;表示這個(gè)人工神經(jīng)元的輸出;表示這個(gè)人工神經(jīng)元的閾值。如果輸入信號(hào)的加權(quán)和超過(guò),則人工神經(jīng)元被激活。這樣,人工神經(jīng)元的輸出可描述為          (31)式中,是表示神經(jīng)元輸入輸出關(guān)系的函數(shù),稱為激活函數(shù)或輸出函數(shù)。設(shè)是權(quán)與輸入的矢量積(標(biāo)量),相當(dāng)于生物神經(jīng)元由外加刺激引起的膜內(nèi)電位的變化。這樣激活函數(shù)可以寫(xiě)成。這里為了表達(dá)簡(jiǎn)單沒(méi)有寫(xiě)出閾值θ。通常我們假設(shè)神經(jīng)元有n1個(gè)突觸連接,實(shí)際輸入變量為。那么可設(shè),這樣就加入了閾值這個(gè)量。閾值一般不是一個(gè)常數(shù),它是隨著神經(jīng)元的興奮程度而變化的。因細(xì)胞在每次放電之后都需要一定的時(shí)間恢復(fù),也就是說(shuō)神經(jīng)元的興奮存在不應(yīng)期,即相鄰二次興奮之間需要的時(shí)間間隔(),在此期間閾值會(huì)升高,即絕對(duì)不應(yīng)期內(nèi)的閾值上升為無(wú)窮大。激活函數(shù)有許多類型,其中比較常用的可以歸結(jié)為三種形式:閾值型、S型和線性型。本文采用S型激活函數(shù)。單極型S型(Sigmoid響應(yīng)特性)激活函數(shù)的輸出特性比較軟,其輸出狀態(tài)的取值范圍為[0,1],它的硬度可由一系數(shù)λ來(lái)調(diào)節(jié)。特的輸入輸出關(guān)系由下圖表示,式(32)是它的表達(dá)式?!D32  單極型的S型激活函數(shù) (32)綜上所述,神經(jīng)元具有以下特點(diǎn):神經(jīng)元是一多輸入、單輸出的元件它具有非線性的輸入、輸出特征它具有可塑性,起訴性變化的部分主要是權(quán)值的變化,這相當(dāng)于生物神經(jīng)元的凸出部分的變化。神經(jīng)元的輸出響應(yīng)是各個(gè)輸入值的綜合作用的結(jié)果。輸入分為興奮型(正值)和抑制型(負(fù)值)兩種?!∩窠?jīng)元網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則神經(jīng)元網(wǎng)絡(luò)的最大特點(diǎn)就是它有學(xué)習(xí)的能力,在學(xué)習(xí)過(guò)程中,主要是網(wǎng)絡(luò)的連接權(quán)的值產(chǎn)生了相應(yīng)的變化,學(xué)習(xí)到的內(nèi)容也是記憶在連接權(quán)之中。下面介紹連接權(quán)適量W(或者分量)是怎樣在學(xué)習(xí)過(guò)程中被校正的。令為第i個(gè)神經(jīng)元的第j個(gè)輸入連接權(quán),這個(gè)輸入可以是外來(lái)的輸入信號(hào),也可以來(lái)自其他神經(jīng)元的輸出。這里,主要討論單個(gè)神經(jīng)元或單層網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)以及簡(jiǎn)單的無(wú)監(jiān)督學(xué)習(xí)。對(duì)于不同的學(xué)習(xí)規(guī)則,神經(jīng)元的激活函數(shù)是不同的。閾值也可以包括在連接權(quán)矩陣?yán)?。學(xué)習(xí)信號(hào)是和的函數(shù),有時(shí)也包括教師信號(hào),所以有        (33)權(quán)矢量Wi的變化是由學(xué)習(xí)步驟按時(shí)間t,t+1……一步一步進(jìn)行計(jì)算的。在時(shí)刻t連接權(quán)的變化量為,其中c是一個(gè)正數(shù),成為學(xué)習(xí)常數(shù),決定學(xué)習(xí)的速率。從t時(shí)刻到下一個(gè)時(shí)刻t+1,連接權(quán)可按下式計(jì)算: (34)離散學(xué)習(xí)步驟可寫(xiě)成 (35)其中c是一個(gè)正常數(shù),成為學(xué)習(xí)常數(shù),決定學(xué)習(xí)的速率?!《鄬尤斯ど窠?jīng)網(wǎng)絡(luò)由于感知器是單層網(wǎng)絡(luò)智能解決現(xiàn)行可分問(wèn)題,要增強(qiáng)分類能力的唯一途徑就是采用多層網(wǎng)絡(luò),即在輸入和輸出層之間加上隱含構(gòu)成多層前饋網(wǎng)絡(luò)即為BP網(wǎng)絡(luò)模型,如圖33所示。這是一種三層BP網(wǎng)絡(luò),一般來(lái)講,BP網(wǎng)絡(luò)是一種具有三層或三層以上的多層神經(jīng)元網(wǎng)絡(luò),它的左、右各層之間各個(gè)神經(jīng)元實(shí)現(xiàn)全連接,即左層的每一個(gè)神經(jīng)元與右層的每個(gè)神經(jīng)元都有連接,而同層內(nèi)的各神經(jīng)元之間無(wú)連接。圖33  多層神經(jīng)網(wǎng)絡(luò) BP網(wǎng)絡(luò) BP(Back Propagation)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的科學(xué)家小組提出, 是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入輸出模式映射關(guān)系,而無(wú)需事前解釋描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法,通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差平方和最小。BP網(wǎng)絡(luò)其神經(jīng)元的傳遞函數(shù)是S型函數(shù),輸入量為0到1之間的連續(xù)量,它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。目前,在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中,絕大部分的神經(jīng)網(wǎng)絡(luò)的模型都采用BP網(wǎng)絡(luò)及其變化形式。它也是前向網(wǎng)絡(luò)的核心部分,體現(xiàn)了人工網(wǎng)絡(luò)的精華。BP網(wǎng)絡(luò)的實(shí)現(xiàn)分為兩個(gè)階段:學(xué)習(xí)階段和識(shí)別階段。在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)階段,輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息,并傳遞給中間層各神經(jīng)元;中間層是內(nèi)部信息處理層,負(fù)責(zé)信息變換,根據(jù)信息變化能力的需求,中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu);最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息,經(jīng)過(guò)進(jìn)一步的處理后,完成一次學(xué)習(xí)的正向傳播處理工程,由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí),進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層,按誤差梯度下降的方式修正各層權(quán)值,向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過(guò)程,是各層權(quán)值不斷調(diào)整的過(guò)程,也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程,此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度,或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止?!≌`差逆?zhèn)鞑バU椒ㄕ`差逆?zhèn)鞑バU椒ㄊ抢脤?shí)際輸出與期望輸出之差對(duì)網(wǎng)絡(luò)的各層連接權(quán)由后向前逐層進(jìn)行校正的一種計(jì)算方法。下面介紹一個(gè)三層網(wǎng)絡(luò)模型的誤差逆?zhèn)鞑W(xué)習(xí)規(guī)則的原理。這個(gè)網(wǎng)絡(luò)的輸入層有n個(gè)神經(jīng)元,輸出層有q個(gè)神經(jīng)元,中間層有P個(gè)神經(jīng)元。由于中間層與輸入、輸出端沒(méi)有直接的聯(lián)系,所以也常把中間層成為隱含層。首先把網(wǎng)絡(luò)的變量設(shè)置如下:輸入層至中間層的連接權(quán)中間層至輸出層的連接權(quán)中間層各單元的閾值輸出層各單元的閾值其中;;;激活函數(shù)采用S型函數(shù) (36)這里之所以算S型函數(shù)作為BP網(wǎng)絡(luò)神經(jīng)元的激活函數(shù),是因?yàn)樗沁B續(xù)可微分的,而且更接近生物神經(jīng)元的信號(hào)輸出形式。激活函數(shù)的導(dǎo)數(shù)為 (37)這里的學(xué)習(xí)規(guī)則實(shí)際上是一種Delta學(xué)習(xí)規(guī)則, 按梯度下降原則,應(yīng)使的調(diào)整量與的負(fù)值成正比例變化,所以中間層至輸出層連接權(quán)的調(diào)整量應(yīng)為 (38)通過(guò)推到,可得 (39)為了進(jìn)一步簡(jiǎn)化,設(shè)為對(duì)輸出層輸入的負(fù)偏導(dǎo),則 (310)所以 (311) , , , 。 同理,輸入層至中間層連接權(quán)的調(diào)整仍按梯度下降法的原則進(jìn)行。與類似,連接權(quán)的調(diào)節(jié)量為: (312)其中, 同樣也可求出閾值的調(diào)整量,利用對(duì)于連接權(quán)的調(diào)整公式,取輸出層的輸入帶入上式,則輸出層閾值的調(diào)整量為: (313)同理根據(jù),取中間層的輸入,則中間層的閾值的調(diào)整量為: (314)以上的推到僅是針對(duì)某一組學(xué)習(xí)模式進(jìn)行的,其誤差也是某一組的誤差。對(duì)于全部的輸入模式,我們有網(wǎng)絡(luò)的全局誤差 (315)從以上推倒可以看出,各個(gè)連接權(quán)的調(diào)整量是分別于各個(gè)學(xué)習(xí)模式對(duì)的誤差函數(shù)成正比例變化的,這種方法稱為標(biāo)準(zhǔn)誤差逆?zhèn)鞑ニ惴?。BP網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則實(shí)現(xiàn)的是學(xué)習(xí)模式集合上平方和誤差(或)的梯度下降,而不是特定某個(gè)分量的絕對(duì)誤差的梯度下降。因此,每次校正完后,網(wǎng)絡(luò)輸出端的誤差對(duì)于某些神經(jīng)元來(lái)說(shuō)也有可能增加,但在進(jìn)行多次反復(fù)計(jì)算后,其誤差還是應(yīng)該變小的。 BP網(wǎng)絡(luò)學(xué)習(xí)算法 BP神經(jīng)網(wǎng)絡(luò)采用BP算法進(jìn)行學(xué)習(xí),其學(xué)習(xí)過(guò)程分為四個(gè)階段:(1)輸入模式是由輸入層經(jīng)過(guò)隱含層向輸出層逐層傳遞的“模式順傳播”過(guò)程。(2)網(wǎng)絡(luò)的期望輸入與實(shí)際輸出之差,即誤差信號(hào),是由輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)值的“誤差逆?zhèn)鞑ァ边^(guò)程。(3)由“模式順傳播”過(guò)程和“誤差逆?zhèn)鞑ァ边^(guò)程反復(fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程。(4)網(wǎng)絡(luò)趨向收斂,即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過(guò)程。 下面以三層BP網(wǎng)絡(luò)介紹其算法。 設(shè)注入模式向量為(k=1,2,…,m),其中m為學(xué)習(xí)模式對(duì)個(gè)數(shù),n為輸入層單元個(gè)數(shù);對(duì)應(yīng)輸入模式的期望輸出向量為,q為輸出層單元個(gè)數(shù);中間隱含層的凈輸入向量為,輸出向量為,p為隱含層單元個(gè)數(shù);輸出層凈輸入向量為,實(shí)際輸出向量為;輸入層至隱含層的連接權(quán)值為(i=1,2,…,n,j=1,2,…,p),隱含層至輸出層的連接權(quán)值為(j=1,2,…,p,t=1,2,…,q);隱含層各個(gè)單元的閾值為(j=1,2,…,p),輸出層各個(gè)單元的閾值為(t=1,2,…,q)。 BP算法描述如下:(1)初始化。給各連接權(quán)值W、V及閾值、賦予之間的隨機(jī)值。 (2)隨機(jī)選取一個(gè)學(xué)習(xí)模式對(duì)量對(duì)()提供給網(wǎng)絡(luò)。(3)計(jì)算輸入層的輸出。輸入層的各個(gè)處理單元對(duì)輸入模式不進(jìn)行處理,只是簡(jiǎn)單地將接收到的輸入模式作為相應(yīng)的輸出模式傳遞給隱含層,即輸入層的輸出向量與輸入模式向量相同。(4)按照式(316)和式(317)計(jì)算中間隱含層各個(gè)神經(jīng)元的凈輸入和輸出 (316) (317)(5)按照式(318)和式(319)計(jì)算輸出層各個(gè)神經(jīng)元的凈輸入和實(shí)際輸出 t=1,2,…,q (318) t=1,2,…,q (319)(6)根據(jù)給定的期望輸出,按照式(320)計(jì)算輸出層各個(gè)神經(jīng)元的校正誤差 t=1,2,…,q (320)(7) 按照式(321)計(jì)算隱含層各個(gè)神經(jīng)元的校正誤差
點(diǎn)擊復(fù)制文檔內(nèi)容
環(huán)評(píng)公示相關(guān)推薦
文庫(kù)吧 www.dybbs8.com
備案圖片鄂ICP備17016276號(hào)-1