【正文】 (3) 輸入和輸出神經(jīng)元的確定 22 利用多元回歸分析法對神經(jīng)網(wǎng)絡的輸入?yún)?shù)進行處理，刪除相關性強的 輸入?yún)?shù)，來減少輸入節(jié)點數(shù)。利用逐步回歸分 析法并進行參數(shù)的顯著性檢驗來動態(tài)刪除一些線 性 相關的隱 層 節(jié)點，節(jié)點刪除標準：當由該節(jié)點出發(fā)指向下一層節(jié)點的所有權值和閾值均落于死區(qū)（通常取 177。自學習模型為 △ Wij(n+1)= ФiO j+a△ Wij(n) （ ) —— 學習因子； Фi—— 輸出節(jié)點 i 的計算誤差； Oj—— 輸出節(jié)點 j 的計算輸出；a—— 動量因子。 (1) 節(jié)點輸出模型 [8] 隱節(jié)點輸出模型： O j= f ( ∑WijX i () 輸出 節(jié)點輸出模型： Yk = f ( ∑TjkO j k) () f 為 非線 性 函數(shù)； 神經(jīng)單元閾值 ,T 為連接權值 。 構思介紹 本次設計主要采用了 BP（ Back－ Propagation）神經(jīng)網(wǎng)絡 。這些工具箱都是由該領域內學術水平很高的專家編寫的，所以用戶無需編寫自己學科范圍內的基礎程序，而直接進行高，精，尖的研究。其工具箱又分為兩類：功能性工具箱和學科性工具箱。由于MATLAB 的程序不用編譯等預處理，也不生成可執(zhí)行文件，程序為解釋執(zhí)行，所以速度較慢。 (6)MATLAB 的圖形功能強大。 (3)MATLAB 既具有結 構化的控制語句（如 for 循環(huán)， while 循環(huán)， break 語句和if 語句），又有面向對象編程的特性。 可見， MATLAB 的程序極其簡短。在求解過程中，最麻煩的要算第二部分。由于庫函數(shù)都由本領域的專家編寫，用戶不必擔 心函數(shù)的可靠性。 MATLAB 給用戶帶來的是最直觀，最簡潔的程序開發(fā)環(huán)境。 除內部函數(shù)外 ,所有 MATLAB 主包文件和各種工具包都是可讀可修改的文件 ,用戶通過對源程序的修改或加入自己編寫程序構造新的專用工具包 。在設計研究單位和工業(yè)部門， MATLAB 被廣泛用于科學研究和解決各種具體問題。 MATLAB 較 MATLAB 無論是界面還是內容都有長足的進展，其幫助信息采用超文本格式和 PDF 格式，在 Netscape 或 IE 及以上版本， Acrobat Reader 中可以方便地瀏覽。 MATLAB的出現(xiàn)，為各國科學家開發(fā)學科軟件提供了新的基礎。 MathWorks 公司順應多功能需求之潮流 ,在其卓越數(shù)值計算和圖示能力的基礎上 ,又率先在專業(yè)水平上開拓了其符號計算 ,文字處理 ,可視化建模和實時控制能力 ,開發(fā)了適合多學科 ,多部門要求的新一代科技應用軟件 MATLAB。 這一代的 MATLAB語言同時具備了數(shù)值計算和數(shù)據(jù)圖示化的功能 。 在以后的數(shù)年里 ,MATLAB 在多所大學里作為教學輔助軟件使用 ,并作為面向大眾的免費軟件廣為流傳 。 EISPACK 是特征值求解的 FOETRAN 程序庫 ,LINPACK 是解線性方程的程序庫 。 工具包又可以分為功能性工具包和學科工具包 。 (4)作用函數(shù)后縮法 18 第三章 車牌 字符識別的神經(jīng)網(wǎng)絡設計 車牌 字符識別的設計思路 MABLAB基本介紹 1 、 MATLAB 的概況 [1][2] MATLAB 是矩陣實驗室（ Matrix Laboratory）之意。另一方面，若在兩次連續(xù)的迭代中，目標函數(shù)對某個權的導數(shù)具有相反的符號和很大的值，則對應于那個權學習速率的負調整也很大。在連續(xù)幾次迭代中，若目標函數(shù)對某個權導數(shù)的符號相反，則這個權的學習速率要減小。 (3)改變學習速率方法 學習速率的局部調整法基于如下的幾個直觀的推斷： (2)自適應學習速率 16 對于一個特定的問題，要選擇適當?shù)膶W習速率并不是一件容易的事情。 (1)帶動量因子算法 該方法是在反向傳播法的基礎上在每一個權值的變化上加上一項正比于前次權之變化的值，并根據(jù)反向傳播法來產(chǎn)生新的權值變化。通常為了避免這種情況的產(chǎn)生，一是選取較小的初始權值，二是采用較小的學習速率。一般情況下，作為對比，可以同時對兩個不同期望誤差值的網(wǎng)絡進行訓練，最 后通過綜合因素的考慮來確定采用其中一個網(wǎng)絡。學習速率的選取范圍是~。 另外，威得羅等人在分析了兩層網(wǎng)絡是如何對一個函數(shù)進行訓練后，提出一種選定初始權值的策略：選擇權值的量級為 r 1s ，其中 1s 為第一層神經(jīng)元數(shù)， r 15 為輸入個數(shù)。 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(wǎng)絡設計的好壞，首先是它的精度，再一個就是訓練時間。所以隱含層神經(jīng)元數(shù)應≥ 2。 (2)隱含層神經(jīng)元數(shù) 網(wǎng)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(jīng)元數(shù)的方法來獲得，這在結構實現(xiàn)上，要比增加更多的隱含層要簡單得多。增加層數(shù)可以進一步的降低誤差，提高精度，但同時也使網(wǎng)絡復雜化。 (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(shù)的存在， ej的等效作用為 δji=ejf ‘()。 評價的準則是誤差最小，所以網(wǎng)絡訓練的實質轉化為一個優(yōu)化問題。 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(jīng)元個數(shù)為 n，隱含層神經(jīng)元個數(shù)為 n1，輸出層神經(jīng)元個數(shù)為 S2。 δ 學習規(guī)則 也稱為誤差校正規(guī)則或者剃度方法，著名的 BP 方法即為其中一種。 (2) 層間無連接； (3) 方向由入到出 . 感知網(wǎng)絡（ Perceptron 即為此），應用最為廣泛。 圖 人工神經(jīng)網(wǎng)絡基本模型 圖中，輸入經(jīng)過神經(jīng)元之間的連接值和作用函數(shù)，得到輸出，再與目標值相比較，根據(jù)其差值信息，反饋回來進行神經(jīng)元之間連接值的調整。 ① 對數(shù)正切 y=1/(en+1) () 輸出與輸入成對數(shù)正切關系 。 第二種是： ()也就是當輸入大于 0 時，輸出為 1；反之為 1。 作用函數(shù)的基本作用是： (1) 控制輸人對輸出的激活作用； (2) 對輸入、輸出進行函數(shù)轉換； (3) 將可能無限域的輸入變換成指定的有限范圍內的輸出。神經(jīng)元輸出除受輸入信號的影響之外，同時也受到神經(jīng)元內部其他因素的影響，所以在人工神經(jīng)元的建模中，常常還加有一個額外輸入信號，稱為偏差（ Bats）， 有時也稱為閥值或門限值。隨著上述核心技術的研究發(fā)展，應用領域和功能等也獲得大幅提高。而如今的許多實際應用場合，監(jiān)視區(qū)域比較復雜，現(xiàn)有的方法無法直接應用。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。 車牌字符識別實際上是依附在車牌上的印刷體文字的識別，能否正確識別不僅是文字識別技術的問題，還是考慮其載體 —— 車牌區(qū)域的影響。實驗表明 ,此方法對所有車牌字符都有較好的分類效果。 f(x,y)是二值化后的車牌字符點陣圖像 ,g(x,y)為歸一化后的圖像 ,g(x,y)中的任一點 ),( gg yx 映射到原圖像 f(x,y)的點為 ),( ff yx ,當 ),( ff yx 為整數(shù)時 , ),( gg yx = ),( ff yx 。它通過把字符分成 N N 個網(wǎng)格 ,統(tǒng)計每個網(wǎng)格中的像素素量 ,而每個網(wǎng)格各自反映字符的某一部分特征 ,在識別階段 ,把各個網(wǎng)格組合起來作為字符的統(tǒng) 計特征并以此來識別字符。 目前我國一個標準車牌中有三類不同識別對像 :漢字、英文字符和數(shù)字 09。識別速度決定了一個車牌識別系統(tǒng)是否能夠滿足實際應用的要求 ,雖然現(xiàn)在已經(jīng)有了很多車牌識別算法 ,但對于識別速度的提高仍有很高要求。在字符識別中，被廣泛采用的有兩類特征：結構特征和統(tǒng)計特征。它根據(jù)字符的直觀形象抽取特征，用相關匹配原理進行識別，即將輸入模式與標準模板在一個分類器中進行匹配。其基本過程如下：首先對分割出來的字符進行預處理，并抽取出代表未知字符模式本質的表達形式〔如各種 特征 )，然后將此表達形式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 )逐個匹配，最后用一定的準則進行判別，即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，該表達模式所對應的字符就是識別結果。 缺點：模型在不斷豐富與完善中，目前能識別的程式類還不夠多。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：當存在干擾及噪聲時，抽取基元困難，且易失誤。 缺點：對結構復雜的模式抽取特征困難。從事實出發(fā)運用一系列規(guī)則，推理得到不同結果， m類就有 m 個結果。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。下面以表格的形式，其用到的方法作一簡單的介紹和比較。 我國是從七十年代開始字符研究的。 日本雖說起步不是最早，但因投入了大量的人力和物力，目前處于世界領先地位。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?，F(xiàn)在此法仍不失為一種重要的匹配方法。直方圖的基本思想是把原始圖的直方圖變換為均勻分布的形式 ,這樣就增加了像素灰度值的動態(tài)范圍從而達到增強圖像整體對比度的效果。圖像去噪 :為了消除噪聲 ,常采用濾波的方法 ,可分為空域濾波和 頻域濾波。車牌字符識別技術是文字識別技術與車牌圖像自身因素協(xié)調兼顧的綜合性技術。 圖像二值化是圖像處理的一項基本技術 , 也是很多圖像處理技術的預處理技術 . 在模式識別技術、光學字符識別 (OCR ) 、醫(yī)學數(shù)據(jù)可視化中的切片配準、及在如銀行