【正文】 所以，兩個(gè)模型結(jié)合起來(lái)，形成一種新的模式 RBFBP。 B、 BPRBF 網(wǎng)絡(luò)模型 眾所周知， BP網(wǎng)絡(luò)模型具有許多特性，如簡(jiǎn)易，計(jì)算量 小，并行性強(qiáng)，尤其是具有多維的非線性映射能力，此外，與其它方法相結(jié)合，它可以克服易陷入局 3 部極小點(diǎn)的缺陷。權(quán)值的調(diào)整過(guò)程和 BP 網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是一致的，直到網(wǎng)絡(luò)輸出精度符合要求才會(huì)停止。 如果輸出層不能得到期望的輸出，它會(huì)轉(zhuǎn)向誤差信號(hào)的逆?zhèn)鞑ミ^(guò)程。 ),輸出層傳遞函數(shù)是 f2( 圖 1. 三層 BP網(wǎng) 絡(luò)拓?fù)浣Y(jié)構(gòu) 在圖 1 中，假設(shè) BP 網(wǎng)絡(luò)輸入層有 n 個(gè)節(jié)點(diǎn)，隱層有 q 個(gè)節(jié)點(diǎn)，輸出層 m 個(gè)節(jié)點(diǎn)，輸入層與隱層之間的權(quán)值是 Vki，隱層和輸出層間的權(quán)值是 Wjk。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 誤差平方和降到最低。當(dāng)正向傳播時(shí)，傳播的方向是從輸入層，到隱含層，再到輸出層，每一層神經(jīng)元只影響下一層神經(jīng)元。 二、 三種模型的理論分析 A. BP 網(wǎng)絡(luò)模型 BP 網(wǎng)絡(luò)是一種 根據(jù)誤差反向傳播算法進(jìn)行訓(xùn)練的多層前饋網(wǎng)絡(luò)，一個(gè)三 2 層的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖 1所示。同時(shí)，我們注意到，改進(jìn)算法 BPRBF， PSO_BP 模型比 BP模型有更好的擬合函數(shù)。進(jìn)行MATLAB 擬合模擬 BP， BPRBF 以及 PSO_BP。神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)關(guān)系具有良好的逼近能力，目前， BP 網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的形式中最實(shí)用的一種，因?yàn)樗梢杂成淙我鈴?fù)雜的非線性關(guān)系，此外，它擁有簡(jiǎn)單的學(xué)習(xí)規(guī)則，強(qiáng)大的內(nèi)存容量和強(qiáng)大的自學(xué)習(xí)能力，雖然它是計(jì)算機(jī)[8]，但集合所有的優(yōu)點(diǎn)，它能夠輕松實(shí)現(xiàn)很多功能，使得它成為到目前為止神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法 中最有用且最具影響力的算法 [910]。功率放大器行為模型一般可以分為兩大類(lèi) [4]，一 種是基于 Volterra 級(jí)數(shù) [5]，及其他基于神經(jīng)網(wǎng)絡(luò)的 [6]。擬合模擬 一、 引言 隨著通信和計(jì)算機(jī)技術(shù)的快速發(fā)展，在最近幾年，通信系統(tǒng)工作頻率增加[1]， RF電路得到了更廣泛的應(yīng)用 [2]，特別是 RF 電路的設(shè)計(jì)技術(shù)在通信技術(shù)的發(fā)展中起著重要的作用 [3]，同時(shí)放大電路也成為幾乎所有無(wú)線通信系統(tǒng)中必不可少的部分。神經(jīng)網(wǎng)絡(luò) PSO_BP。 關(guān)鍵字： BP 神經(jīng)網(wǎng)絡(luò) 。對(duì) BP， BPRBF 以及 PSO_BP 的電壓均方根誤差（均方根），時(shí)代和收斂時(shí)間進(jìn)行 MATLAB 擬合模擬對(duì)比。因此，本文提出了兩種基于 BP 神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)模型，一個(gè)是級(jí)聯(lián) BPRBF 模型，另一種是 PSO BP 神經(jīng)網(wǎng)絡(luò)。 天津大學(xué)仁愛(ài)學(xué)院 2020屆本科生畢業(yè)設(shè)計(jì)（論文） 30 參考文獻(xiàn) [1] 王旭 王宏 王文輝 . 人工神經(jīng)元網(wǎng)絡(luò)原理與應(yīng)用 [M]. 第二版 . 東北大學(xué)出版社 , 2020 年 . [2] 孫鑫 . VC++深入詳解 [M]. 電子工業(yè)出版社 , 2020. [3] 馬銳 . 人工神經(jīng)網(wǎng)絡(luò)原理 [M]. 第一版 . 機(jī) 械工業(yè)出版社 , 2020 年 9 月 . [4] 沈晶 . Visual C++數(shù)字圖像處理典型案例詳解 [M]. 機(jī)械工業(yè)出版社 , 2020. [5] 曾志軍 , 孫國(guó)強(qiáng) . 基于改進(jìn)的 BP 網(wǎng)絡(luò)數(shù)字字符識(shí)別 [J].上課理工大學(xué)學(xué)報(bào) , 2020, 32(1)5153. . [6] 趙輝 葉子青 . Visual C++系統(tǒng)開(kāi)發(fā)實(shí)例精粹 [M]. 人民郵電出版社 . [7] 張世輝 , 孔令富 . 漢字識(shí)別及現(xiàn)狀分析 [J]. 燕山大學(xué)學(xué)報(bào) , 2020,04(3)8085.. [8] 李連勝 . 基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù) 字識(shí)別技術(shù)研究 [D]. 中南大學(xué) , 2020. [9] 趙蓉 . 基于神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫(xiě)識(shí)別系統(tǒng)研究與實(shí)現(xiàn) [D]. 西安電子科技大學(xué) , 2020. [10] 趙輝 , 葉子青 . Visual C++系統(tǒng)開(kāi)發(fā)實(shí)例精粹 [M]. 人民郵電出版社 . [11] 黃襄念 , 程萍著 . 文字識(shí)別原理與策略 [M]. 第一版 . 西南交通大學(xué)出版社 , 2020. [12] 韓力群 . 人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用 [M]. 第二版 . 化學(xué)工業(yè)出版社 , 2020. [13] 韓力群 . 人工神經(jīng)網(wǎng)絡(luò)教程 [M]. 北京郵電大學(xué)出版社 , 2020. [14] 張宏林 蔡銳 . Visual C++數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐 [M]. 北京 :人民郵電出版社 , 2020. [15] . Pattern Recognition and Neural Networks[M]. 11. 人民郵電出版社 , 2020 年 . [16] Kumar S. Neural Networks[M]. 11. McGrawHill, 2020 年 8 月 . [17] Ma Y, Zhan K, Wang Z. Applications of PulseCoupled Neural Networks[M]. 高等教育出版社 . [18] Haykin, S. Neural Networks and Leaning Machines[M]. 11. 機(jī)械工業(yè)出版社 , 2020 年 . [19] (美 )李普曼 拉茹瓦 . C++ Primer Plus[M]. 第六版 . 人民郵電出版社 , 2020 年 . 1 外文資料 2 3 4 1 中文譯文 基于 BP 改進(jìn)算法的射頻功率放大器行為模型研究 摘要：如何準(zhǔn)確模仿功率放大器行為是系統(tǒng)級(jí)仿真的關(guān)鍵。此外，訓(xùn)練樣本必須是 “ 0,1,2,3,4,5,6,7,8,9” 的循環(huán)，如果使用 “ 0,3,1,4,2,”這樣的訓(xùn)練樣本，會(huì)導(dǎo)致訓(xùn)練無(wú)法成功， 這使得系統(tǒng)的適應(yīng)性變得很差。 后續(xù)工作及展望 由于本文所涉及的系統(tǒng)比較龐雜，再加上時(shí)間等客觀因素的限制，還 有很多方面需要完善。 利 用 Visual C++語(yǔ)言 編寫(xiě)了系統(tǒng)的程序，實(shí)現(xiàn)了 圖片預(yù)處理、特征提取、BP 網(wǎng)絡(luò)訓(xùn)練、文字識(shí)別 等功能。 天津大學(xué)仁愛(ài)學(xué)院 2020屆本科生畢業(yè)設(shè)計(jì)（論文） 29 第五章 總結(jié)與展望 總結(jié) 基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別系統(tǒng)的設(shè)計(jì) 能夠?qū)崿F(xiàn)對(duì)待識(shí)別圖像中數(shù)字的辨認(rèn)， 通過(guò)對(duì)圖片 進(jìn)行 一系列處理，最后識(shí)別得出圖片中顯示的數(shù)字。下一次進(jìn)行識(shí)別的時(shí)候，由于本次訓(xùn)練好的網(wǎng)絡(luò)已經(jīng)保存了下來(lái)，所以就可以直接識(shí)別了，無(wú)需再訓(xùn)練。 打開(kāi)一個(gè) 訓(xùn)練 進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后 打開(kāi)一個(gè)測(cè)試圖片 ，如圖 49，點(diǎn)擊工具欄 中的 按鈕進(jìn)行識(shí)別，識(shí)別結(jié)果如 410所示。 圖 48 程序主界面 程序的主要功能都通過(guò)這幾個(gè)菜單來(lái)實(shí)現(xiàn)。 圖 46 BP網(wǎng)絡(luò)訓(xùn)練參數(shù)輸入框 利用該 BP 網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行訓(xùn) 練的結(jié)果如圖 47所示。 圖 45 訓(xùn)練樣本圖片 其次，訓(xùn)練完 BP 網(wǎng)絡(luò)后，就可以用它對(duì)數(shù)據(jù)進(jìn)行識(shí)別。 ]19[ 所以，糾正后的目標(biāo)輸出向量方案如下： 0 的編碼： , 1的編碼： , 2 的編碼： , 3 的編碼： , 4 的編碼： , 5 的編碼： , 6 的編碼： , 7 的編碼： , 8 的編碼： , 9 的編碼： , BP 網(wǎng)絡(luò)進(jìn)行數(shù)字識(shí)別流程如下： 首先，利用大量的訓(xùn)練樣本來(lái)訓(xùn)練網(wǎng)絡(luò)，得到以文件形式保存的權(quán)值。 然而通過(guò)后續(xù)實(shí)踐可以發(fā)現(xiàn)，當(dāng)采用 )0,0,0,0( 這樣的目標(biāo)輸出向量時(shí)， BP 網(wǎng)絡(luò)無(wú)法收斂。本設(shè)計(jì)中，采用 8421 碼來(lái)對(duì) 9~0 進(jìn)行編碼，若輸出 0 ，采用)0,0,0,0( 來(lái)表示；對(duì)于輸出 1 ，采用 )1,0,0,0( 來(lái)表示；對(duì)于輸出 9 ，采用 )1,0,0,1(來(lái)表示。 對(duì)于輸出層的節(jié)點(diǎn)數(shù)的確定，取決于如何設(shè)定標(biāo)準(zhǔn)輸出。 對(duì)于隱層的節(jié)點(diǎn)數(shù)，一般來(lái)說(shuō)，隱層神經(jīng)元的數(shù)目越多，那么 BP 網(wǎng)絡(luò)也就越精確，訓(xùn)練時(shí)間也越長(zhǎng)。這樣，對(duì)于每一個(gè)輸入樣本，就有 128168 ?? 個(gè)特征。這里， BP 網(wǎng)絡(luò)輸入層的 節(jié) 點(diǎn)個(gè)數(shù)為圖像預(yù)處理后所輸出的特征的維數(shù)。 訓(xùn) 練 樣 本 圖 片B P 網(wǎng) 絡(luò)特 征 提 取待 識(shí) 別 數(shù) 據(jù)圖 像 預(yù) 處 理訓(xùn)練 識(shí)別 結(jié)果： 0 , 1 ，??， 9 圖 44 BP 網(wǎng)絡(luò)應(yīng)用流程 天津大學(xué)仁愛(ài)學(xué)院 2020屆本科生畢業(yè)設(shè)計(jì)（論文） 25 下面 說(shuō)明 BP網(wǎng)絡(luò)的三個(gè)層神經(jīng)元數(shù)目的確定 。設(shè)計(jì) BP 網(wǎng)絡(luò)的關(guān)鍵之處在于高效的特征提取方法、大量有代表性的訓(xùn)練樣本、高效穩(wěn)定速收斂的學(xué)習(xí)方法。經(jīng)圖像預(yù)處理過(guò)程之后，可以將最終提取到的字符的特征送入 BP 網(wǎng)絡(luò)進(jìn)行訓(xùn)練及識(shí)別。 天津大學(xué)仁愛(ài)學(xué)院 2020屆本科生畢業(yè)設(shè)計(jì)（論文） 23 圖 像 輸 入開(kāi) 始傾 斜 度 調(diào) 整去 離 散 噪 聲梯 度 銳 化二 值 化灰 度 轉(zhuǎn) 換圖 像 分 割歸 一 化 調(diào) 整緊 縮 重 排特 征 提 取結(jié) 束 圖 42 圖像 預(yù) 處理流程圖 BP 網(wǎng)絡(luò)的設(shè)計(jì)及實(shí)現(xiàn) 利用 BP 網(wǎng)絡(luò) 進(jìn)行字符 識(shí)別的過(guò)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。 圖像 預(yù) 處理 圖像的預(yù) 處理流程圖如圖 42 所示。在圖像預(yù)處理部分采用了許多圖像處理的技術(shù)，最后把每個(gè)數(shù)字的特征提取出來(lái)。打開(kāi)一幅含有未知數(shù)字的圖像，進(jìn)行預(yù)處理和特征提取，然后將提取后的特征送入 BP 網(wǎng)絡(luò)，通過(guò)網(wǎng)絡(luò)的輸出可以判定輸入的字符，以實(shí)現(xiàn)字符的識(shí)別，識(shí)別結(jié)果顯示在屏幕上，同時(shí)也存儲(chǔ)在文本文件中。訓(xùn)練完畢的 BP 網(wǎng)絡(luò)的權(quán)值 保存到文件中。 （ 3）進(jìn)行圖像的預(yù)處理。 （ 2）打開(kāi)輸入歸一化高度和寬度的對(duì)話框。其中，圖像預(yù)處理塊在對(duì)圖像進(jìn)行了一系列變換后，把最后提取到的數(shù)字字符提交給數(shù)字識(shí)別模塊，然后進(jìn)行識(shí)別并給出結(jié)果。 開(kāi) 始初 始 化將 圖 像 分 成 8份 ，分 別 計(jì) 算 每 份 中像 素 的 個(gè) 數(shù)統(tǒng) 計(jì) 穿 過(guò) 水 平 線及 垂 直 線 的 數(shù) 字像 素結(jié) 束統(tǒng) 計(jì) 字 符整 體 像 素 圖 318 特征提取流程圖 以上就是特征向量提取的方法。如圖 317 所示。首先把字符平均分成八份，統(tǒng)計(jì)每一份內(nèi)黑色像素點(diǎn)的個(gè)數(shù)作為 8 個(gè)特征，如圖 316 所示。特征向量的提取方法多種多樣， 這里 采用 13 點(diǎn)特征提取法。下面就要從被分割歸一化處理完畢的字符 中，提取最能天津大學(xué)仁愛(ài)學(xué)院 2020屆本科生畢業(yè)設(shè)計(jì)（論文） 21 體現(xiàn)這個(gè)字符特點(diǎn)的特征向量。 開(kāi) 始是 否 到 最 后 一 行初 始 化確 定 上 下 左 右 位 置將 圖 像 移 到 相應(yīng) 位 置行 變 量 加 1結(jié) 束YN 圖 314 緊縮重排 流程圖 圖像緊縮重排后的效果如圖 315所示。 初 始 化開(kāi) 始計(jì) 算 圖 像 的高 度 和 寬 度根 據(jù) 規(guī) 定 的 標(biāo) 準(zhǔn) 高 寬計(jì) 算 縮 放 因 子計(jì) 算 新 圖 像 的 像 素 點(diǎn) 映射 到 原 圖 像 的 坐 標(biāo)計(jì) 算 新 圖 像 像 素 點(diǎn) 的灰 度 值結(jié) 束 圖 312 歸一化流程圖 天津大學(xué)仁愛(ài)學(xué)院 2020屆本科生畢業(yè)設(shè)計(jì)（論文） 20 圖 313 歸一化執(zhí)行效果圖 緊縮的緊縮重排 經(jīng)過(guò)標(biāo)準(zhǔn)歸一化處理后的各個(gè)字符在圖像中 位置不 確 定，進(jìn)行特征提取時(shí)比較麻煩，所以要把歸一化后的字符進(jìn)行緊縮重排，以形成新的位圖句柄，為下一步特征提取的操作做準(zhǔn)備。 歸一化信息輸入對(duì)話框的執(zhí)行效果如圖 311所示。 圖像標(biāo)準(zhǔn)歸一化的高度和寬度可以通過(guò)對(duì)話框由使用者自行輸入，但是為了以后特征提取處理方便，進(jìn)行 BP 網(wǎng)絡(luò)訓(xùn)練的時(shí)候縮短訓(xùn)練 時(shí)間，標(biāo)準(zhǔn)化的高度和寬度不宜設(shè)置過(guò)大。具體 步驟 如下：先得到原來(lái)字符的高度，跟系統(tǒng)要求的高度做比較，得出要變換的系數(shù)，然后根據(jù)得到的系數(shù)求得變換后應(yīng)有的寬度。 天津大學(xué)仁愛(ài)學(xué)院 2020屆本科生畢業(yè)設(shè)計(jì)（論文） 18 開(kāi) 始初 始 化是 否 為 圖 像 的 最 高 點(diǎn)記 錄 最 高 點(diǎn) 、最 低 點(diǎn)行 變 量 加 1記 錄 圖 像 的 左 、右 點(diǎn)是 否 為 圖 像 的 最 右 點(diǎn)是 否 為 圖 像 的 最 后 一 行將 分 割 出 來(lái) 的矩 形 放 入 數(shù) 組將 每 個(gè) 矩 形 畫(huà)出 來(lái)結(jié) 束YNYNYN 圖 39 字符分割流程圖 圖 310 經(jīng)過(guò)字符分割后并畫(huà)上邊框的圖像 天津大學(xué)仁愛(ài)學(xué)院 2020屆本科生畢業(yè)設(shè)計(jì)（論文） 19 標(biāo)準(zhǔn)歸一化 因?yàn)?由 掃描獲得的圖像中字符大小存在較大的差異， 然 而相對(duì)來(lái)說(shuō)，統(tǒng)一尺寸的字符識(shí)別的標(biāo)準(zhǔn)性更強(qiáng)，準(zhǔn)確率也 更 高。 為了清楚的看到圖像分割的結(jié)果，在這里 用 函數(shù) DrawFram在每個(gè)分割完畢的字符周?chē)?huà) 上 邊框，這個(gè) 邊 框只會(huì)起到標(biāo)識(shí)圖像的作用