文档介绍：基于BP神经网络的图像识别研究【摘要】随着现代社会的发展,信息的形式和数量正在迅猛增长。其中很大一部分是图像,图像可以把事物生动的呈现在我们面前,让我们更直观地接受信息。BP神经网络以其强大的容错能力和联想能力在图像识别领域被越来越多的人所研究。本文通过matlab来展现BP神经网络算法在图像识别上的应用,实现了简单汉字“一”、“三”的识别。【关键词】BP神经网络;图像识别;字符识别;视觉是人类获取白然信息报肓观的、最肓接的方式,现代光电子信息技术的发展,让更多的自然信息能够通过图像保存下來,更进一步的通过辨识图像内容,可以使机器自动根据所识别的内容进行动作,有多种图像识别方法,BP神经网络具有自学习、自组织和并行处理的特征,并且具有很强的容错能力和联想能力,因此适用于图像识别。(BackPropagation)elland为首的科学家小组提出,是一种按谋旁逆传播算法训练的多层前馈网络,是日前应用故广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。如主要思想是:输入学习样木,使用反向传播算法对网络的权值和偏差进行反复的调整训练,使输出的向量与期望向量尽可能地接近,当网络输岀层的谋羌平方和小于指定的课差时训练完成,保存网络的权值和偏差。BP神经网络模型拓扑结构包括输入层(input)a隐层(hidelayer)和输岀层(outputlayer)。输入层神经元的个数由样木属性的维度决定,输出层神经元的个数由样木分类个数决定。隐藏层的层数和每层的神经元个数由用户指定。两层神经网络Z间的“为表示前一层神经元和后一层神经元Z间的权值,每个神经元都有输入和输出。在用BP网络迸•行图像识别时,算法基本流程就是:1、 初始化网络权值和神经元的阈值(最简单的办法就是随机初始化)2、 前向传播:按照公式一层一层的计算隐层神经元和输出层神经元的输入和输出。3、 后向传播:根据公式修正权值和阈值网络的学习算法如下:前向传播:隐层神经元为所有输入的加权Z和,即xj=ywijxi隐层神经元的输出巧,采丿IJS函数激发兮,得1• 一X・xj=f(Xj)=1+e7dxj则坷=Xj(l-亏)输出层神经元的输出为xi=YW^j网络笫1个输出与相应理想输出好的误并为笫P个样木的误并性能指标函数为N式屮,N为网络输出层的个数。反向传播:采用梯度下降法,调整备层间的权值输出层及隐层的连接权值AW"学习算法为dEpdxt •式屮,P为学习速率,歩[0川。k+1时刻网络的权值为Wj[(k+1)=Wj[盘)+Aiv/