基于BP神经网络的非结构化道路识别_吕艳鹏

合集下载

基于Copula贝叶斯分类器与改进YOLOv5网络的手势识别研究

基于Copula贝叶斯分类器与改进YOLOv5网络的手势识别研究袁帅吕佳琪(沈阳建筑大学辽宁沈阳 110168)摘要：手势识别是通过识别人类手势并结合相关算法实现对手势语义分类的一项议题，在智能建筑、机器控制、新型人机交互、辅助驾驶等领域应用十分广泛，因此，手势识别具有重要研究意义。

该文提出在YOLOv5目标检测网络引入注意力机制，以解决YOLOv5目标检测网络特征差异不敏感问题；此外，利用Copula模型改进朴素贝叶斯分类器，以解决图片分类精度缺失问题。

实验结果表明：该文提出的Attention-YOLOv5检测网络比原网络在准确率和召回率上都有显著提升，基于Copula理论改进的贝叶斯分类器在准确率上显著高于朴素贝叶斯分类器。

关键词：目标检测手势识别 YOLOv5网络 Copula贝叶斯分类器深度学习中图分类号：TP18文献标识码：A 文章编号：1672-3791(2023)20-0026-04Research on Gesture Recognition Based on the Copula Bayes Classifier and the Improved YOLOv5 NetworkYUAN Shuai LYU Jiaqi(Shenyang Jianzhu University, Shenyang, Liaoning Province, 110168 China)Abstract:Gesture recognition is an issue of achieve the semantic classification of gestures by recognizing human gestures and combining relevant algorithms, which is widely used in the field such as intelligent buildings, machine control, new human-computer interaction and assisted driving, so gesture recognition has important research sig‐nificance. This paper proposes to introduce an attention mechanism into the YOLOV5 target detection network to solve the problem of insensitive feature differences in the YOLOV5 target detection network. In addition, this paper uses the Copula model to improve a naive Bayes classifier to solve the problem of missing image classification accu‐racy. Experimental results show that the proposed Attention-YOLOv5 detection network in this paper has signifi‐cantly improved the accuracy and recall rate compared to the original network, and that the improved Bayes classi‐fier based on the Copula theory has significantly higher accuracy rate than the naive Bayes classifier.Key Words: Target detection; Gesture recognition; YOLOv5 network; Copula Bayes classifier; Deep learning在过去的几十年里，传统人机交互技术所使用的键盘、鼠标或者可触摸屏幕在机器控制方面已有非常广泛的应用，但是新出现的手势识别技术更加符合人体的使用习惯，因此对手势识别技术的研究具有重要DOI：10.16661/ki.1672-3791.2303-5042-2992作者简介：袁帅（1978—），男，博士，教授，研究方向为深度学习、图像识别。

基于BP神经网络的高速公路交通安全评价系统设计与实现

摘要：对高速公路交通安全现状，出了应用Ｂ针提Ｐ神经网络评价模型进行高速公路交通安全评价．建立了相应的高速公路交通安全评价体系基础上，Ｂ在对Ｐ人工神经网络在高速公路交通安全评价的设计与实现进行了分析，合高速公路交通安全评价的特点，用ｃ＋语言与数据库技结采＋
Ｖｏ１３４ＮＯ３．．
Ｊｎ００ｕｅ２１
基于ＢＰ神经网络的高速公路交通安全评价系统设计与实现＊
李聪颖王肇飞
西安７０５）１０５（安大学公路学院” 西安７０６）西安建筑科技大学土木工程学院长１０４（
ｄ一Ｘ７（７Ｘ一）（一Ｘ）１ｉ（）４
对于其他各层，有
指标体系，将评价指标集合Ａ一（ｎ，，作。， … ｎ）为Ｂ网络的输入层，安全等级集合Ｙ一（，Ｐ将
Ｙ，。Ｙ）为Ｂ网络的输出层，用３层Ｂ：Ｙ，作Ｐ使Ｐ
矾如
・４７・７
一程中的问题的动态求解问题，服了权重确定过一一克
主观因素，客观进行高速公路交通安全评价提为
供了一种有效的方法．据前文描述的安全评价根
对于输出层ｋｍ， — 有

基于机器视觉的非结构化道路检测算法研究

大致可以分为基于道路特征的方法Ｊ基于道路模型的方，
移动机器人的核心技术之一是导航技术，别是自主特导航技术。由于环境的动态变化和不可预测性、机器人感
知手段的不完备等原因，使得移动机器人的导航难度较大，
ｓｍｕａｉｎｒｕｔｉｄｃｔｓｔａｈｓｕｎｔｃｕｅｔｘａｉｔｏｔｄｈａｏｄｃｒｃｅｉｔｃｆｔｍｅｅｓａｉｌｔｏｅｓｌｎｉａｅｈｔｔｉｓｒｔｒｄｐａｈｅｍｎａｉｎｍｅｈｏｓｇｏｈａａｔｒｓｉｓｏｉｌｓｎｄｕ
Ａｂｓｒｔ：Ａｉｄｏｓｒｃｕｅｏｄｄｔｃｉｎａｇｒｔｍｉｈａｍｐｏｅｅｌｔｍｅｄｅｅｔｏｎｃｕａｙｉｔａｃｋｎｆｕｎｔｕｔｒｄｒａｅｅｔｏｌｏｈｗｈｃｈｓｉｒｖｄｒａ —ｉｔｃｉｎａｄａｃｒｃｓｉｉｒｄｅｎｔｏｕｃｄ．Ｆｉｓ，ｈｒｇｎａｍａｅａｅｐｏｅｓｄｂｄｉｎ—ｉｔｒｎａｄａｎｏｎｏｓｓｕｒｓｅａｎｒｔｔｅｏｉｌｉｇｓｒｒｃｓｅｙｍｅａｆｌｅｉｇ，ｎｒｄｍｉｅｉｓｐｐｅｓｄ，ｎｄａｉＯｔｕｌｉｔｅｈｌｇｒｔｍｓｃｏｅａｅｎｔｐｅｋｍｅｈｏｏａｉｍａｅｓｍｕｔ—ｈｒｓｏｄａｏｉｈｉｈｓｎｂｓｄｏｗｏ— ａｔｄｆｒｒｐｄｉｇｅｓｇｍｅｔｔｎ，ｈｅｍｅａｉｎｌｎａｉｔｅｓｇｎｔｔｏｏ

智能车辆中非结构化道路检测技术的研究

用算法对实际的非结构化道路图像在ｍａａｔｂ软件平台进行了仿真实验，证明算法具有一定的实用性．ｌ
关键词：非结构化道路；数学形态学；分水岭分割；标记
中图分类号：Ｕ９；Ｔ３１４１Ｐ９文献标识码：Ａ
成部分之一．道路分为：结构化道路和非结构化道路．非结构化道路指结构化程度较低的道路，包
素较多，在非常复杂环境下有非常艰巨的工作和研
究意义．
括：城市街巷、沙石路、乡村道路和越野环境道路
赵俊梅，张利平
００５）３０１（中北大学信息与通信工程学院，原太
摘要：于非结构化道路环境复杂的特点，非结构化道路边界检测和分割对于智能车辆的道路检测和识别是非由常重要的．针对非结构化道路多样性和复杂性，首先对道路图像进行ＨＩ间变换，减少光照条件的影响．通Ｓ空过利用基于标记的分水岭分割算法对道路图像进行处理，比较几种标记算法，数学形态学效果最佳．最后，利
Ａｂｓｒｃｔａｔ：Ｂｅａｓｏｉｓｃｍｐｉａｅｆａｕｅ，ｔｅｂｕｄｒｄｔｃｉｎａｄｓｇｅｔｔｎｏａｃｕｅｆｔｏｌｃｔｄｅｔｒｓｈｏｎａｙｅｅｔｏｎｅｍｎａｉｆｎｏｕｓｒｃｕｅｒａｉｖｒｉｐｒａｔｏｉｔｌｉｅｔｅｉｌｓｎｔｅｏｄｄｔｃｉｎａｒｃｇｔｏｎｔｕｔｒｄｏｄｓｅｙｍｏｔｎｆｒｎｅｌｇｎｖｈｃｅｉｈｒａｅｅｔｏｎｄｅｏｎｉｎ．ｉ

基于BP神经网络的非特定人语音识别算法

基于BP神经网络的非特定人语音识别算法戚龙;赵丹【摘要】At present,most of the speaker independent speech recognition algorithms are only suitable for continuous speech.To this end,a new speech recognition algorithm was proposed based on BP neural network,introduced the standard BP neural network,aiming at the drawbacks of the slow convergence rate,The adaptive learning rate by changing the network for various stages of training,their own learning rate was set ing the improved BP neural network model to construct the corresponding variable learning rate the identification device,the improved BP neural network model as the input speech recognition,the speech to be recognized,the cumulative prediction error is minimized,realize speaker independent speech recognition.The improved model is applied to verify the speech recognition,results show that the proposed algorithm has higher identification rate and faster recognition speed,not only suitable for recognition of continuous speech,also suitable for recognition of continuous speech.%当前非特定人语音识别算法大多只适于连续语音,且识别精度和速度均较低.为此,提出一种新的基于BP神经网络的非特定人语音识别算法.介绍了标准BP神经网络,针对其收敛速度慢的弊端,通过变化的自适应学习速率,令网络训练针对各种阶段自行设置学习速率值;利用变学习速率构建对应的改进BP神经网络模型.将改进的BP神经网络模型看作识别非特定语音的识别器,输入待识别语音,令累计预测残差达到最小,实现非特定人语音识别.将改进模型应用于非特定人语音识别中进行验证.结果表明所提算法识别率更高、识别速度更快,不仅适于连续语音的识别,也适于不连续语音的识别.【期刊名称】《科学技术与工程》【年(卷),期】2017(017)031【总页数】6页(P277-282)【关键词】BP神经网络;非特定人;语音;识别【作者】戚龙;赵丹【作者单位】吉林化工学院信息与控制工程学院,吉林132022;吉林化工学院航空工程学院,吉林132022【正文语种】中文【中图分类】TP391.42随着科技的逐渐发展，人们和机器的交流将越来越多[1]。

基于改进的深度神经网络的说话人辨认研究

基于改进的深度神经网络的说话人辨认研究赵艳;吕亮;赵力【摘要】The technology of speaker identification will be used in many areas in the future. Firstly,a research is made on the use of two basic Deep Neural Network models which refer to Stacked Denoising-Autoencoders and Deep Belief Network on speaker identification. By pre-training layer-wisely without labels and back fine-tuning with labels,Deep Neural Network has overcome the shortcoming that is easy to fall into local minimum caused by back propagation. The experiments proves that Deep Network Model performs better than normal BP Network when the amount of neurons is bigger than certain number and its performance grows with the scale of Network enlarges. Considering the training time of large Deep Model is too long,this text proposes using Rectifier Linear Unit to replace traditional sigmoid function to improve deep model on speaker identification. The results of experiment show that the training time and error rate of improved deep model has decreased by 35% and 8.3% respectively.%说话人辨认技术在许多领域有着广泛的应用前景.首先研究了两种基本的深度神经网络模型(深度信念网络和降噪自编码)在说话人辨认上的应用,深度神经网络通过逐层无监督的预训练和有监督的反向微调避免了反向传播容易陷入局部最小值的缺陷,通过实验证明了当神经元个数达到一定数量之后深度网络模型是优于普通BP网络的,并且其性能随着网络规模的扩大而提升.考虑到大规模的深度网络训练时间较长的缺点,提出使用整流线性单元(ReLU)代替传统的sigmoid类函数对说话人识别的深度模型进行改进,实验结果表明改进后的深度模型平均训练时间减少了35%,平均误识率降低了8.3%.【期刊名称】《电子器件》【年(卷),期】2017(040)005【总页数】5页(P1229-1233)【关键词】说话人辨认;堆叠降噪自编码;深度信念网络;整流线性单元【作者】赵艳;吕亮;赵力【作者单位】南京工程学院电力工程学院,南京211167;东南大学信息科学与工程学院,南京210096;东南大学信息科学与工程学院,南京210096【正文语种】中文【中图分类】TN912.3;TP317.5语音是人的自然属性之一,由于每个人的语音中蕴含不同特征,如果将这些特征提取出来作为标识,就可以在不同场合辨别说话人的身份。

基于MATLAB图像处理的非结构化道路识别_吕艳鹏

第２期（总第１８３期）２０１４年０４月机械工程与自动化ＭＥＣＨＡＮＩＣＡＬ　ＥＮＧＩＮＥＥＲＩＮＧ　＆　ＡＵＴＯＭＡＴＩＯＮＮｏ．２Ａｐｒ．文章编号：１６７２－６４１３（２０１４）０２－００３２－０２基于ＭＡＴＬＡＢ图像处理的非结构化道路识别吕艳鹏，潘玉田（中北大学机电工程学院，山西　太原　０３００５１）摘要：应用ＭＡＴＬＡＢ图像处理工具箱，针对非结构化道路的彩色图像，在颜色空间对道路进行识别处理。

首先在颜色空间中使用Ｏｔｓｕ法（大津法）对道路图像进行分割，再利用数学形态学和阀值面积消去法对图像进行去噪处理，然后利用Ｒｏｂｅｒｔｓ算子检测出道路边缘，最后利用最小二乘法对图像进行曲线拟合，得到平滑的道路边界曲线。

关键词：非结构化道路；图像处理；ＭＡＴＬＡＢ中图分类号：ＴＰ３９１．４１文献标识码：Ａ收稿日期：２０１３－０９－２６；修回日期：２０１３－１０－１０作者简介：吕艳鹏（１９８８－），男，河南安阳人，在读硕士研究生，主要从事现代火炮总体技术研究。

０　引言车辆无人化是未来发展的趋势，因此研究非结构化道路的识别问题具有重要的意义。

非结构化道路没有明显的分界线，识别具有一定的难度。

但在许多情况下，非结构化道路环境中道路部分与非道路部分在颜色方面差异性较大，本文正是考虑使用颜色这个相关特征来对道路部分进行提取和分离。

１　图像分割处理首先选取非结构化道路原图，如图１所示。

根据图像输出特征，在识别处理时，采用了ＲＧＢ颜色模型。

因为该模型计算最为简单，可不经换算而直接使用输出数值。

图１　非结构化道路原图在图像二值化的处理过程中，关键问题是阀值的选择是否得当，阀值选择的合理与否直接关系到道路识别程度的优劣。

假设需要处理的彩色图像是一个二值灰度图像，其灰度级ｈ＝｛０，１，２，…｝，阀值ｔ∈ｈ，二值化处理的结果为Ｂ，Ｂ＝｛ｂ０，ｂ１｝。

则图像ｆ二值化的过程如式（１）所示：ｆｔ（ｘ，ｙ）＝ｂ０　ｆ（ｘ，ｙ）＞ｔｂ１　ｆ（ｘ，ｙ）≤｛ｔ．（１）阀值ｔ的不同导致处理出的二值图像也不一样。

基于BP神经网络的遥感影像道路信息的提取

基于BP神经网络的遥感影像道路信息的提取基于BP 神经网络的遥感影像道路信息的提取谢春喜，王娇，唐大伟辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）E-mail ：*****************摘要：为了提取遥感影像中的道路信息，可以采用图像锐化的方法。

图像锐化可使图像上道路目标的反差提高，但由于高分辨率遥感影像导致的图像量化点宽度的骤减和原始影像中噪声的影响，从很大程度上制约了传统的用于道路提取的边缘检测算子的发展。

本文鉴于传统方法的不足和神经网络算法适合于难模型化问题的特点，提出了采用BP 神经网络进行遥感影像道路信息提取的方法，从而提高了道路信息提取的准确度和算法的适应性。

关键词：BP 神经网络，遥感影像，道路提取1．引言采用遥感影像进行道路信息的提取来及时更新国家和城市的道路信息，对于国家和城市的中长期的发展和规划具有重要的实践意义。

随着遥感影像分辨率的提高，图像量化像素点的宽度将越来越小，致使相邻像素点的灰度差异越来越小，于是制约了传统的基于梯度的边缘检测算子的发展。

同时由于影像存在噪声，噪声在空间域上表现出和边缘具有相似的特征，在频率域上和边缘一样表现出高频特征。

传统的去噪处理会造成影像的模糊，从而削弱影像的边缘和细节特征。

用于遥感影像道路信息提取的众多梯度算子，如Roberts 算子,Sobel 算子，Prewitt 算子，Laplace 算子，以及各种高通滤波器等，都是根据影像的具体特点和实际情况来选用其一或几种算子的组合来提取其道路信息，这些算子的自适应性较差。

而神经网络适合于难于模型化的问题，它所具有的自组织性，自学习性以及自适应性能很好的完成从N 维空间(输入节点个数N)到M 维空间(输出节点个数M)的复杂的非线性映射，这些特性决定了神经网络用于边缘检测的可行性。

所以本文采用BP 神经网络进行遥感影像中道路信息的提取，并与传统算子进行的道路信息提取进行了比较分析。

BP神经网络在道路交通伤害预测应用的研究进展

ISSN 2095-1566CN11-9306／R 综述基金项目：江苏省普通高校研究生科研创新计划资助项目（SJCX17_0068）作者简介：高刘伟（1989—），男，安徽亳州人，硕士研究生在读，主要从事儿童青少年健康促进研究通信作者：张徐军，E-mail ：xjzhang@BP 神经网络在道路交通伤害预测应用的研究进展高刘伟，张徐军*，周义夕，费高强，李欣宇东南大学公共卫生学院/伤害预防研究所，南京210009摘要：道路交通伤害是人群死亡的一个重要死因，已经成为影响公众健康的公共卫生问题。

道路交通伤害预测对于了解未来交通事故的发生起着重要作用。

本研究收集了国内外BP （Back Propagation ，BP ）神经网络在道路交通伤害预测应用的数据和资料，总结了BP 神经网络应用的优缺点，旨在为以后研究提供有益借鉴，同时，也为相关部门减少和预防道路交通伤害提供依据。

关键词：BP 神经网络；道路交通伤害；预测；文献综述Research Progress of BP Neural Network in Prediction of Road Traffic InjuryGAO Liu-wei,ZHANG Xu-jun *,ZHOU Yi-xi,FEI Gao-qiang,LI Xin-yuSchool of Public Health,Southeast University/Injury Prevention Institute,Nanjing 210009,ChinaAbstract:Road traffic injuries are a major cause of deaths and have become a public health problem that threats the public.The prediction of road traffic injuries plays an important role in understanding the future traffic accidents.This study collected international and domestic data of BP neural network that were used in the prediction of road traffic injuries and summarized the advantages and disadvantages of the application of BP neural network,to providing a reference for further research and serving relevant governmental departments to reduce and prevent road traffic injuries.Key words:BP neural network,road traffic injuries,prediction,literature review道路交通伤害目前已经成为非疾病原因死亡的主要因素，给人类社会发展带来巨大的压力和负担。

非结构化道路识别研究综述

105科技资讯 SCIENCE & TECHNOLOGY INFORMATION工业技术DOI：10.16661/ki.1672-3791.2019.02.105非结构化道路识别研究综述王鹏1 贺阳1 贾秀娟2 张璐1(1.燕山大学河北秦皇岛 066004;2.长城汽车股份有限公司天津哈弗分公司天津 300462)摘　要：道路按照是否有规则的道路边界可以分为结构化道路和非结构化道路。

结构化道路有明显的道路特征，系统可以根据道路模型或者人为设定的特征准确识别。

但是实际环境中，存在没有明显的道路边界以及受到雾雪等天气干扰的路段，称为部分非结构化道路和完全非结构化道路。

在非结构化道路识别上运用结构化道路的识别方法可能会导致错误的决策。

因此，快速准确识别出非结构化环境中的道路对智能驾驶自主决策至关重要。

该文基于近5年国内外相关研究，对目前非结构化道路的传统识别方法、机器学习、深度学习与数据融合等方法进行了整理与分析。

关键词：非结构化道路识别机器学习深度学习多传感器融合中图分类号：TP393 文献标识码：A 文章编号：1672-3791(2019)01(b)-0105-02随着汽车行业不断发展，汽车相关的安全问题变得日趋重要。

近年来发展的无人驾驶技术旨在提高汽车安全性。

因此，在道路结构不明显的情况下有效识别出道路的可通行区域，增强在恶劣极端天气下的道路识别能力，对车道偏离做出准确的预警，可以提高无人驾驶车辆的安全性和鲁棒性。

对无人驾驶的实际应用具有巨大的意义。

1 传统非结构道路识别方法1.1 道路模型法道路识别常用的方法为道路模型法。

部分非结构化道路依然具有一定程度的固定结构，通过合理构造相对规则的边缘，近似得到特征明显的道路模型。

该种方法优势在于对阴影等干扰不敏感，但只适用于部分非结构化道路，无法适用于边缘不明显的完全非结构化道路。

对此，胡晓辉等人提出了一种基于3次样条曲线模型和分块子区生长模型(CSCM_BSG)相结合的完全非结构化道路检测算法。

基于BP神经网络的城市道路交通事件检测

基于BP神经网络的城市道路交通事件检测作者：***来源：《现代信息科技》2020年第13期摘要：通过交通流模型研究了城市道路交通拥挤对交通参数的影响，以交通异常事件检测为研究目标，从交通拥挤对于交通出行的影响出发;参考BP神经网络的全局逼近特点，使用NARMA模型改进的BP神经网络算法进行交通异常事件检测的研究;使用MATLAB进行了仿真验证了网络的性能，结果表明NARMA模型改进的交通事件检测的误报率为1.54%、检测率为96.92%、平均检测时间为0.42 min，可有效地反映交通事件发生的本质特征。

关键词：BP神经网络;城市道路;交通异常;事件检测中图分类号：U495;TP183 文献标识码：A 文章编号：2096-4706（2020）13-0061-04Abstract：This paper studies the impact of urban road traffic congestion on traffic parameters through traffic flow model，and takes the detection of traffic abnormal events as the research object，starting from the impact of traffic congestion on traffic travel;referring to the global approximation characteristics of BP neural network，this paper uses the improved BP neural network algorithm of NARMA model to detect traffic abnormal events;the performance of the network is verified by MATLAB simulation. The results show that the false alarm rate of traffic incident detection improved by NARMA model is 1.54%，the detection rate is 96.92%，and the average detection time is 0.42 min，which can effectively reflect the essential characteristics of traffic events.Keywords：BP neural network;urban road;traffic anomaly;event detection0 引言智能交通系统（ITS）是依托现代科技发展而来实现交通管理和规划的重要技术。

基于BP神经网络的字符识别系统(完整版)doc资料

基于BP神经网络的字符识别系统（完整版）doc资料计算机与现代化2021年第1期J I S UANJ I Y U X I A NDA I HUA总第161期收稿日期:2020205211项目:河南省自然科学资助项目(0511011500作者简介:张可(19842,女,河南三门峡人,南京航空航天大学信息科学与技术学院硕士研究生,研究方向:图像处理;张高燕(19872,女,河南三门峡人,北京师范大学信息科学与技术学院硕士研究生,研究方向:图像与语音信号处理;吴苏(19872,男,河南南阳人,哈尔滨工程大学计算机科学与技术学院硕士研究生,研究方向:I nternet 应用软件;范海菊(19792,女,河南新乡人,河南师范大学计算机与信息技术学院讲师,研究方向:语音和图像信号处理。

基于BP 神经网络的字符识别系统张可1,张高燕2,吴苏3,范海菊4(1.南京航空航天大学信息科学与技术学院,江苏南京210016;2.北京师范大学信息科学与技术学院,北京100875;3.哈尔滨工程大学计算机科学与技术学院,黑龙江哈尔滨150001;4.河南师范大学计算机与信息技术学院,河南新乡453007摘要:基于BP 神经网络设计了一个字符识别系统。

首先,对字符图像进行二值化处理,构造输入向量矩阵。

其次,通过选取初始权值、隐层节点数和权值学习算法,创建BP 神经网络,对样本数据进行训练,之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性。

最后进行仿真测试并制作图形用户界面G U I 来模拟与演示该系统。

仿真结果显示,该BP 网络对噪声系数小于0.8的字符识别率可达95%,且网络训练时间可接受。

关键词:BP 神经网络;G U I ;字符识别;鲁棒性中图分类号:TP311.52文献标识码:ASystem of Character Recogn iti on Ba sed on Back 2propaga ti on Neura l NetworkZHANG Ke 1,Z HANG Gao 2yan 2,WU Su 3,F AN Hai 2ju4(1.College of I nf or mati on Science and Technol ogy,Nanjing University of Aer onautics and Astr onautics,Nanjing 210016,China;2.College of I nf or mati on Science and Technol ogy,Beijing Nor mal University,Beijing 100875,China;3.College of Computer Science and Technol ogy,Harbin Engineering University,Harbin 150001,China;4.College of Computer and I nfor mati on Technol ogy,Henan Nor mal University,Xinxiang 453007,ChinaAbstract:This article designs a character recogniti on syste m based on the Back 2Pr opagati on neural net w ork .First,the character i m age is p r ocessed in binary t o construct the input vect or matrix .Second,by choosing the initial weight,the nu mber of hide nodes and the learning algorith m of weight,a perfect BP neural net w ork is created .And then the net w ork carries on the training t o the samp le data and after wards t o the sa mp le with noise once more,t o enhance the net w ork r obustness .Finally,it carries on the si m ulati on test and manufactures graphical user interface t o si m ulate and demonstrate this system.The si m ulati on result shows that the character recogniti on rate of thisBP net w ork is possible t o reach 95%with the noise fact or less than 0.8,and the training ti m e is accep table .Key words:BP neural net w ork;G U I ;character recogniti on;r obustness0引言为了解决计算机对字符的自动识别问题,使计算机达到真正智能化,人们对计算机的自动识别进行了多年研究,并取得了很大的进步。

基于BP神经网络的高速公路交通安全评价系统设计与实现

基于BP神经网络的高速公路交通安全评价系统设计与实现李聪颖;王肇飞【摘要】针对高速公路交通安全现状,提出了应用BP神经网络评价模型进行高速公路交通安全评价.在建立了相应的高速公路交通安全评价体系基础上,对BP人工神经网络在高速公路交通安全评价的设计与实现进行了分析,结合高速公路交通安全评价的特点,采用C++语言与数据库技术,开发了基于BP人工神经网的交通安全综合评价软件,并进行了实例分析与验证.结果表明:BP神经网络算法应用于高速公路交通安全评价,具有良好的扩展性与开放性、收敛性和很强的自动调节能力.评价系统操作性强、结果可靠.【期刊名称】《武汉理工大学学报（交通科学与工程版）》【年(卷),期】2010(034)003【总页数】4页(P476-479)【关键词】交通安全;高速公路;BP神经网络;评价系统【作者】李聪颖;王肇飞【作者单位】长安大学公路学院,西安,710064;西安建筑科技大学土木工程学院,西安,710055;西安建筑科技大学土木工程学院,西安,710055【正文语种】中文【中图分类】U491.54;TP393国内外在道路安全评价方面常用的交通安全评价方法有绝对数法、事故率法、事故强度分析法、概率-数理统计法、模型法、时间序列分析法和灰色评价方法等[1-3]. 本文在建立高速公路交通安全评价指标体系的基础上,对BP神经网络在高速公路安全评价中的应用进行了分析,采用C++语言与数据库技术,开发了基于BP人工神经网络的综合评价软件,并进行了实际应用.1 基于BP神经网络的高速公路交通安全评价体系结构1.1 评价指标体系从交通工程学原理出发,把高速公路交通安全系统中的驾驶人特征、道路主体工程、交通工程及沿线设施、交通特性、交通环境、交通安全管理6个方面作为交通安全评价体系中的主要因素.对6个方面中的每个影响因素与交通安全之间的关系进行研究,并根据评价指标的筛选原则[4-7],建立了高速公路交通安全评价指标体系,共计6个类别,18个指标,见表1[8].表1 高速公路交通安全评价指标体系类别编号指标名称驾驶人特性P1 P11 P123a以下驾龄驾驶人比例车辆超速率道路主体工程P2 P21 P22 P23 P24 P25一般值以下圆曲线半径路段比例超过纵坡最大值路段比例中间带宽度(左路肩宽度)右侧路肩宽度路面横向力系数(SFC)交通工程及沿线设施P3 P31 P32 P33 P34标志设施标线完好率交通安全防护设施监控系统交通特性P4 P41 P42 P43饱和度(V/C)大、中型车占交通量比例设计车速交通环境特性P5 P51 P52年不良气候天数路线通过山岭重丘地区比例交通安全管理特性P6 P61 P62道路交通安全责任制交通事故紧急救援系统1.2 高速公路交通安全评价模型建立1.2.1 网络结构建立在高速公路交通安全评价中,反向传播网络(back-propagation network,BP网络)是实现非线性可微分函数进行权值训练的多层网络.BP神经网络评价解决了多指标变权问题的动态求解问题,克服了权重确定过程中的主观因素,为客观进行高速公路交通安全评价提供了一种有效的方法.根据前文描述的安全评价指标体系,将评价指标集合A=(a1,a2,…,an)作为BP网络的输入层,将安全等级集合Y=(y1,y2,y3,y4)作为BP网络的输出层,使用3层BP网络模型构造高速公路交通安全评价模型,如图1所示.图1 高速公路交通安全评价模型在图1中,输入层选择18个节点,判别综合评价指标体系所设定的18个二级指标的各自评定结果;输出层选择4个节点,分别对应4个安全评价等级;隐含层节点数根据经验公式选取,即m.式中:n为输入层神经元的数目,t为输出层神经元的数目.评价等级划分为四个等级,样本的期望输出值从一级至四级依次设定为优:(0.9,0.1,0.1,0.1);良:(0.1,0.9,0.1,0.1);中:(0.1,0.1,0.9,0.1);差:(0.1,0.1,0.1,0.9).1.2.2 网络学习过程评价神经网络的各节点采用Sigmoid非线性阀值单元,激励函数为BP算法学习步骤如下.步骤1 初始化权系数,给各层权系数Wij赋予(-1,1)区间内的非零随机数,其中Wi,n+1=-θ.步骤2 输入一个样本值Ak对以及与其对应的期望输出Yk,提供给网络.步骤3 计算各层的输出.对于第k层第i个神经元的输出,有步骤4 计算各层的学习误差.对于输出层k=m,有对于其他各层,有步骤5 修正权系数Wij与阀值θi(Wi,n+1=-θ).使用公式其中:η为学习效率;α为权系数修正常数.步骤6 随机选取下一个学习样本对,将其提供给BP网络,返回步骤3,直至全部m个样本对训练完毕.步骤7 重新从m个样本对中任选一对,返回步骤3直至误差函数Eav小于预先设定的值e(精确值);如果迭代次数N大于某个给定的值,没有收敛也停止计算.其中:全局平均误差为1.2.3 评价过程根据已训练完成的BP神经网络,进行现有道路安全等级的评价.评价时首先将待评价高速公路的各项安全评价指标数值进行归一化处理,将其限制在[0,1]区间内,然后将其作为输入值代入已训练好的网络,得到的输出值即为高速公路的安全等级.2 高速公路交通安全评价系统实现2.1 核心算法模块高速公路交通安全评价系统,其系统框架结构如图2所示.系统的核心算法——BP 神经网络算法采用面向对象技术设计,具有良好的扩展性与开放性,由C++语言编写实现.在具体实现时,采用了以下几方面的优化设计,使算法具有更快的收敛速度,更强的自动调节能力.图2 系统框架结构1)对样本输入数据、输出数据以及期望误差进行归一化处理,使其限制在[0,1]区间内,加快收敛速度.2)在网络学习前,初始化权系数为[0,1]之间的小数,初始化阀值为[-1,0]之间的小数.采用变学习效率的方法,使学习效率能根据误差的变化,自适应动态调整.3)通过设定最大学习次数来解决学习过程中的振荡现象,一旦超过最大学习次数,则重新初始化权系数与阈值系数进行计算.2.2 训练网络模块训练网络模块完成评价网络的参数配置,样本数据输入,训练网络及训练结果处理等主要功能,参数配置完成后可保存至文件,供以后导入使用.神经网络训练文件包括参数配置文件、样本数据文件与权值矩阵文件等3类.2.3 配置系统模块配置系统模块负责将训练成功的BP网络添加到评价系统数据库中,并对评价系数进行配置,使BP网络与评价等级进行映射,等级名与等级数值可根据用户要求进行配置.2.4 安全评价模块安全评价模块完成对待评价高速公路交通安全指标进行评价的功能.评价时首先选择评价网络,其次输入评价指标数据,然后开始安全评价,最后系统将显示评价的结果,即高速公路安全等级.2.5 评价网络数据库设计评价网络数据库使用Access数据库保存训练成功的神经网络数据,共包括3张数据库表单,分别是:(1)Eva_Net表,用于保存BP网络参数,包括网络名、网络学习效率、最大平均误差、最大单次误差、最大迭代次数、S函数参数、动量项、网络结构数据、权值矩阵与取值范围等字段;(2)Net_Grade表,用于保存BP网络与评价等级的对应关系,包括记录编号、网络编号、等级名称、等级数值等字段;(3)Grade_Data表,用于保存评价等级的相关数据,包括网络编号、NetGrade编号、输出元序号与输出层数据等字段.3 实例应用3.1 高速公路交通安全评价网络的训练根据安全评价指标分级标准可知,只要在同一等级范围内对各评价指标随机取值,组成的样本也肯定属于同一等级.通过这种方法,可以随机生成任意多的评价总样本,作为神经网络模型的训练样本和检验样本.在本次模型构建过程中,为了保证样本的均匀分布,按照分级标准,在每个安全等级各随机生成8个样本,共32个样本作为训练样本,对网络进行训练.构建的 BP神经网络模型采用 3层网络结构,输入层为18个节点,对应于18个安全评价指标;输出层节点数为4个,采用布尔型离散向量,对应于4个安全等级.隐含层节点数按照2.2.1节描述的经验公式计算并经过多次试算,将其节点数定为27.BP 网络的其他参数分别如下:网络学习效率为0.1,动量项为0.9,最大迭代次数为200 000次,最大期望误差为0.003 5.在本BP网络中,由于输出层各等级数据中最大值为0.9,考虑到大于0.5,即可认定评价等级,因此将评价误差范围设为0.399.使用“高速公路交通安全评价系统”训练上述网络,经训练后,网络精度满足要求(＜0.003 5).利用训练好的网络对随机生成的检验样本进行评价,结果证明训练好的BP 神经网络模型是可行的,且具有良好的泛化能力.3.2 实例应用与结果分析选取江西省梨温高速公路与昌泰高速公路数据进行交通安全评价,对数据按照指标体系模型中6类共18个指标进行了调查与计算,得出的评价指标如表2所列.利用上述训练建立的BP神经网络进行高速公路交通安全评价,将两条高速公路的待评指标数据样本(如表2)输入训练好的BP神经网络模型中,得到相应等级范围内的计算结果,评价计算结果如表3所列.表2 昌泰高速公路和梨温高速公路评价指标编号昌泰高速公路梨温高速公路指标值/% 指数等级指标值/% 指数等级P11 15 85 2 13 87 2 P12 28 72 3 32 68 4 P21 0 100 1 0 100 1 P22 0.40 95 1 0 100 1 P23 2 60 4 2 60 4 P24 3.75 90 1 3.75 90 1 P25 46 55 2 48 65 2 P31 60 60 2 70 70 2 P32 100 100 1 100 100 1 P33 75 75 2 80 80 1 P34 85 85 2 60 60 3 P41 0.11 18 4 0.12 20 4 P42 87 13 4 87 13 4 P43 100 60 3 100 60 3 P51 25 63 2 30 50 3 P52 0 100 1 0 100 1 P61 80 80 1 90 90 1 P62 40 40 3 80 80 1从评价计算结果分析,昌泰高速公路的第二项数据为最大值0.566 507,满足(0.501,0.9)区间,其他数据均在0.1附近,评价结果收敛的,可以确定该高速公路交通安全状况为良.梨温高速公路的第一项数据为最大值 0.608 505,满足(0.501,0.9)区间,其他数据均在0.1附近,评价结果收敛的,可确定该高速公路交通安全状况为优. 表3 高速公路BP神经网络评价计算结果高速公路计算结果安全等级昌泰高速公路 0.132 719,0.566 507,0.147 201,0.095 394 良梨温高速公路 0.608 505,0.058 613,0.190 919,0.101 982 优4 结束语本文在建立评价指标体系的基础上,设计和开发出基于BP神经网络的高速公路安全综合评价软件.经过实际应用,表明该方法具有良好的扩展性与开放性、收敛性和很强的自动调节能力.下一步研究将重点改进BP神经网络隐含层神经元算法,优化激励函数,提高神经网络训练的收敛速度;同时计划在交通安全评价软件中增加其它评价方法,增强软件的功能.参考文献[1]邬长福,王宏奇,林大建,等.道路安全评价方法探讨[J].浙江交通职业技术学院学报,2004,5(3):1-3.[2]杨天军,张晓春,杨晓光,等.基于BP神经网络的城市道路交通安全评价研究[J].中国矿业大学学报,2005,34(1):37-40.[3]潘艳荣,翟长旭,朱顺应,等.基于灰色聚类理论和人工神经网络技术的道路交通安全评价[J].重庆交通学院学报,2005,24(2):101-105.[4]吴开亚.区域生态安全的综合评价研究[D].合肥:中国科学技术大学管理学院,2003.[5]钟连德,孙小端,贺玉龙,等.高速公路事故类型预测模型研究[J].武汉理工大学学报:交通科学与工程版,2009,33(4):683-686.[6]陆化普.城市交通管理评价指标体系[M].北京:人民交通出版社,2003.[7]张殿业.道路交通安全管理评价体系[M].北京:人民交通出版社,2005.[8]陈君,李聪颖,丁光明,基于BP神经网络的高速公路交通安全评价[J].同济大学学报,2008,36(7):927-931.。

基于BP神经网络的地震动信号识别

基于BP神经网络的地震动信号识别周铁军;顾晓辉;吕艳新【摘要】BP neural network is an important method in target recognition. Wavelet transformation is widely used in signal de-noising and feature extraction. The ground vibration signals of three different vehicles can be got by data acquisition. The wavelet de-noising and feature extraction are adopted to achieve the sample data to train the neural network. The successfully trained neural network can recognize the types of different vehicles. The experimental result shows that BP neural network has high recognition rate for vehicles, the feature extraction method of ground vibration signals is correct, and artificial neural network is an effective method for target recognition.%通过数据采集得到三种不同类型车辆的地震动信号,采用小波消噪和特征提取,得到样本数据对神经网络进行训练,训练完成的神经网络就能实现车辆类型的识别.试验结果表明,BP神经网络对车辆目标具有较高的识别率,证明对地震动信号的特征提取方法是正确的,人工神经网络是有效的目标识别方法.【期刊名称】《现代电子技术》【年(卷),期】2012(035)010【总页数】3页(P100-102)【关键词】BP神经网络;小波变换;目标识别;数据融合【作者】周铁军;顾晓辉;吕艳新【作者单位】南京理工大学机械工程学院,江苏南京210094;南京理工大学机械工程学院,江苏南京210094;南京理工大学机械工程学院,江苏南京210094【正文语种】中文【中图分类】TN919-34战场目标识别一直是重要的研究课题，只用正确的识别目标，才能有效地采用克敌制胜的方法。

基于BP神经网络的路面不平度识别

关键词：路面不平度；识别；神经网络；BP 神经网络；平顺性
中图分类号：U461.4
文献标识码：A
DOI：10.3969/j.issn.2095-1469.2019.04.03
Road Roughness Identification Based on BP Neural Network
GU Shengfeng1，GU Jiu2，ZHENG Lingling1，ZHAO Qi1，LI Jie1
第9卷第4期 2522019 年 7 月
汽车工程学报 Chinese Journal o汽f 车Au工to程m学ot报ive Engineering
Hale Waihona Puke Vol.9 No.4 July 20第199 卷
基于 BP 神经网络的路面不平度识别
谷盛丰 1，顾久 2，郑玲玲 1，赵旗 1，李杰 1
（1. 吉林大学汽车仿真与控制国家重点实验室，长春 130025； 2. 一汽 - 大众汽车有限公司，长春 130011）
（1. State Key Laboratory of Automotive Simulation and Control，Jilin University，Changchun 130025，China； 2. FAW-Volkswagen Automotive Co.，Ltd，Changchun 130011，China）
Abstract：BP neural network is used for road roughness recognition and the evaluation indicators for identification are determined. The white noise model of road roughness for the front and rear wheels and a four-degree-of-freedom vehicle ride comfort model wre established. The vehicle responses and the road roughness obtained from the simulation were respectively the input and output data trained by the BP neural network. The 3 layer BP neural network was used to identify the road roughness，and 44 kinds of vehicle response input schemes were constructed and tested. The optimal input scheme is selected based on the evaluation indexes. The results show that in the optimal input scheme，the evaluation indexes include the vertical acceleration of wheel，the vertical displacement of wheel and the dynamic deflection of suspension under normal driving conditions.

BP网络与LVQ网络在遥感影像分类中的比较分析

BP网络与LVQ网络在遥感影像分类中的比较分析作者：邹强刘茜李娟妮来源：《科技创新导报》 2014年第12期邹强刘茜李娟妮（中国飞行试验研究院陕西西安 710089）摘要：遥感影像分类是遥感技术研究发展应用中的一个重要组成部分。

基于Matlab平台应用BP、LVQ两种神经网络算法对TM多光谱影像进行了分类研究，最后应用混淆矩阵对这两种网络算法与最大似然法的影像分类结果做了精度评价与对比分析。

实验结果表明，神经网络分类器作为一种非参数分类器，进行影像光谱特征分类时能获得较高的分类精度，引入对比度纹理特征后精度有更进一步的提高。

两种神经网络算法中，LVQ网络算法的影像分类精度比BP网络要高。

关键词：遥感影像分类 BP神经网络 LVQ 神经网络 Matlab 纹理特征中图分类号：P237文献标识码：A 文章编号：1674-098X(2014)04(c)-0223-02近几十年来，遥感对地观测技术的迅速发展为地表资源调查与环境监测提供了多平台、多传感器、多时相、多分辨率的海量影像数据，这些数据加工处理后被广泛应用。

人工神经网络是以模拟人脑神经系统的结构与功能为基础而建立的一个理论化数学模型，具有自学习、自组织、自适应、高度鲁棒性、全局并行分布处理等良好特性。

人工神经网络分类具备较强容错性，能实现对特征空间较复杂的划分。

1 特征提取与选择遥感影像分类是模式识别技术在遥感技术领域中的一种典型应用。

该文采用的影像数据为TM多光谱影像，大小为512×512，包含除热红外波段TM6以外的其他六个波段，空间分辨率为30m，均已几何校正与辐射定标。

图1是原始TM影像的4、3、2三个波段合成的假彩色影像。

如何从各波段影像中选择或者提取特征影像对后期的影像分类精度影响较大。

通常既要考虑选择的特征影像所包含的地物信息量，又要考虑影像波段间的独立性。

对此Chavez[5]等人在1982年提出了最佳指数因子（Optimum Index Factor，OIF）模型分析法。

基于MATLAB图像处理的非结构化道路识别

基于MATLAB图像处理的非结构化道路识别
吕艳鹏;潘玉田
【期刊名称】《机械工程与自动化》
【年(卷),期】2014(000)002
【摘要】应用MATLAB图像处理工具箱，针对非结构化道路的彩色图像，在颜色空间对道路进行识别处理。

首先在颜色空间中使用Otsu法（大津法）对道路图像进行分割，再利用数学形态学和阀值面积消去法对图像进行去噪处理，然后利用Roberts算子检测出道路边缘，最后利用最小二乘法对图像进行曲线拟合，得到平滑的道路边界曲线。

【总页数】2页(P32-33)
【作者】吕艳鹏;潘玉田
【作者单位】中北大学机电工程学院，山西太原030051;中北大学机电工程学院，山西太原 030051
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于 BP 神经网络的非结构化道路识别 [J], 吕艳鹏;潘玉田
2.基于消失点的非结构化道路识别及导航预警 [J], 丁伟利;李勇;王文锋
3.基于多特征准则改进区域生长的非结构化道路识别 [J], 孟凡杰;王新晴;吕高旺;
任国亭
4.基于PCA-SVM准则改进区域生长的非结构化道路识别 [J], 王新晴;孟凡杰;吕高
旺;任国亭
5.非结构化道路识别研究综述 [J], 王鹏;贺阳;贾秀娟;张璐
因版权原因，仅展示原文概要，查看原文内容请购买。