BP模型在模式识别中的应用

ａｇ ｒ ｈ ａ ｄ ｃ ａ ａ ｔｒｓ ｃ ， ｄ ｔ ｅ ｔ ｄ ｃ ｄ ｔｅｒ ｃ ｇ ｉ ｏ ｐ ｌ ａｉ ｎ ｆ ｈ ｄ ｌ ｅｂ — ｉ ｎ ｉｎ ｌｍａ ｅ ， ｉｌ ｌ ｏ ｔｍ ｎ ｈ ｒ ｃｅ ｔ ｓ ｉ ｉ ｉ ａ ｎ ｉｒ ｕ ｅ ｏ ｎｔ ｎ ａ ｐ ｉ ｔ ｓｏ ｅＢＰ ｍｏ ｅ ｔ ｉ ｍｅ ｓｏ ａ ｇ ｓ ｎ ｙ ｎ ｈ ｎｏ ｈ ｅ ｉ ｃ ｏ ｔ ｎ ｉｈ ｄ ｉ ｍａ
Ａｂｓｒ ｃ ： ｉ ｈ ｓｓｈａ ｔ ｄ ｅ ｅａ ｐ ｉａ ｏ ｆｔｅ ＢＰ Ｍ ｏ ｌｉ ｈ ａｔｒ ｅ ｏ ｎｉ ｏ ． ｒｔｏ ｌ， ａ ｎ ｒｄ ｅ ｔ ｅ ｔ ａ ｔＴｈ ｓｔ ｅ ｉ ｓｓｕ ｉｄ ｔ ｐ ｌｃ ｔ ｎ ｏ ｄｅ ｎ ｔｅ ｐ ｔ ｎ ｒｃ ｇ ｔ ｎｓＦｉｓ ｆａｌｉ ｈ ｓｉｔｏ ｕｃ ｄ ｈ ｉ ｈ ｅ ｉ ｔ ｈ
工 程技 术
计算机 光盘软 件 与应用 Ｃｍｕｅ ＤＳｆｗｒ ｎ ｐｌｃｔｏｓ ｏｐｔｒＣ ｏｔａｅａｄＡｐ ａ ｎ ｉ ｉ
２１年第 １ 期 ００ 主
Ｂ Ｐ模型在模式识别中的应用
史 红
（ 吉林师范大学信息技 术学院，吉林 四平 １６０ ） ３０ ０
摘 要 ：本 文主要 研 究 了Ｂ 模 型在模 式 识别 中的应 用 。首先 介绍 了Ｂ 模 型在 模式 识别 中的算 法和 特点 ，其 次Ｂ 模 型 Ｐ Ｐ ｐ 在 二 维图像 中的识别 应 用。主要是 二 维图像 中边缘检 测 方法的 应用 。 关键 字：Ｂ 模型 ；模式 识别 ；边缘检 测 Ｐ 中图分 类号 ：Ｔ １３ Ｐ ８ 文献标 识码 ：Ａ 文章编 号 ：１０ — ５９ （ ００ １— ０ ６ ０ ０７ ９９ ２ １ ） ２ ０ ９— １
ＴｈｅＡｐｐｌ ａ ｉｎ ｆＢＰ ｏ ｅ Ｐａ ｔ ｒ ｃ ｇ ｉｉ ｎ ｉ ｔｏ ｏ Ｍ ｄ ｌｉ ｃ ｎ ｔｅ ｎ Ｒｅ ｏ ｎ ｔｏ
Ｓｈ Ｈｏ ｇ ｉ ｎ
（ｃ ｏ ｌｆｎ ｒ ｔ ｎＴ ｃ ｎ ｇ ，ｌ ｏｍａ Ｕ ｉ ｒｉ，ｉｎ １ ６ ０ ，ｈｎ ） Ｓ ｈ ｏ ｏ Ｉｆ ｍａｉ ｅ ｈ ￣ｏ ｙ ｉ Ｎ ｒ ｌ ｎｖ ｓｙＳｐ ｇ ０ ０Ｃ ｉ ｏ ｏ Ｊｉ ｎ ｅ ｔ ｉ ３ ａ
ＢHale Waihona Puke 模型 的背景 Ｐ ５ 年 代就 提 出 了两 种神 经 网络 的模 型 ， 它们 是 感 知机 ～ Ｏ Ｐ ｅ ｃｐｒｎ 与最 小均 方联想机 一Ｍ 。前者 用线 性 阈值 单元 作输 出 ｒ ｅｔｏ ＬＳ 单 元，后者 用纯性 单元 作输 出单元 。正如 Ｍｎ ｋ 和 Ｐｐｒ ｉｓｙ ａ ｅｔ所判 断的那样 ， 总能把任 何一 问题变 换为 多层感知 器 网中可解 的 问题 。 Ｂ Ｐ网是一 种具有 三层或 三层 以上 的多层神 经 网络 ，每一层 都 由若 干 个神经 元组 成，它 的左 右各层之 间 各个神经 元 实现全连 接 ，即 左 层的每 一个神 经元与 右层 的每个 神经 元都有 连接 ，而上 下各 神 经 元之 间无连接 。 Ｂ Ｐ网络 按有 教师学 习方 式进行 训练 ，当一对 学习模式 提 供给 网络后 ， 神经元 的激活值 将从 输入层 经各 中 间层 向输 出层传 播 ， 其
＝
’
ｔ
－
＋ｅ
￣
—
９６ —
一
、
在输出层的各神经元输 出对应于输入模式的网络响应。然后，按
减 少希望输 出与实 际输 出误 差 的原则 ，从输 出层经 各 中间层 ，最 图ｌ Ｐ Ｂ 学习算 法流程 图 后 回到输 入层逐 层修 正各连 接权 。 由于修正过 程 是从输 出到输 入 值 得 指出 的是 对于 大 多数 模式 识别 问题 ，由于 同一类模 式样 层进 行 的，所 以称 为 “ 误差逆 传播 算法 。 在 ＬＳ Ｍ 算法 中使 用线性单元 ， 出单元 ｉ 输 的活跃值 Ｙ，简单地 本往往 存在 相 当大 的差 异 ，再考虑样 本本 身 的维 数很 高 ，所 以虽 ｉ 然用 神经 网络进 行直接 识别 在理论 上是可 行 的，但 实际上其 时 间 由 ｙ 罩 算 出，而 其误差函数则 为方差之和 。总误差 Ｅ被定义 为 ｉ ＝ 开销 是无法 接受 的 ，故 通常先 进行预 处理 完成特 征抽 取 ，再 由神 ∑‘＝ 一 其 中，Ｐ为一组输 入模式 ；ｆ表示在输入 模式为 Ｐ时，输出结 经 网络进 行识别 ，不 同类 型 的识别对 象可抽 到不 同的特 征 。 图像 的 边缘 检 测 是 图像 识 别 前 必 不 可 少 的 环 节 ，Ｍ ｒ 和 ａｒ 点ｉ 的期望值 ；ｙ 表示 在输入模 式为 Ｐ ，输 出结点 ｉ的实际值。 时 Ｈｄ ｅｈ提 出 的零 交 叉边缘检 测更 是一种 十分有 次 的方法 ， 图像 ｉｒ ｔ 二 、Ｂ 模型 的算法 及其特 点 Ｐ 强度 的突变 将在 一阶 导数 中产 生 一个峰 ，或等 价于 二阶 导数 中产 Ｂ 算法是 ＬＳ 法的一般化 ，事实上 Ｂ 模 型正是非线 性多层 Ｐ Ｍ算 Ｐ ｚｒ— ｒｓｎ ） 图像 中的强度 变化 是 以不 同尺度 感 知器 系统的判决 能力与 ＬＳ Ｍ 算法 使均方误差 函数梯度极 小化相结 生一 个零 交叉 （ｅｏ Ｃｏ ｉｇ ； 出现 的 ， 故应 该用 若干大 小不 同的算子 才能取 得 良好 的检 测效果 。 合 的产 物． 在给 出了 Ｓｇｏｄ型函数恰好 能满足 非线性 与连 接可微 ｉｍ ｉ 高斯 一拉普 拉斯滤 波器 能满足 ，其表 达式 为 的条件 ，故 Ｂ 算法 中大多选用 Ｓ ｇｏｄ 函数 作为输 出函数 Ｐ ｉｍ ｉ 型 Ｖ ｘｙ ＝ｌ２ ｃ ［一（ ＋ ） ］ｘ ［（ ＋ ）ａ 】 Ｇ（，） ／ｚｒ ２ ／ ｅｐ一 ／ Ⅲ 一 ｌ 式 中 为 阈值 。 其 中 为 高斯 函数的 空间常 数， 值越 小 ，边缘 检测算 子 的 Ｂ Ｐ网是 多层感 知器 网与 Ｌ Ｓ算法 相结合 的产 物 ，根 据 Ｂ Ｍ Ｐ学 敏感 程度 就越高 ， 图像 的细节 部分检 出越 多 。 习算法如 图 １，讨论 Ｂ 网络 的一 些特性 。 Ｐ 四 、小结 Ｂ 模 型的特 点， Ｐ 法继 承 了 Ｄ Ｓ Ｐ Ｂ算 ｄ 算法 的误 差梯度 下 降以致 近年 来 ， 经 网络 已成 为研 究的热 点， 取得 了广泛 的应用 。 神 并 达 到极 小的思想 ， 因而 局 部极小 ， 由三 结 点在 层 网所形 成 的误差 人 工神经 网络 是从输 入空 间到输 出空 间的一 个非线 性映射 ，通过 等 值线 图像 一个 马鞍 ，其左 上或 右下权 重变 化较 大 ，当从两 侧 向 学习 ”或发 现变量 间的关 系 ，实现对 事务 的 中部靠拢后 就分 别 向左 下和 右 为移 动 ，并形成 权 重几乎 不变 的区 调整 权重 和阈值 来 “ Ｐ Ｐ 域 即极 小区 ，这 样就有 两个 极小 区 。从不 同的初 始权值 开始 ，系 分 类 。Ｂ 网络 实现 网络 模 式识 别的算 法 和设 计得 到 的应用 ，Ｂ 模式 在 图像识别 的应用 中还用 不足之 处 ， 将研 究更 好的 Ｂ 学 习算 Ｐ 统 可能至达 的 两个最终 状态 ，而且 系统 ～旦进 入其 中之一 就 无法 考虑 问题 设计 步骤 不断 的改进 ， Ｂ 模 式应用 领域范 围更广 。 对 Ｐ 再 跳 出来 ，这就 意味着 系统 未能得 到最 优解 ，通 过研 究表 明，在 法 ， 参 考文 献： Ｂ Ｐ网络 中采 用较 多的 隐单元 ，会 有效 的减少局 部极 小 的个数 。在 【 黄 伟 平， ， 杰． 运 用模 式识 别与 回 归分析 的数据 事例算 １ 】 徐毓 王 综合 学 习过程 中应使权 重按 误差 的导数 成正 比地修 正 。 法硐． 制与 决策， １， 控 ２ ０１ ０ 三 、Ｂ 模型 在二维 图像 中的识 别应 用 Ｐ 『 陈振 华， ２ 】 余永权 ， ． 糊模 式识 别 的几咱基 本模 型研 究Ｕ． 算 张瑞 模 ］ 计 通 过大 量实验 ，给 出 Ｆ １ 与 ＭＧ ２ 两 种飞 机在三 种 飞行状 －５ Ｉ一 ３ ２ ０ ０ ９ 态 下的 图片 ，在 对 目 图像 ｆｘＹ 抽取 了对平 移 ， 比例 与旋 转变 机技 术 与发展 ， １ ， 标 （，） ３袁 人 Ｍ】 北 清 化不 敏感 的 ７ 种矩 特征 后 ，用 Ｂ Ｐ算法进 行 ３０ ００次迭代 后达 到 了 ｆ】 曾 任 ． 工神 经 元 网 络 及 其 应 用 Ｉ ． 京 ： 华 大 学 出版 ２ ０ 网络 的收敛 ，然 后用此 种训练 过 网络对 同类 飞行 的另外 一些 图片 社 ．０ ３ 『 张乃绕 ， ４ １ 阎平凡 ． 经 网络 与模糊控 制 【 ． 京： 华大 学 出版 神 Ｍ】 北 清 进 行识别 ， 到很高 的识别 精度 ， 中对 ＭＧ ２ 达 其 Ｉ一３型飞机 达到 １０ ０％ 社 ．９ ３ １ ９ 识 别率 ，对 Ｆ １ 一５型飞机 也达 到了 ９ ．％ ５６ 。
ｎｒ ｉｔｏ ｕｃ ｅａ ｐ ｉａｉｎ ｆｔ ｅｅ ｇｅｄ ｔｃｉ ｅ ｏ ｓｉ ｈ ｉｄ ｅ ｓｏ ａ ａ ｅ ． ｄ ｄ ｈ ｅ ｔ ｐ ｌｃ ｔ ｓｏ ｈ ｄ ｅ ｅ ｔ ｍ ｔ ｄ ｔｅｂ－ ｉ ｎ ｉ ｎ ｌｍ ｇ ｓ ｏ ｎｇ ｈ ｎ ｍ ｉ Ｋ ｅ ｗ ｏ ｄ ： ｏ ｅ ；ａｔｒ ｅ ｏ ｎ ｔ ｎ； ｇ ｅ ｅ ｔｏ ｙ ｒ ｓＢＰｍ ｄ ｌＰ ｔｅｎｒ ｃ ｇ ｉ ｏ Ｅｄ ｅｄ ｔｃ ｎ ｉ ｉ