简介:适合不知如何写神经网络神经元方面的相关专业大学硕士和本科毕业论文以及关于神经网络神经元论文开题报告范文和相关职称论文写作参考文献资料下载。
(吉林大学计算机科学与技术学院 吉林 长春 130012)
【摘 要】目前国内许多啤酒生产线中缺少对瓶盖上生产日期喷涂码的反检验过程,导致最终产品生产日期字迹模糊、难以辨认甚至喷涂错误的情况频频发生.鉴于此种现状,我们开发了一个基于神经网络算法的啤酒生产日期反检验模型,从而减少啤酒生产中的次品率.以BP神经网络为基础设计的喷涂数字识别系统,先使用样本训练分类器,然后将待识别图像进行预处理,提取特征向量并将其输入到已训练的网络中,进而完成数字识别.经大量样本测试表明,BP网络训练收敛之后,进行识别时计算量较小,速度较快,且识别率达90%以上.
【关键词】BP神经网络;图像处理;喷涂数字识别;网络训练与学习
目前国内啤酒生产线中的装瓶流程仍然主要依靠国外技术,如德国Krones公司的啤酒装瓶线[1].同时国内许多生产线中缺少对瓶盖上生产日期码的反检验过程,导致最终产品生产日期字迹模糊、难以辨认甚至喷涂错误的情况发生.产品生产日期喷码模糊、难以辨认甚至喷涂错误,使得产品有效期限不够清晰,将导致企业受到国家相关法律法规的处罚,同时,危害消费者的利益.鉴于此种现状,我们开发了一个基于BP神经网络的啤酒生产日期识别系统,以减少啤酒生产中的次品率,从而提高企业效益.
神经网络算法:欧洲神经元无人隐形战机
阿拉伯数字识别问题可以归结为一种有监督学习问题,即希望能够从给定的样本特征集中学习到分类所需要的知识或信息,从而构建出决策曲面[2].
对于神经网络的学习方法采用了自适应学习速率调整的改进算法,使网络的权值和阈值调整过程中学习速率可以根据网络误差曲面上的不同区域的曲率变化自适应地调整,从而加快了算法的收敛速度.
1. BP神经网络模型
1.1 人工神经网络概述
人工神经网络结构和工作机理基本上是以人脑的组织结构(大脑神经元网络)和活动规律为背景的,它反映了人脑的某些基本特征,但并不是要对人脑部分的真实再现,可以说它是某种抽象、简化或模仿[3].
人工神经元模型是生物神经元的模拟与抽象.图1.1是一种典型的人工神经元模型,它是由模拟生物神经元的细胞体、树突、轴突、突触等主要部分构成.
人工神经元相当于一个多输入单输出的非线性阈值器件.这里X1,X2,Xn,表示它的n个输入;W1,W2,等,Wn表示与它相连的行个突触的连接强度,其值成为权值;ΣWiXi称为激活值,表示这个人工神经元的输入总和,对应于生物神经细胞的膜电位;o表示这个人工神经元的输出;θ表示这个人工神经元的阈值.如果输入信号的加权和超过θ,则人工神经元被激活[3].因此,人工神经元的输出可描述为
O等于f(∑WiXi-θ)(式1.0)
式1.0中,函数f( )表示神经元输入一输出关系,称为激励函数或输出函数.
1.2 BP神经网络模型
BP (Back Propagation) 神经网络又称为多层前馈神经网路.图1.2所示为三层前馈神经网络的拓扑结构,输入层不计算在内,整个网络有两个隐含层和一个输出层,各层之间实行全连接.
BP神经网络通常包含一个或多个隐含层,隐含层中的神经元一般均采用S形函数作为激励函数,输出层神经元可以根据实际情况选择线性激励函数或者S型激励函数.前者使整个网络的输出可以取任意值,而后者则使整个网络的输出限定在一个较小范围内[2].
S型激励函数即Sigmoid函数,定义如下:
其中a为Sigmoid函数的斜率参数,通过改变参数a,可以获取不同斜率的Sigmoid函数.
1.3 BP网络学习过程
神经网络最大的特点就是具有学习能力,在学习过程中,主要是网络的连接权的值产生了相应的变化,学习到的内容也记忆在连接权之中.
BP网络学习算法属于有教师监督的学习方式[4].输入模式由输入层进入网络,经过中间层的模式变换,由输出层产生输出模式.然后从输出层到隐含层逐层修改连接权值和神经元的阈值,直至返回输入层,以减小实际输出与理想输出间的误差.重复进行以上过程,直到误差收敛到允许误差以内或达到了训练次数的上限.
对原始的BP学习算法进行自适应学习速率调整,使学习速率随网络误差曲面上不同区域曲率的不同,自适应的调整.即在神经网络训练初期,网络误差比较大,这时使学习速率大一些,加快收敛;当网络误差接近最小值时,减小学习速率,避免了在全局最小时点附近振荡的现象.
BP网络的数学意义明确、学习步骤分明,而且结构简单,能够以任意精度映射样品,具有很好的泛化能力[3].
1.4 BP网络结构设计
本系统中BP网络结构有三层:输入层、隐含层、输出层,如图1.3所示.由于对喷涂数字提取了5×5等于25个特征,经过水平投影之后得到5个特征值,作为神经网络的输入,因此输入节点为5个;根据隐含层节点个数大约为输入节点数两倍的关系,隐含层取10个节点,输出层设置4个节点,输出四位二进制数,代表神经网络输出的数字类型.
2. 数字识别系统设计与实现
本系统以具有较强学习能力的BP神经网络为核心,工作流程如图2.0所示.
2.1 训练BP网络
使用标准样本对网络分类器进行训练,BP网络参数设定如下:隐层结点个数10,最小均方误差0.001,相关系数0.00,训练步长0.015.训练结果表明,经3521次迭代后,收敛至误差0.001.
2.2 图像预处理
在进行数字识别之前,需要对原始图像进行一些常规的变换,包括以下几个子过程:灰度化、二值化、梯度锐化、去离散噪声、倾斜调整;另外还需完成字符分割和尺寸标准化等预备工作.各过程图像处理结果如图2.2.1-2.2.8所示.
2.3 生产日期识别
使用已经训练好的网络,对预处理后的图像进行识别,即把处理后的样本输入神经网络进行迭代,直至误差小于允许值或迭代次数到达上限,从而输出识别结果.经测试,图2.2.1的识别结果如图2.3.1所示.
3. 结语
本系统以BP神经网络为核心实现了啤酒生产日期喷涂码的识别.首先用大量的训练图像样本对网络分类器进行训练, 得到满足全局误差指标的BP神经网络,然后将待识别图像样本经预处理后输入该网络,进而输出识别结果.经大量样本测试,本系统识别成功率达90%.机器计算取代人力劳动,不仅省时省力,同时降低了误识率,从而为企业减少不必要的损失.
此外,系统仍可进一步优化,通过增大样本数量以及图像分辨率,可以进一步提高识别的成功率,以适应现代高速精确的生产流水线.
【参考文献】
[1]德国Krones啤酒装瓶线[OL].http://www.krones.com/zh/index.html.
[2]刘长良,陈琛.改进的BP神经网络在数字图像识别中的应用[J].仪器仪表与分析监测,2011,1.
[3]杨淑莹.图像模式识别:VC++技术实现[M].北京:清华大学出版社,2006.
[4]师黎,陈铁军,李晓媛,姚丽娜.智能控制理论及应用[M].北京:清华大学出版社,2009.
[5]边肇祺,张学工.模式识别[M].2版.北京:清华大学出版社,2000.
[6]Rafael C.Gonzalez,Richard E.Woods,Steven L.Eddins[M].Digital Image Processing Using MATLAB.电子工业出版社,2005.
[责任编辑:汤静]
总结:此文是一篇神经网络神经元论文范文,为你的毕业论文写作提供有价值的参考。
神经网络算法引用文献:
[1] 遗传算法和神经网络论文范文 关于遗传算法和神经网络相关硕士学位毕业论文范文5000字
[2] 温湿度和神经网络算法学年毕业论文范文 关于温湿度和神经网络算法类硕士毕业论文范文8000字
[3] 神经网络算法和人才培养方案论文例文 神经网络算法和人才培养方案论文参考文献范文2500字