神經(jīng)網(wǎng)絡(luò)及其在圖像處理中的應(yīng)用.pdf

1、人工神經(jīng)網(wǎng)絡(luò)由于具有并行計(jì)算、自組織、自學(xué)習(xí)的特性和全局逼近能力而受到人們的廣泛關(guān)注，并已經(jīng)被成功地應(yīng)用于模式識(shí)別、圖像處理、函數(shù)逼近、自適應(yīng)控制等方面。BP神經(jīng)網(wǎng)絡(luò)是各種神經(jīng)網(wǎng)絡(luò)模型中最具代表意義的一種網(wǎng)絡(luò)。 本文首先對(duì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及BP算法進(jìn)行了綜述，尤其對(duì)目前BP算法的改進(jìn)動(dòng)態(tài)做了系統(tǒng)的分析研究，在此基礎(chǔ)上，本文提出了一種直接自適應(yīng)BP算法，該算法著重改進(jìn)了權(quán)值的調(diào)整方法，和標(biāo)準(zhǔn)BP算法和以學(xué)習(xí)速率改變?yōu)榛A(chǔ)的算法相比

2、，此算法縮短了學(xué)習(xí)時(shí)間，提高了學(xué)習(xí)效率，有效地避免了BP算法收斂速度慢、易陷入局部極小等缺陷。 其次，本文將改進(jìn)的BP算法用于字符圖像的識(shí)別，取得了良好的效果。為改善神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法對(duì)樣本的依賴性，本文提出了一種基于神經(jīng)-模糊推論系統(tǒng)進(jìn)行印刷體字符圖像識(shí)別的方法，該方法具有識(shí)別率高及對(duì)噪盧不敏感的特性，仿真結(jié)果也證明其優(yōu)于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法。 再次，本文提出一種基于鄰域灰度變化極值和神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測(cè)新方法，該方法首

3、先基于鄰域灰度極值提取邊界候選圖像，然后以邊界候選象素及其鄰域象素的二值模式作為樣本集輸入對(duì)邊緣檢測(cè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。為加快網(wǎng)絡(luò)的收斂速度，本文提出了滾動(dòng)訓(xùn)練方法，實(shí)驗(yàn)證明本文提出的邊緣檢測(cè)新方法較之于已有的神經(jīng)網(wǎng)絡(luò)方法提高了學(xué)習(xí)效率，獲得的邊緣圖像封閉性好，邊緣描述真實(shí)。 最后，本文提出并實(shí)現(xiàn)了一種使用VB-Access-Matlab混合編程的神經(jīng)網(wǎng)絡(luò)模式識(shí)別系統(tǒng)，在系統(tǒng)中提出了基于數(shù)據(jù)庫模式的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)架構(gòu)，并為進(jìn)一步