毕业设计方案
题  目 ： 基于神经网络的图像识别方法研究   
学  院 ： xx学院                     
系  别 ： 计xxx4班               
学  号 ：  20xx13                     
姓  名 ：杨xx                         
指导老师： 曹xxx                         
                                  xx1日
一、选题背景与意义
1．    随着图像技术各种基本理论的发展，各种应用图文系统在国民经济各部门得到了广泛的应用。现在，通信、广播、计算机技术、工业自动化、国防工业、，乃至印刷、医疗等部
门的尖端课题无一不与图像技术的发展密切相关。事实上，图像技术已成为各种高技术领域的汇流点，更有人预言，“图像识别技术”将是21世纪影响国民经济、国家防务和世界经济的举足轻重的关键技术。图像识别是近二十年发展起来的一门新型技术科学，它以研究某些对象或者过程(统称图像)的分类与描述为主要内容。图像识别在很多领域中得到了应用，如人脸和指纹识别、字符识别、医学诊断，等等。简单的说，图像识别是图像中的物体的模式分类，同时包括物体特征的确定，如位置、方向和尺寸等。传统方法主要是统计模式识别、光学模式识别、分形识别、信息熵识别方法，但这些传统方法自适应能力很差，而且是在没有噪声干扰的情况下进行的。这几年神经网络图像识别技术作为一种新型图像识别技术，在图像识别中的应用越来越广泛。
2．    人工神经网络是由大规模神经元互联组成的高度非线性动力学系统，是在认识、理解人脑组织结构和运行机制的基础上模拟起结构和智能行为的一种工程系统，它具有很强的学习、容错和信息处理能力，并有很高的灵活心及计算机并行性。最初，神经网络作为模式识别分类器和聚类技术在图像处理领域中得到应用，如印刷体和手写字符识别、语音识别，以及指纹、人脸识别，等等。随着人们对神经网络理论的进一步研究，神经网络在图像处理的很多领域也得到了成功的应用。如图像压缩、图像特征提取、图像变换编码，等
等。如今，人工神经网络已经成为当今科学研究的热点之一。
二、设计内容
  1.图像识别技术的基本原理和相应的处理技术，对目前常用的图像识别
方法进行了分析、讨论和比较。
2.神经网络的基本原理、网络结构及网络的学习方式，研究了神经网络
用于图像识别的原理及优点。
3.图像识别中常用的前馈神经网络及其采用的BP算法，并将具有全局优
化功能的遗传算法与前馈神经网络相结合，提出了一种遗传与BP相结合的图像识别方
法，解决7BP算法容易陷入局部极小的不足。并给出了仿真实验。
4.支持向量机的基本知识及其分类识别的原理。详细介绍了支持向量机
的分类策略和核函数的选择问题。并在此基础上，将二迸制编码引入到图像识别的支持
向量机分类策略中，提高了支持向量机在图像识别中的识别速度。并在此分类策略上提
出了一种动态的自动样本类别增】Jni／ll练方法。
5.遗传一BP网络和支持向量机在车牌及人脸识别中具体的应用方法及结
果分析。
三、设计方案
    1 引言
人工神经网络(Artificial Neural Networks)(简称ANN)系统从20世纪40年代末诞生至今仅短短半个世纪，但由于它具有信息的分布存储、并行处理以及自学习能力等优点，已经大信息处理、模式识别、智能是基于误差反向传播(Error Back Propagation)算法的多层前馈网络(Multiple-Layer Feedforward Network)(简称BP网络)，可以以任意精度逼近任意的连续函数，所以广泛应用鱼非线性建模、函数逼近、模式分类等方面。
    目标识别是模式领域的一项传统的课题，这是因为目标识别不是一个孤立的问题，而是
模式识别领域中大多数课题都会遇到的问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而目标识别的研究仍具有理论和实践意义，这里讨论的是将要识别的目标物体用成像头(红外或可见光等)摄入后形成的图像信号序列送入计算机，用神经网络识别图像的问题。
2  BP神经网络
2.1 BP 神经网络
BP网络是采用Widrow-Hoff学习算法和非线性可微转移的多层网络。一个典型的BP网络采用的是梯度下降算法，也就是Widrow-Hoff算法规定的。Backpropagation就是指的为非线性多层网络计算梯度的方法，一个典型的BP网络结构如图1所示
未识别的网络
其中:对于第k个模式对，输出层单元的j的加权输入为
该单元的实际输出为
而隐含层单元i的加权输入为
该单元的实际输出为
函数f为可微分递减函数
其算法描述如下：
(1)初始化网络及学习参数，如设置网络初始权矩阵、学习因子等。
(2)提供训练模式，训练网络，直到满足学习要求。
(3)前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行(4)；否则，返回(2)。
(4)后向传播过程：a.计算同一层单元的误差；b.修正权值和阀值；c.返回(2)。
2.2 BP网络隐层个数的选择
    对于含有一个隐层的三层BP网络可以实现输入到输出的任何非线性映射。增加网络隐层数可以降低误差，提高精度，但同时也使网络复杂化，增加网络的训练时间。误差精度的提高也可以通过增加隐层结点数来实现。一般情况下，应优先考虑增加隐含层的结点数。
2.3 隐含层神经元个数的选择
当用神经网络实现网络映射时，隐含层神经元个数直接影响着神经网络的学习能力和归纳能力。隐含层神经元数目较少时，网络每次学习的时间较短，但有可能因为学习不足导致
网络无法记住全部学习内容；隐含层神经元数目较大时，学习能力增强，网络每次学习的时间较长，网络的存储容量随之变大，导致网络对未知输入的归纳能力下降，因为对隐含层神经元个数的选择尚无理论上的指导，一般凭经验确定。
3 神经网络图像识别系统
人工神经网络方法实现模式识别，可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，允许样品有较大的缺损、畸变，神经网络方法的缺点是其模型在不断丰富完善中，目前能识别的模式类还不够多，神经网络方法允许样品有较大的缺损和畸变，其运行速度快，自适应性能好，具有较高的分辨率。