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，尤其對目前BP算法的改進(jìn)動態(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別的方法，該方法具有識別率高及對噪盧不敏感的特性，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邊緣檢測神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。為加快網(wǎng)絡(luò)的收斂速度，本文提出了滾動訓(xùn)練方法，實驗證明本文提出的邊緣檢測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。 最后，本文提出并實現(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)存儲架構(gòu)，并為進(jìn)一步