前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)提取特征范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)提取特征范文第1篇

關(guān)鍵詞 數(shù)字識別；圖像預(yù)處理；特征提?。?a href="http://m.rqylqx.com/haowen/331084.html" target="_blank">神經(jīng)網(wǎng)絡(luò)

引言

目前,識別技術(shù)已經(jīng)廣泛地應(yīng)用到了各個(gè)領(lǐng)域中。為了達(dá)到對一幅圖像中的數(shù)字進(jìn)行識別的目的，我們要對圖像進(jìn)行一些處理，這些處理工作的好壞直接決定了識別的質(zhì)量，這些處理技術(shù)依次為圖像的讀取、對讀取的圖像進(jìn)行灰度變換、按照量化指標(biāo)對灰度變換后的圖像進(jìn)行二值化、然后對二值化后的圖像中的字符信息進(jìn)行切分等。在進(jìn)行完上述預(yù)處理工作后進(jìn)行特征提取，再輸入到已經(jīng)訓(xùn)練好的BP網(wǎng)絡(luò)進(jìn)行識別。

1 識別的流程

識別的流程按照引言中的步驟進(jìn)行，主要分為兩大部分，第一部分為圖像的預(yù)處理、第二部分為通過神經(jīng)網(wǎng)絡(luò)進(jìn)行印刷體數(shù)字的識別。預(yù)處理部分的流程：圖像輸入-灰度變換-圖像二值化-緊縮重排-歸一化調(diào)整-圖像分割-特征提取。神經(jīng)網(wǎng)絡(luò)數(shù)字識別的具體流程：樣本訓(xùn)練-字符特征輸入-識別并給出結(jié)果。

2 基于神經(jīng)網(wǎng)絡(luò)的特征提取算法概述

圖像在經(jīng)過了前期的預(yù)處理后，由原來雜亂無章的字符變?yōu)榱苏R排列的、大小相同的一列字符，在這里圖像歸一化后的寬度為8像素，高度為16像素，這樣就大大方便了對字符特征的提取。我們把提取的特征存儲在特征向量里，然后把特征向量輸入到神經(jīng)網(wǎng)絡(luò)中，這樣就可以對字符進(jìn)行識別了。由以上的論述我們可以得出結(jié)論，特征提取的算法是整個(gè)識別過程的關(guān)鍵，它的好壞直接決定了識別的成敗。對圖像中的字符進(jìn)行特征提取的算法有很多，下面對幾種重要的分別進(jìn)行介紹。

2.1骨架特征提取法

由于圖像的來源不同，這就使得圖像的線條所使用的像素不同，在圖像上表現(xiàn)出來就是線條的粗細(xì)的不同，這樣就使得它們的差別很大。如果我們將不同的圖像統(tǒng)一到相同的像素水平，那么它們的差別也就不那么明顯了。我們使用骨架特征提取算法，就會使得識別具有一定的適應(yīng)廣度和寬度。

2.2逐像素特征提取法

這種圖像的特征提取算法是最為常用的方法，它的特點(diǎn)是能夠保留圖像中的全部特征信息，不過這種特征提取算法對圖像的噪聲較為敏感，對原始圖像的質(zhì)量要求較高，它采用逐行掃描的辦法，對圖像進(jìn)行掃描，為整個(gè)圖像建立一個(gè)以圖像中的像素個(gè)數(shù)相同的特征向量矩陣。矩陣值為0或1，圖像中的黑色像素記為1，白色像素記為0。

2.3垂直方向數(shù)據(jù)統(tǒng)計(jì)特征提取法

此算法是對逐像素提取算法的改進(jìn)，他使得特征向量矩陣的維數(shù)降低，便于后期的識別。該算法首先對圖像進(jìn)行水平掃描，在這一過程中，統(tǒng)計(jì)沒一列的黑色像素?cái)?shù)，然后進(jìn)行對圖像進(jìn)行垂直掃描，并記錄每一行上的黑色像素?cái)?shù)，對于一個(gè)字符寬度和長度為W和H的字符，他的特征向量的維數(shù)就為W+H。

2.4特征點(diǎn)提取法

這一特征提取算法首先對字符進(jìn)行分割，利用實(shí)現(xiàn)設(shè)定的四條線將字符分為八個(gè)部分，分別統(tǒng)計(jì)每個(gè)部分中黑色像素的數(shù)目，可以得到八個(gè)特征。然后統(tǒng)計(jì)水平和垂直兩個(gè)方向上，穿過四條線的黑色像素?cái)?shù)，得到四個(gè)特征，最后將整個(gè)圖像中黑色像素的數(shù)目作為一個(gè)特征，一共得到十三個(gè)特征。該方法具有很強(qiáng)的適應(yīng)性，但是由于特征點(diǎn)較少，使得在樣本的訓(xùn)練過程中很難收斂。

可以看出，識別算法各有特點(diǎn)，根據(jù)實(shí)踐需要，本識別算法中的特征提取算法采用逐像素特征提取法。原因是這種算法的執(zhí)行效率高，方法簡單容易實(shí)現(xiàn)，且對于神經(jīng)網(wǎng)絡(luò)來說有很快的收斂性，具有較好的訓(xùn)練效果。

3 BP網(wǎng)絡(luò)進(jìn)行數(shù)字識別算法設(shè)計(jì)

BP網(wǎng)中中各層中的節(jié)點(diǎn)數(shù)是設(shè)計(jì)BP網(wǎng)絡(luò)最基本的一點(diǎn)，對于神經(jīng)網(wǎng)絡(luò)的輸入層而言，其節(jié)點(diǎn)數(shù)為經(jīng)過圖像預(yù)處理里后特征向量的維數(shù)?？梢灾苯永妹總€(gè)點(diǎn)的像素值作為特征，這里特征提取采用逐像素提取法，歸一化后圖像的寬度為8，高度為16，因此對于輸入樣本來說，每一個(gè)樣本都會由128個(gè)特征，因此神經(jīng)網(wǎng)絡(luò)的輸入層的特征數(shù)為128。

對于神經(jīng)網(wǎng)絡(luò)內(nèi)部隱藏層的節(jié)點(diǎn)數(shù)來說，其節(jié)點(diǎn)數(shù)沒有特別的規(guī)定，總的來說，隱藏層的神經(jīng)元的數(shù)目與神經(jīng)網(wǎng)絡(luò)的精度成正比，與訓(xùn)練時(shí)間成反比。如果神經(jīng)網(wǎng)絡(luò)的神經(jīng)元設(shè)置的過多，會對識別率造成較大影響，使得識別率大幅下降。因此在這里根據(jù)多年的實(shí)踐經(jīng)驗(yàn)在神經(jīng)網(wǎng)絡(luò)的隱藏層選取10神經(jīng)單元。 對于輸出層而言，要根據(jù)設(shè)定的輸出標(biāo)準(zhǔn)來確定輸入層的節(jié)點(diǎn)數(shù)。在本算法中采用8421的編碼進(jìn)行編碼。對于0-9這十個(gè)數(shù)字，分別對應(yīng)十個(gè)8421碼，例如，0的8421碼為（0,0,0,0），1的8421碼為（0,0,0,1），依次類推，因此神經(jīng)元的數(shù)目選定為4，就可以表示這十個(gè)數(shù)字，然而，因?yàn)樯窠?jīng)元的激勵(lì)函數(shù)（傳輸函數(shù)）是S型函數(shù)，期望輸出只能是大于0小于1的數(shù)，而不能是1或者0，因此用0.1來代表0，0.9代表1，否則算法將不能收斂。

神經(jīng)網(wǎng)絡(luò)搭建好后，要對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，也就是確定神經(jīng)網(wǎng)絡(luò)中各個(gè)參數(shù)的權(quán)值。本程序的訓(xùn)練樣為圖片。首先將圖片進(jìn)行預(yù)處理，然后提取特征，將特征值輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。在這里使用10個(gè)字符的圖片進(jìn)行訓(xùn)練，在圖片里包含了ARIAL字體0-9十個(gè)數(shù)字。

通過50個(gè)相關(guān)訓(xùn)練樣本進(jìn)行訓(xùn)練后，BP網(wǎng)絡(luò)對于數(shù)字字體的識別率能夠達(dá)到百分之九十以上。訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)就可以對數(shù)數(shù)據(jù)進(jìn)行識別了。

4結(jié)論

本文以VC為平臺，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)的思想（主要采用BP神經(jīng)網(wǎng)絡(luò)），實(shí)現(xiàn)了對印刷體數(shù)字識別。系統(tǒng)實(shí)現(xiàn)分為圖像預(yù)處理和神經(jīng)網(wǎng)絡(luò)識別兩大模塊。首先，掃描進(jìn)入電腦的圖像需保存為256色位圖或者是256級灰度圖像。首先對圖像進(jìn)行預(yù)處理，然后進(jìn)行特征提取，再輸入BP網(wǎng)絡(luò)進(jìn)行識別。BP神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識別的過程主要包括網(wǎng)絡(luò)的訓(xùn)練、數(shù)據(jù)的讀取、字符的判定、結(jié)果的輸出等。本系統(tǒng)通過對樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，形成了具有良好識別能力的網(wǎng)絡(luò)，對印刷體數(shù)字進(jìn)行識別檢測，達(dá)到了一定的準(zhǔn)確度，滿足了設(shè)計(jì)要求。

參考文獻(xiàn)

神經(jīng)網(wǎng)絡(luò)提取特征范文第2篇

【關(guān)鍵詞】PCA神經(jīng)網(wǎng)絡(luò)算法閾值區(qū)低功耗低面積積分器

一、引言

本文中為實(shí)現(xiàn)植入式的腦電信號特征提取，而設(shè)計(jì)的一種基于模擬模塊的硬件實(shí)現(xiàn)方法，實(shí)現(xiàn)對神經(jīng)spike信號的神經(jīng)網(wǎng)絡(luò)算法的特征提取的PCA2-1網(wǎng)絡(luò)，本文的神經(jīng)網(wǎng)絡(luò)算法的硬件完全采用模擬電路來實(shí)現(xiàn)，以滿足植入式的芯片，需要具有低功耗，低面積的特點(diǎn)。本文中的特征提取選擇了主成分分析法（PCA），采用基于PCA算法的全模擬電路實(shí)現(xiàn)架構(gòu)，由具有足夠線性范圍的模擬乘法器，基于亞閾值區(qū)的積分器，合理的加法器模塊，來實(shí)現(xiàn)設(shè)計(jì)低功耗，低面積的神經(jīng)信號處理電路。最終驗(yàn)證通過模擬電路實(shí)現(xiàn)的神經(jīng)特征提取電路的權(quán)值變化和MATLAB計(jì)算出的權(quán)值變化相一致，以此來證明該系統(tǒng)的正確性。

二、PCA神經(jīng)網(wǎng)絡(luò)

主分量分析的目的在于減少數(shù)據(jù)維數(shù)。其基本思想是提取出空間數(shù)據(jù)中的主要特征（主分量），減少數(shù)據(jù)冗余，去掉數(shù)據(jù)相關(guān)性，使得數(shù)據(jù)能夠在一個(gè)低維空間來處理。它確定一個(gè)方向向量w，使得輸入向量x在該方向上的投影y=wTx的方差最大。PCA神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)方法的缺點(diǎn)，它通過學(xué)習(xí)自動收斂到主分量方向而不用計(jì)算相關(guān)矩陣[2]。本文中的實(shí)現(xiàn)PCA的神經(jīng)網(wǎng)絡(luò)為一個(gè)單層的前向網(wǎng)絡(luò)。

本文中的基于神經(jīng)網(wǎng)絡(luò)的PCA的算法實(shí)現(xiàn)步驟如下：

（1）在t=1時(shí)，用小的隨機(jī)數(shù)賦給主元神經(jīng)網(wǎng)絡(luò)的權(quán)值，另權(quán)值修正系數(shù)為一小的正數(shù)；

（2）對于在t=1，從訓(xùn)練樣本集中選取樣本輸入網(wǎng)絡(luò)，計(jì)算：

由于積分器的輸出是權(quán)值w，所以對輸出幅度有較高要求。本文采用的積分器的OTA為兩個(gè)單端輸出的鏡像電流源結(jié)構(gòu)。這樣輸出的幅度是全差分雙端輸出的2倍。而且兩個(gè)單端輸出很好的提高了電路的共模抑制比CMRR。OTA的輸出級為共源共柵的結(jié)構(gòu)，這讓OTA的輸出

圖3為對輸入數(shù)據(jù)進(jìn)行長時(shí)間的仿真后數(shù)據(jù)的圖像特性，可以看出w的值有很好的收斂特性。

三、總結(jié)

PCA算法在噪聲比較大的情況下容易聚類失敗，而本文中的系統(tǒng)是作為已經(jīng)實(shí)現(xiàn)的低噪聲放大器和NEO信號去噪檢測之后的一級，所以選取PCA作為特征提取的方法是可行的。本文設(shè)計(jì)了一種基于神經(jīng)網(wǎng)絡(luò)算法的信號特征提取的硬件實(shí)現(xiàn)，采用了完全的模擬電路來實(shí)現(xiàn)。并根據(jù)算法的特點(diǎn)，合理的選擇和改進(jìn)積分器電路和乘法器電路的拓?fù)浣Y(jié)構(gòu)，來實(shí)現(xiàn)電路的功能。并實(shí)現(xiàn)了系統(tǒng)的低功耗，低面積的特點(diǎn)。有利于集成于植入式系統(tǒng)的實(shí)現(xiàn)。通過對輸入一組方波數(shù)據(jù)的仿真，通過短時(shí)間來驗(yàn)證瞬態(tài)輸出的準(zhǔn)確性，而長時(shí)間的仿真來驗(yàn)證該系統(tǒng)可有效的讓權(quán)值w收斂。

參考文獻(xiàn)

[1] Hongge Li， Zhao Wei， Zhang Youguang. Micropower fully integrated CMOS readout interface for neural recording application[J]. 2010， 50（2）： 273-281.

[2] Oja E. Principal Components， Minor Components， and Linear Neural Networks[J]. Neural Networks， 1992，5（6）：927-935.

神經(jīng)網(wǎng)絡(luò)提取特征范文第3篇

關(guān)鍵詞關(guān)鍵詞：深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)；古玩圖片；圖像識別

DOIDOI：10.11907/rjdk.162768

中圖分類號：TP317.4

文獻(xiàn)標(biāo)識碼：A文章編號文章編號：16727800（2017）005017405

0引言

隨著電子商務(wù)的發(fā)展，大批藝術(shù)品交易網(wǎng)站隨之興起，藏品交易規(guī)模也越來越大。而當(dāng)前的古玩網(wǎng)上交易平臺還不能夠?qū)崿F(xiàn)對現(xiàn)有藏品圖片的自動分類，客戶在尋找目標(biāo)藏品時(shí)不得不在眾多圖片中一一瀏覽。因此需要一種有效的方法來完成面向圖像內(nèi)容的分類。

在基于內(nèi)容的圖像檢索領(lǐng)域，常使用人工設(shè)計(jì)的特征-如根據(jù)花瓶、碗、盤子的不同形態(tài)特征：目標(biāo)輪廓的圓度、質(zhì)心、寬高比等[1]，繼而使用BP神經(jīng)網(wǎng)絡(luò)、SVM分類器等對特征進(jìn)行學(xué)習(xí)分類。文獻(xiàn)[2]基于植物葉片的形狀特征，如葉片形狀的狹長度、矩形度、球狀性、圓形度、偏心率、周長直徑比等，利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對植物葉片進(jìn)行分類。文獻(xiàn)[3]研究印品圖像的各類形狀缺陷，利用圖像缺陷形狀的輪廓長度、面積和圓形度等幾何特征，導(dǎo)入SVM分類器進(jìn)行訓(xùn)練，得到分類器模型實(shí)現(xiàn)分類。文獻(xiàn)[4]提出了一種基于Zernike矩的水果形狀分類方法，通過提取圖像中具有旋轉(zhuǎn)不變性的Zernike矩特征，并運(yùn)用PCA方法確定分類需要的特征數(shù)目，最后將這些特征輸入到SVM分類器中，完成水果形狀的分類。上述方法都要求對目標(biāo)形狀分割的準(zhǔn)確性，而分割過程中由于存在目標(biāo)陰影、目標(biāo)分割不完整問題，會影響到人工特征的準(zhǔn)確選取。除了上述人工特征外，最常用的特征是HOG[5，6]、SIFT[7，8]等。HOG的核心思想是所檢測的局部物體外形能夠被光強(qiáng)梯度或邊緣方向的分布所描述。HOG表示的是邊緣結(jié)構(gòu)特征，因此可以描述局部形狀信息。SIFT在圖像的空間尺度中尋找極值點(diǎn)，并提取出其位置、尺度、旋轉(zhuǎn)不變量。SIFT特征對于旋轉(zhuǎn)、尺度縮放、亮度變化保持不變。但是，這兩種特征在實(shí)際應(yīng)用中，描述子生成過程冗長、計(jì)算量太大。而且在上述方法征設(shè)計(jì)需要啟發(fā)式的方法和專業(yè)知識，很大程度上依靠個(gè)人經(jīng)驗(yàn)。

卷積神經(jīng)網(wǎng)絡(luò)不需要手動設(shè)計(jì)提取特征，可以直接將圖片作為輸入，隱式地學(xué)習(xí)多層次特征，進(jìn)而實(shí)現(xiàn)分類[9]。相比目前常用的人工設(shè)計(jì)特征然后利用各分類器，具有明顯的優(yōu)勢。近年來，卷積神經(jīng)網(wǎng)絡(luò)已成為語音、圖像識別領(lǐng)域研究熱點(diǎn)。它的權(quán)值共享特點(diǎn)使得網(wǎng)絡(luò)復(fù)雜度降低，權(quán)值數(shù)量減少。而且，卷積神經(jīng)網(wǎng)絡(luò)直接將圖片作為輸入，避免了復(fù)雜的特征設(shè)計(jì)和提取，具有一定的平移、縮放和扭曲不變性[10]。本文采用卷積神經(jīng)網(wǎng)絡(luò)對古玩圖片進(jìn)行分類。首先，將背景分離后的圖片作為網(wǎng)絡(luò)的輸入，相比原圖作為輸入，此方法的網(wǎng)絡(luò)結(jié)構(gòu)更加簡單。然后，卷積層通過不同的卷積核對輸入圖片進(jìn)行卷積得到不同特征圖，采樣層進(jìn)一步對特征圖進(jìn)行二次提取，最終提取到合適的特征輸入分類器進(jìn)行分類，而在卷積層、采樣層征圖的大小、數(shù)目都會影響到網(wǎng)絡(luò)的分類能力。因此，本文通過優(yōu)化網(wǎng)絡(luò)參數(shù)，使網(wǎng)絡(luò)達(dá)到較好的分類效果。

1卷積神經(jīng)網(wǎng)絡(luò)

1989年，LECUN等[11]提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks，CNN），CNN是一種帶有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，一般至少有2個(gè)非線性可訓(xùn)練的卷積層、2個(gè)非線性的固定采樣層和1個(gè)全連接層，一共至少5個(gè)隱含層[12]。百度于2012年底將深度學(xué)習(xí)技術(shù)成功應(yīng)用于自然圖像OCR識別和人臉識別，此后深度學(xué)習(xí)模型被成功應(yīng)用于一般圖片的識別和理解。從百度經(jīng)驗(yàn)來看，深度學(xué)習(xí)應(yīng)用于圖像識別不但大大提升了準(zhǔn)確性，而且避免了人工特征抽取的時(shí)間消耗，從而大大提高了在線計(jì)算效率[13]。

卷積神經(jīng)網(wǎng)絡(luò)作為一種高效的深度學(xué)習(xí)方法[14]，在許多圖像識別方面取得了很好的成效[1519]。該網(wǎng)絡(luò)作為一種多隱層神經(jīng)網(wǎng)絡(luò)，可以提取圖像的多層次特征進(jìn)行識別。

卷積神經(jīng)網(wǎng)絡(luò)主要包括卷積層和采樣層，卷積層通過可學(xué)習(xí)的卷積核對輸入圖片進(jìn)行卷積得到特征圖，卷積操作即加強(qiáng)了輸入圖片的某種特征，并且降低噪聲。卷積之后的結(jié)果通過激活函數(shù)（通常選擇Sigmoid函數(shù)或Tanh函數(shù)）作用輸出構(gòu)成該層的特征圖。特征圖上的每一個(gè)神經(jīng)元只與輸入圖片的一個(gè)局部區(qū)域連接，每個(gè)神經(jīng)元提取的是該局部區(qū)域的特征，所有神經(jīng)元綜合起來就得到了全局特征，與神經(jīng)元相連接的局部區(qū)域即為局部感受野[20]。而在卷積層中一般存在多張?zhí)卣鲌D，同一張?zhí)卣鲌D使用相同的卷積核，不同特征圖使用不同的卷積核[21]，此特點(diǎn)稱為權(quán)值共享，即同一張?zhí)卣鲌D上的所有神經(jīng)元通過相同的卷積核連接局部感受野。卷積神經(jīng)網(wǎng)絡(luò)的局部感受野和嘀倒蠶硤氐憒蟠蠹跎倭送絡(luò)訓(xùn)練的參數(shù)個(gè)數(shù)，降低了網(wǎng)絡(luò)模型的復(fù)雜度。

采樣層對卷積層提取到的特征圖進(jìn)行局部非重疊采樣，即把特征圖分為互不重疊的N×N個(gè)子區(qū)域，對每個(gè)子區(qū)域進(jìn)行采樣。卷積神經(jīng)網(wǎng)絡(luò)的采樣方式一般有兩種：最大值采樣和均值采樣。最大值采樣即選取區(qū)域內(nèi)所有神經(jīng)元的最大值作為采樣值，均值采樣為區(qū)域內(nèi)所有神經(jīng)元的平均值作為采樣值。最大值采樣偏向于提取目標(biāo)的特征信息，而均值采樣偏向于提取背景的特征信息[22]。采樣后的特征平面在保留了區(qū)分度高特征的同時(shí)大大減少了數(shù)據(jù)量，它對一定程度的平移、比例縮放和扭曲具有不變性。

卷積神經(jīng)網(wǎng)絡(luò)通過卷積層和采樣層的循環(huán)往復(fù)提取到圖像由低層次到高層次的特征，最后一般通過全連接層將所有特征圖展開得到一維向量，然后輸入到分類器進(jìn)行分類。

卷積神經(jīng)網(wǎng)絡(luò)在處理二維圖像時(shí)，卷積層中每個(gè)神經(jīng)元的輸入與上一層的局部感受野相連接，并提取該局部的特征，權(quán)值共享特點(diǎn)又使得各神經(jīng)元保持了原來的空間關(guān)系，將這些感受不同局部區(qū)域的神經(jīng)元綜合起來就得到了全局信息。采樣層對特征圖進(jìn)行局部特征提取，不會改變神經(jīng)元之間的空間關(guān)系，即二維圖像經(jīng)過卷積層、采樣層仍然保持二維形式。因此，卷積神經(jīng)網(wǎng)絡(luò)有利于提取形狀方面的特征。雖然卷積神經(jīng)網(wǎng)絡(luò)的局部感受野、權(quán)值共享和子采樣使網(wǎng)絡(luò)大大減少了需要訓(xùn)練參數(shù)的個(gè)數(shù)，但是該網(wǎng)絡(luò)作為多隱層神經(jīng)網(wǎng)絡(luò)還是十分復(fù)雜的。對于不同的數(shù)據(jù)庫，為了達(dá)到比較好的分類效果，網(wǎng)絡(luò)的層數(shù)、卷積層特征圖個(gè)數(shù)以及其它參數(shù)的設(shè)置都需要探究。

2基于卷積神經(jīng)網(wǎng)絡(luò)的古玩圖片分類

2.1特征提取及傳遞

不同古玩的主要區(qū)別在于形狀不同，而花瓶、盤子和碗在古玩中最常見，因此將這3類圖片作為實(shí)驗(yàn)對象，對于其它種類的古玩圖片的分類，該網(wǎng)絡(luò)同樣適用。卷積神經(jīng)網(wǎng)絡(luò)采用如下圖所示的5層網(wǎng)絡(luò)結(jié)構(gòu)，并對網(wǎng)絡(luò)各層的特征圖數(shù)目、大小均作了修改。對于網(wǎng)絡(luò)的輸入，先將原圖像進(jìn)行目標(biāo)與背景分割，然后進(jìn)行灰度化、統(tǒng)一分辨率的處理，最后輸入到卷積神經(jīng)網(wǎng)絡(luò)。由于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的根本目的是提取不同古玩的特征，而背景不是目標(biāo)的一部分，對古玩識別來說并不提供任何有用的信息，反而對特征的提取造成干擾，所以去除背景噪聲后，網(wǎng)絡(luò)結(jié)構(gòu)會更加簡單，同時(shí)也利于網(wǎng)絡(luò)對特征的學(xué)習(xí)。但是因?yàn)檫M(jìn)行了去背景的預(yù)處理，網(wǎng)絡(luò)也失去了對復(fù)雜背景下圖片的識別能力，所以使用該網(wǎng)絡(luò)進(jìn)行古玩圖片分類前都要進(jìn)行目標(biāo)分割的預(yù)處理過程。

卷積神經(jīng)網(wǎng)絡(luò)對古玩圖片的特征提取過程如下：

（1）輸入網(wǎng)絡(luò)的圖片為100×100大小的預(yù)處理圖，卷積神經(jīng)網(wǎng)絡(luò)的輸入層之后為卷積層，卷積層通過卷積核與輸入圖像進(jìn)行卷積得到特征平面，卷積核大小為5×5。如圖2所示，特征平面上每個(gè)神經(jīng)元與原圖像5×5大小的局部感受野連接。卷積核移動步長為1個(gè)像素，因此卷積層C1的特征平面大小為96×96。這種卷積操作在提取到輸入圖像的某一方面特征時(shí)，必然會損失掉圖像的其他特征，而采取多個(gè)卷積核卷積圖像得到多個(gè)特征平面則會一定程度上彌補(bǔ)這個(gè)缺陷。因此，在卷積層C1中使用了6個(gè)不同的卷積核與輸入圖像進(jìn)行卷積，得到6種不同的特征平面圖。如圖3所示，同一張?zhí)卣鲌D上的所有神經(jīng)元共享一個(gè)卷積核（權(quán)值共享），圖中連接到同一個(gè)特征圖的連接線表示同一個(gè)卷積核，6個(gè)不同的卷積核卷積輸入圖片得到6張不同的特征平面圖。卷積之后的結(jié)果并非直接儲存到C1層特征圖中，而是通過激活函數(shù)將神經(jīng)元非線性化，從而使網(wǎng)絡(luò)具有更強(qiáng)的特征表達(dá)能力。激活函數(shù)選擇Sigmoid函數(shù)。

卷積層中所使用的卷積核尺寸若過小，就無法提取有效表達(dá)的特征，過大則提取到的特征過于復(fù)雜。對于卷積層征圖個(gè)數(shù)的設(shè)置，在一定范圍內(nèi)，特征圖的個(gè)數(shù)越多，卷積層提取到越多有效表達(dá)原目標(biāo)信息的特征，但是特征圖個(gè)數(shù)如果過多，會使提取到的特征產(chǎn)生冗余，最終使分類效果變差。卷積層的各平面由式（1）決定： Xlj=f（∑i∈MjXl-1j*klij+blj）（1）

式（1）中，Mj表示選擇輸入的特征圖集合，l是當(dāng)前層數(shù)，f是激活函數(shù)，klij表示不同輸入特征圖對應(yīng)的卷積核，blj為輸出特征圖對應(yīng)的加性偏置。

（2）卷積層C1后的采樣層S1由6個(gè)特征平面組成，采樣層對上一層特征圖進(jìn)行局部平均和二次特征提取。采樣過程如圖4所示，特征平面上的每個(gè)神經(jīng)元與上一層4×4大小的互不重合的鄰域連接進(jìn)行均值采樣，最終每個(gè)平面的大小為24×24。采樣層的各平面由式（2）決定：

Xlj=f（βljdown（Xl-1j）+blj）（2）

式（2）中，down（.）表示一個(gè)下采樣函數(shù)，l是當(dāng)前層數(shù)，f是激活函數(shù)，βlj表示輸出特征圖對應(yīng)的乘性偏置，blj為輸出特征圖對應(yīng)的加性偏置。

（3）卷積層C2與C1層操作方式一樣，唯一區(qū)別的是C2層每個(gè)特征圖由6個(gè)不同的卷積核與上一層6個(gè)特征圖分別卷積求和得到，因此C2層一共有6×6個(gè)不同的卷積核，卷積核大小為5×5，C2層每個(gè)平面大小為20×20，共6個(gè)特征平面。

（4）采樣層S2與S1層操作一樣，對上一層4×4大小鄰域進(jìn)行均值采樣，輸出6個(gè)5×5大小的特征平面。本文所用的網(wǎng)絡(luò)共包括2個(gè)卷積層、2個(gè)采樣層、1個(gè)全連接層，由于輸入圖片已經(jīng)過背景分離的預(yù)處理，采樣層S2特征圖大小為5×5，所以圖1所示5層網(wǎng)絡(luò)已經(jīng)有很好的表達(dá)能力。如果直接將原圖作為輸入，那么網(wǎng)絡(luò)的層數(shù)以及特征圖的個(gè)數(shù)將比圖1所示的網(wǎng)絡(luò)更加復(fù)雜。

（5）全連接層將上一層6個(gè)5×5大小的二維平面展開成為1×150大小的一維向量輸入Softmax[23]分類器，輸出層一共有3個(gè)神經(jīng)元（即分類的種類數(shù)目），分類器將提取到的特征向量映射到輸出層的3個(gè)神經(jīng)元上，即實(shí)現(xiàn)分類。

2.2網(wǎng)絡(luò)訓(xùn)練

訓(xùn)練方式為有監(jiān)督地訓(xùn)練，網(wǎng)絡(luò)對盤子、花瓶和碗共三類圖片進(jìn)行分類，所以分類器輸出一個(gè)3維向量，稱為分類標(biāo)簽。在分類標(biāo)簽的第k維中1表示分類結(jié)果，否則為0。訓(xùn)練過程主要分為兩個(gè)階段：

第一階段：向前傳播A段。

將預(yù)處理過的圖片輸入卷積神經(jīng)網(wǎng)絡(luò)計(jì)算得到分類標(biāo)簽。

第二階段：向后傳播階段。

計(jì)算輸出的分類標(biāo)簽和實(shí)際分類標(biāo)簽之間的誤差。根據(jù)誤差最小化的原則調(diào)整網(wǎng)絡(luò)中的各個(gè)權(quán)值。分類個(gè)數(shù)為3，共有N個(gè)訓(xùn)練樣本。那么第n個(gè)樣本的誤差為：

En=12∑3k=1（tnk-ynk）2（3）

式（3）中，tn表示第n個(gè)樣本的網(wǎng)絡(luò)輸出標(biāo)簽，tnk對應(yīng)標(biāo)簽的第k維，yn表示第n個(gè)樣本的實(shí)際分類標(biāo)簽，ynk對應(yīng)標(biāo)簽的第k維。為了使誤差變小，利用權(quán)值更新公式（4）更新各層神經(jīng)元的權(quán)值，一直訓(xùn)練直到網(wǎng)絡(luò)誤差曲線收斂。

W（t+1）=W（t）+η?δ（t）?X（t）（4）

式（4）中，W（t）表示算第n個(gè)樣本時(shí)的權(quán)值，W（t+1）表示計(jì)算第n+1個(gè)樣本的權(quán)值，η為學(xué)習(xí)速率，選取經(jīng)驗(yàn)值，δ為神經(jīng)元的誤差項(xiàng)，X表示神經(jīng)元的輸入。

3實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)在MatlabR2012a平臺上完成，CPU 2.30GHz，內(nèi)存4GB，所采用的圖像由相關(guān)古玩網(wǎng)站提供，分辨率統(tǒng)一格式化為100×100。由于盤子、花瓶和碗在各種古玩種類中它們之間的形狀差別比較明顯，本文實(shí)驗(yàn)對這三類古玩圖片進(jìn)行分類。對古玩圖片進(jìn)行了水平翻轉(zhuǎn)處理，增加圖片數(shù)據(jù)量，以加強(qiáng)網(wǎng)絡(luò)對古玩圖片分類的魯棒性。實(shí)驗(yàn)數(shù)據(jù)如表1所示，圖5列出了3類圖片的部分樣本，實(shí)驗(yàn)所用圖片均與圖5所示圖片類似，背景比較單一，少數(shù)圖片下方有類似陰影。

為了形象表示網(wǎng)絡(luò)各層提取的不同特征，圖6展示了當(dāng)網(wǎng)絡(luò)輸入為盤子時(shí)的各層特征圖。卷積層C1中6張?zhí)卣鲌D分別提取到了輸入圖片的不同特征，而由于權(quán)值共享，同一張?zhí)卣鲌D中神經(jīng)元的空間關(guān)系保持不變，所以6張?zhí)卣鲌D都抓住了盤子的圓形特征。采樣層S1對C1進(jìn)行均值采樣，相當(dāng)于模糊濾波，所以S1層各特征圖看起來模糊了一些。卷積層C2中每張?zhí)卣鲌D由6個(gè)不同的卷積核卷積S1層各特征圖疊加而成，S2層與S1層處理方式相同。

為了說明將背景分離后的圖片作為輸入的網(wǎng)絡(luò)與原圖輸入的網(wǎng)絡(luò)之間的差異，設(shè)計(jì)了如表3所示的兩種網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)CNN4只需要4層網(wǎng)絡(luò)層就可以達(dá)到0.19%的錯(cuò)誤率，而原圖作為輸入的CNN8共6層網(wǎng)絡(luò)層，在網(wǎng)絡(luò)達(dá)到收斂的情況下，錯(cuò)誤率為5.24%。由此可以說明，將背景分離后圖片作為輸入的網(wǎng)絡(luò)結(jié)構(gòu)更加簡單。

網(wǎng)絡(luò)的訓(xùn)練采用了批量訓(xùn)練方式，即將樣本分多批，當(dāng)一批樣本前向傳播完之后才進(jìn)行權(quán)值更新，每批大小為100，訓(xùn)練集共2 200張圖片，網(wǎng)絡(luò)迭代次數(shù)為1時(shí)共進(jìn)行22次權(quán)值更新，所以權(quán)值更新的計(jì)算次數(shù)與迭代次數(shù)有如下關(guān)系：

計(jì)算次數(shù)=22×迭代次數(shù)（5）

圖7為網(wǎng)絡(luò)在訓(xùn)練集上的誤差曲線圖，橫坐標(biāo)為誤差反向傳播的計(jì)算次數(shù)，縱坐標(biāo)為訓(xùn)練集上的均方誤差?？梢钥闯?，當(dāng)網(wǎng)絡(luò)訓(xùn)練次數(shù)達(dá)到270次（計(jì)算次數(shù)約6 000）時(shí)，訓(xùn)練集誤差趨于平緩，網(wǎng)絡(luò)已經(jīng)基本擬合。訓(xùn)練好的網(wǎng)絡(luò)可以用來對測試集圖片進(jìn)行分類，表4為不同迭代次數(shù)下訓(xùn)練的網(wǎng)絡(luò)在測試集上的分類錯(cuò)誤率，可以看出迭代次數(shù)在達(dá)到270次后，網(wǎng)絡(luò)在測試集的錯(cuò)誤率收斂，此時(shí)只有2張圖片出現(xiàn)分類錯(cuò)誤。

表5給出了圖像分類算法中常用的人工特征+BP神經(jīng)網(wǎng)絡(luò)、人工特征+SVM分類器以及Hog特征+SVM分類器與CNN方法的性能比較。人工設(shè)計(jì)的特征包括圖片中目標(biāo)輪廓的最大長寬比、質(zhì)心、圓度等特征。從準(zhǔn)確率方面來看，CNN方法的準(zhǔn)確率高于其他方法，Hog特征方法的準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于人工特征的方法，說明了特征的好壞對圖像分類效果有著很大程度上的影響，CNN提取到的特征比Hog和人工設(shè)計(jì)的特征更具代表性。從測試時(shí)間來看，Hog方法與CNN方法相差不多，采用人工特征的方法時(shí)間最長。綜合兩個(gè)方面，CNN方法在測試時(shí)間和HOG方法相近的情況下，準(zhǔn)確率最高。

4結(jié)語

針對網(wǎng)上古玩圖片分類問題，為了克服現(xiàn)有算法中人工設(shè)計(jì)特征困難以及往往依賴個(gè)人專業(yè)經(jīng)驗(yàn)的不足，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的方法。將背景分離后的目標(biāo)圖片作為網(wǎng)絡(luò)輸入，可以實(shí)現(xiàn)自動提取特征進(jìn)行分類，背景分離后圖片作為網(wǎng)絡(luò)輸入使得網(wǎng)絡(luò)結(jié)構(gòu)更加簡單，并且設(shè)置了合適的特征圖個(gè)數(shù)以使網(wǎng)絡(luò)在古玩圖片集上取得較好的分類準(zhǔn)確率。實(shí)驗(yàn)數(shù)據(jù)表明，該方法能夠解決網(wǎng)上古玩圖片的分類問題，并且分類準(zhǔn)確率達(dá)到99%，其準(zhǔn)確率優(yōu)于常用的Hog特征以及人工特征方法。另外該方法不僅可以應(yīng)用于網(wǎng)上古玩圖片，還可應(yīng)用于鞋類、服裝等其它商品圖像的分類。

參考文獻(xiàn)參考文獻(xiàn)：

[1]K KAVITHA，M.V.SUDHAMANI.Object based image retrieval from database using combined features[C].in Signal and Image Processing （ICSIP），2014.

[2]董紅霞，郭斯羽，一種結(jié)合形狀與紋理特征的植物葉片分類方法[J].計(jì)算機(jī)工程與應(yīng)用，2014，50（23）：185188.

[3]舒文娉，劉全香，基于支持向量機(jī)的印品缺陷分類方法[J].包裝工程，2014，35（23）：138142.

[4]應(yīng)義斌，桂江生，饒秀勤，基于Zernike矩的水果形狀分類[J].江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，28（1）：3639.

[5]ZHU Q，YEH M C，CHENG K T，et al.Fast human detection using acascade of histograms of oriented gradients[C].Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2006.

[6]M VILLAMIZAR，J SCANDALIANS，A SANFELIU bining colorbased invariant gradient detector with Hog descriptors for robust image detection in scenes under cast shadows[C].In Robotics and Automation，ICRA IEEE International Conference on.Barcelona，Spain：IEEE，2009.

[7]CHEN J，LI Q，PENG Q，et al.CSIFT based localityconstrained linear coding for image classification[J].Formal Pattern Analysis & Applications，2015，18（2）：441450.

[8]AHMAD YOUSEF K M，ALTABANJAH M，HUDAIB E，et al.SIFT based automatic number plate recognition[C].International Conference on Information and Communication Systems.IEEE，2015.

[9]LAWRENCE S，GLIES C L，TSOI A C，et al.Face recognition：a convolutional neuralnetwork approach[J].IEEE Transactions on Neural Networks，1997，8（1）：98113.

[10]TREVOR HASTIE，ROBERT TIBSHIRANI，J FRIEDMAN.The elements of statistical learning[M].New York：Springer，2001.

[11]Y LECUN，L BOUOU，Y BENGIO.Gradientbased learning applied to document recognition[J].Proceedings of the IEEE，1998，86（11）：22782324.

[12]DAHL J V，KOCH K C，KLEINHANS E，et al.Convolutional networks and applications in vision[C].International Symposium on Circuits and Systems （ISCAS 2010），2010：253256.

[13]余凱，賈磊，陳雨強(qiáng)，等.深度學(xué)習(xí)的昨天、今天和明天[J].計(jì)算機(jī)研究與發(fā)展，2013（09）：17991804.

[14]MAIRAL J，KONIUSZ P，HARCHAOUI Z，et al.Convolutional kernel networks[DB/OL].http：///pdf/1406.3332v2.pdf.

[15]Z世杰，楊東坡與劉金環(huán)，基于卷積神經(jīng)網(wǎng)絡(luò)的商品圖像精細(xì)分類[J].山東科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2014（6）：9196.

[16]程文博等，基于卷積神經(jīng)網(wǎng)絡(luò)的注塑制品短射缺陷識別[J].塑料工業(yè)，2015（7）：3134，38.

[17]鄧柳，汪子杰，基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識別研究[J].計(jì)算機(jī)應(yīng)用研究，2016（4）：14.

[18]T JONATAN，S MURPHY，Y LECUN，et al.Realtime continuous pose recovery of human hands using convolutional networks[J].ACM Transaction on Graphics，2014，33（5）：3842.

[19]S SKITTANON，A C SURENARAN，J C PLATT，et al.Convolutional networks for speech detection[C].Interspeech.Lisbon，Portugal：ISCA，2004.

[20]HUBEL D H，WIESEL T N.Integrative action in the cat's lateral geniculate body[J].Journal of Physiology，1961，155（2）：385398.

[21]JAKE BOUVRIE.Notes on convolutional neural networks[DB/OL].http：///5869/1/cnn_tutorial.pdf.

神經(jīng)網(wǎng)絡(luò)提取特征范文第4篇

關(guān)鍵詞 滾動軸承 狀態(tài)監(jiān)測 MATLAB BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TH133 文獻(xiàn)標(biāo)識碼：A

1 監(jiān)測軸承的意義和重要性

滾動軸承是各種旋轉(zhuǎn)機(jī)械中應(yīng)用最廣泛的一種通用機(jī)械部件，它們在旋轉(zhuǎn)機(jī)械中起著關(guān)鍵的作用，旋轉(zhuǎn)機(jī)械的故障30%是由滾動軸承故障引起的，其運(yùn)行狀態(tài)的正常與否直接影響到整臺機(jī)器的性能（包括精度、可靠性及壽命等）。因此，及時(shí)發(fā)現(xiàn)滾動軸承的故障并消除，能有效保證機(jī)器正常運(yùn)轉(zhuǎn)，提高使用壽命。

2 常見軸承故障

滾動軸承在工作過程中，常見的軸承故障可總結(jié)為損傷和磨損兩大類。損傷類故障有疲勞剝落、塑性變形、軸承燒傷、銹蝕 、斷裂、膠合六種；磨損類故障為軸承長期正常工作引起的漸變性故障。

（1）疲勞剝落

在工作中，軸承滾子和滾道接觸面相對滾動的同時(shí)又互相擠壓，軸承部件接觸面將產(chǎn)生小的剝落坑，最終發(fā)展為大面積剝落，該現(xiàn)象稱作疲勞剝落。

（2）塑性變形

當(dāng)工作載荷過重時(shí)，由于滾 動 軸 承 承受 的 過 大 的 沖 擊 力 和 靜 載 荷 的 原 因 ，軸承滾道的表面上形成的不均勻凹坑，這種現(xiàn)象主要發(fā)生在低速旋轉(zhuǎn)的軸承上。

（3）斷裂

過大的負(fù)荷和工作過程中摩擦產(chǎn)生的熱應(yīng)力過大時(shí)能引起軸承零件斷裂。

（4）軸承燒傷

軸承不良、應(yīng)用變質(zhì)的油、裝配過緊或存在較大偏斜量能引起軸承的燒傷。

（5）膠合

軸承在高速高負(fù)荷和欠缺的情況下，摩擦產(chǎn)生的熱量能使軸承部件迅速升溫，到達(dá)一定溫度時(shí)能引起軸承部件接觸的金屬表面相互粘接，該現(xiàn)象稱作膠合。

3 常用的滾動軸承監(jiān)測數(shù)據(jù)分析手段

利用振動信號對故障進(jìn)行診斷，是設(shè)備故障診斷方法中有效且常用的方法。機(jī)械設(shè)備和機(jī)構(gòu)系統(tǒng)在運(yùn)行過程中的振動及其特征信息是反映系統(tǒng)狀態(tài)及其變化規(guī)律的主要信號。通過各種動態(tài)測試儀器提取、記錄和分析動態(tài)信息，是進(jìn)行系統(tǒng)狀態(tài)監(jiān)測和故障的主要選徑。常用的信號處理方法主要有時(shí)域分析、頻域分析和小波分析等。

4 信號采集和特征值提取

通過加速度傳感器可提取到振動信號。滾動軸承的振動信號的特征包括時(shí)域和頻域特征，這些特征的合理組合能夠很好的反應(yīng)滾動軸承的運(yùn)行狀態(tài)，實(shí)現(xiàn)對其的監(jiān)測，并能通過進(jìn)一步處理實(shí)現(xiàn)故障的識別。時(shí)域特征可包含信號的能量、波動性等信息，但遠(yuǎn)遠(yuǎn)不足以準(zhǔn)確判斷故障所在；頻域的特征則是更加明顯。然而只有兩累特征綜合來判斷才能對故障進(jìn)行準(zhǔn)確識別。

對時(shí)域和頻域的各個(gè)參數(shù)分別進(jìn)行分析，從中抽取特征，可用作模式識別的輸入量。特征選取依據(jù)以下原則：（1）同種狀態(tài)信號的特征重復(fù)性好；（2）不同種狀態(tài)信號的特征差異性好，即當(dāng)被監(jiān)測對象狀態(tài)發(fā)生改變時(shí)，特征值會明顯改變。

5 神經(jīng)網(wǎng)絡(luò)的模式識別

5.1 人工神經(jīng)網(wǎng)絡(luò)的基本原理

（1）人工神經(jīng)元模型

最早提出神經(jīng)元模型并且影響較人的是1943年心理學(xué)家在分析總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出的MP模型。人工神經(jīng)元模型是由大量處理單元廣泛互連而成的網(wǎng)絡(luò)，是人腦的抽象、簡化、模擬，反映人腦的基本特性。

（2）人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

神經(jīng)網(wǎng)絡(luò)常分成兩大類：沒有反饋的前向神經(jīng)網(wǎng)絡(luò)和相互結(jié)合型網(wǎng)絡(luò)，如圖4.1所示。

前向神經(jīng)網(wǎng)絡(luò)由輸入層、一層或多層的隱含層和輸出層組成，每一層的神經(jīng)元只接受前一層神經(jīng)元的輸出。相互連接是指網(wǎng)絡(luò)中任意兩個(gè)單元之間都是可達(dá)的，即存在連接路徑。

5.2 BP神經(jīng)網(wǎng)絡(luò)

（1）BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)，即多層前饋式誤差反傳神經(jīng)網(wǎng)絡(luò)，通常由輸入層、輸出層和若干隱含層構(gòu)成：每一層都由若干個(gè)節(jié)點(diǎn)組成，每一個(gè)節(jié)點(diǎn)表示一個(gè)神經(jīng)元，上層節(jié)點(diǎn)與下層節(jié)點(diǎn)之間通過權(quán)值連接，層與層之間的節(jié)點(diǎn)采用全互聯(lián)的連接方式。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如下所示：

（2）網(wǎng)絡(luò)參數(shù)的確定

①網(wǎng)絡(luò)層數(shù)的確定

BP網(wǎng)絡(luò)是通過輸入層到輸出層的計(jì)算來完成的。多一層的隱含層雖然能提高網(wǎng)絡(luò)的訓(xùn)練速度，但是需要較多的訓(xùn)練時(shí)間，而訓(xùn)練速度可以用增加隱含層節(jié)點(diǎn)個(gè)數(shù)來實(shí)現(xiàn)，因此在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)時(shí)，選取只有一個(gè)隱含層的三層BP神經(jīng)網(wǎng)絡(luò)就足夠了。

②輸入、輸出層神經(jīng)元個(gè)數(shù)的確定

輸入層的神經(jīng)元個(gè)數(shù)就是提取到的有效特征值的個(gè)數(shù)；輸出層神經(jīng)元的個(gè)數(shù)要看問題模式的種類數(shù)，監(jiān)測軸承的好壞有正常與故障兩種模式，故輸出層神經(jīng)元的個(gè)數(shù)為1。當(dāng)輸出為1時(shí)表示該軸承為正常軸承，輸出為0時(shí)表示該軸承為故障軸承。

③隱層神經(jīng)元個(gè)數(shù)的確定

隱層神經(jīng)元個(gè)數(shù)的確定比較復(fù)雜。在具體設(shè)計(jì)時(shí)，首先根據(jù)經(jīng)驗(yàn)公式初步確定隱含層神經(jīng)元個(gè)數(shù)，然后通過對網(wǎng)絡(luò)進(jìn)行訓(xùn)練對比，再最終確定神經(jīng)元數(shù)。通用的隱含層神經(jīng)元數(shù)的確定經(jīng)驗(yàn)公式有：

其中為隱含層神經(jīng)元的個(gè)數(shù)，n為輸入層神經(jīng)元的個(gè)數(shù)，m為輸出層神經(jīng)元的個(gè)數(shù)，a為常數(shù)且1 < a < 10。

6 結(jié)束語

通過對軸承特征值的提取，提取到了重復(fù)性好、差異性好的有效特征值。利用神經(jīng)網(wǎng)絡(luò)模式對軸承的工作狀態(tài)進(jìn)行有效的識別，將歸一化處理后的有效特征值作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)輸入，用實(shí)驗(yàn)所測得的數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而達(dá)到軸承狀態(tài)識別的目標(biāo)。

參考文獻(xiàn)

[1] 雷建中，張?jiān)鲠?國內(nèi)外軸承廢品及失效分析.NSTL期刊，2010.7.

[2] 武棟梁.滾動軸承常見故障及其振動信號特征.中國航空導(dǎo)彈研究院，2012.6

[3] 蘇寶定.滾動軸承振動檢測與智能診斷系統(tǒng)研究.大連理工大學(xué)，2008.12

[4] 常文龍，胡朋.滾動軸承運(yùn)行狀態(tài)智能化監(jiān)測.科教導(dǎo)刊，2013.3

神經(jīng)網(wǎng)絡(luò)提取特征范文第5篇

【關(guān)鍵詞】　RBF 混沌 模糊 指紋識別 模式識別

指紋識別技術(shù)，可稱為人體密碼，是模式識別領(lǐng)域中使用最早的，也是最為成熟的生物鑒定技術(shù)，它是集傳感器技術(shù)、生物技術(shù)、電子技術(shù)、數(shù)字圖像處理、模式識別于一體的高新技術(shù)[1]微軟公司在新一代操作系統(tǒng)Windows Vista中，把指紋識別作為身份驗(yàn)證方式之一。指紋識別技術(shù)的核心是指紋識別算法，可以把識別算法大致分為3個(gè)步驟：圖像預(yù)處理、指紋特征提取和指紋特征比對[2](包括驗(yàn)證和辨識[3])。目前不少研究將神經(jīng)網(wǎng)絡(luò)用于指紋識別，提高了指紋識別性能。文獻(xiàn)[4]提出了一種基于LVQ神經(jīng)網(wǎng)絡(luò)指紋識別方法，由于LVQ神經(jīng)網(wǎng)絡(luò)自身的自組織和聚類特性，可以很好地給出模式在多維空間的概率分布估計(jì)，從而可較好地完成指紋的識別。文獻(xiàn)[5]介紹了一種基于DHNN(離散型Hopfield　神經(jīng)網(wǎng)絡(luò))的識別技術(shù)，運(yùn)用DHNN的聯(lián)想記憶功能來識別指紋特征。不少研究將神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合[6,8]，提高了神經(jīng)網(wǎng)絡(luò)在指紋識別領(lǐng)域的研究水平。本文提出一種基于混沌模糊RBF神經(jīng)網(wǎng)絡(luò)的算法，并應(yīng)用到指紋識別中。將混沌理論引入神經(jīng)網(wǎng)絡(luò)的構(gòu)造，利用混沌對初值的極端敏感依賴性，從而可能對僅有微小差別的模式進(jìn)行識別，由于引入了混沌噪聲，可使網(wǎng)絡(luò)具有很強(qiáng)的抗干擾能力，有效避免了復(fù)雜的特征提取工作。將模糊理論應(yīng)用于RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)泛化能力，能較好地逼近實(shí)際模型。應(yīng)用混沌模糊RBF網(wǎng)絡(luò)進(jìn)行指紋識別，結(jié)合了模糊函數(shù)、混沌和神經(jīng)網(wǎng)絡(luò)的各自優(yōu)點(diǎn)，得到了較滿意的識別效果。仿真實(shí)驗(yàn)表明，該算法精度高、迭代步驟少、收斂快，混沌模糊RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用于指紋識別是有效的，能提高識別率。該算法不僅可以保證對指紋樣本的正確分析，同時(shí)可以保證識別速度。將算法應(yīng)用于電力企業(yè)集成管理，保證了安全生產(chǎn)和優(yōu)化管理的目標(biāo)，獲得了良好的應(yīng)用價(jià)值。

1　RBF神經(jīng)網(wǎng)絡(luò)

徑向基網(wǎng)絡(luò)是前饋網(wǎng)絡(luò)中完成映射功能最優(yōu)的網(wǎng)絡(luò)，具有很好的模式分類和函數(shù)逼近能力。典型結(jié)構(gòu)為兩層網(wǎng)絡(luò)。