人工智能BP神經(jīng)網(wǎng)絡(luò)

1、人工智能實(shí)驗(yàn)報(bào)告 學(xué)院： 信息工程學(xué)院 班級(jí)： 計(jì)研-14 學(xué)號(hào)： 姓名： 2014年12月實(shí)驗(yàn)四 計(jì)算智能1實(shí)驗(yàn)?zāi)康睦斫夥聪騻鞑ゾW(wǎng)絡(luò)的結(jié)構(gòu)和原理，掌握反向傳播算法對(duì)神經(jīng)元的訓(xùn)練過(guò)程，了解反向傳播公式。通過(guò)構(gòu)建BP網(wǎng)絡(luò)實(shí)例，熟悉前饋網(wǎng)絡(luò)的原理及結(jié)構(gòu)。2實(shí)驗(yàn)內(nèi)容編寫一個(gè)BP神經(jīng)網(wǎng)絡(luò)程序，實(shí)現(xiàn)簡(jiǎn)單的分類。 3實(shí)驗(yàn)報(bào)告要求（1）簡(jiǎn)述實(shí)驗(yàn)原理及方法，并請(qǐng)給出程序設(shè)計(jì)流程圖。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性的有向圖，圖中含有可以通過(guò)改變權(quán)大小來(lái)存放模式的加權(quán)邊，并且可以從不完整的或未知的輸入找到模式。人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)自誕生以來(lái)，由于它固有的自學(xué)習(xí)、自適應(yīng)、自組織和大規(guī)模并行處理能力，以及分布存儲(chǔ)、并行處理意見自

2、學(xué)能力等優(yōu)點(diǎn)，已經(jīng)在模式識(shí)別、智能控制、系統(tǒng)辨識(shí)及優(yōu)化等領(lǐng)域得到廣泛應(yīng)用。尤其是基于誤差反向傳播(backpropagation)算法的BP網(wǎng)絡(luò)，廣泛應(yīng)用于非線性建模、函數(shù)逼近、模式分類等方面?？梢哉f(shuō)，BP網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中前向網(wǎng)絡(luò)的核心內(nèi)容，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)精華的部分。BP算法過(guò)程從輸出節(jié)點(diǎn)開始，反向地向第一隱含層(即最接近輸入層的隱含層)傳播由總誤差引起的權(quán)值修正。 BP網(wǎng)絡(luò)不僅含有輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)，而且含有一層或多層隱節(jié)點(diǎn)。輸入信號(hào)先向前傳遞到隱節(jié)點(diǎn)，經(jīng)過(guò)作用后，再把隱節(jié)點(diǎn)的輸出信息傳遞到輸出節(jié)點(diǎn)，最后 得出輸出結(jié)果。 本實(shí)驗(yàn)就是利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行車輛牌照識(shí)別，采用Matlab編

3、程實(shí)現(xiàn)。車輛牌照識(shí)別系統(tǒng)組成：（1）圖像預(yù)處理：對(duì)汽車圖像進(jìn)行圖像轉(zhuǎn)換、圖像增強(qiáng)和邊緣檢測(cè)等。（2）車牌定位：從預(yù)處理后的汽車圖像中分割出車牌圖像。即在一幅車輛圖像中找到車牌所在的位置。（3）字符分割：對(duì)車牌圖像進(jìn)行幾何校正、去噪、二值化以及字符分割以從車牌圖像中分離出組成車牌號(hào)碼的單個(gè)字符圖像（4）字符識(shí)別：對(duì)分割出來(lái)的字符進(jìn)行預(yù)處理（二值化、歸一化），然后分析提取，對(duì)分割出的字符圖像進(jìn)行識(shí)別給出文本形式的車牌號(hào)碼。系統(tǒng)原理圖如下：車牌定位字符分割字符識(shí)別輸出結(jié)果圖像輸入預(yù)處理輸入的彩色圖像包含大量顏色信息，會(huì)占用較多存儲(chǔ)空間，且處理時(shí)降低系統(tǒng)的執(zhí)行速度，因此對(duì)圖像進(jìn)行識(shí)別時(shí)，將彩色圖像轉(zhuǎn)換

4、為灰度圖像，以加快處理速度。對(duì)圖像進(jìn)行灰度化處理、邊緣提取、再利用形態(tài)學(xué)方法對(duì)車牌進(jìn)行定位。具體步驟如下：首先對(duì)圖像進(jìn)行灰度轉(zhuǎn)換，二值化處理然后采用4X1的結(jié)構(gòu)元素對(duì)圖像進(jìn)行腐蝕，去除圖像的噪聲。采用25X25的結(jié)構(gòu)元素，對(duì)圖像進(jìn)行閉合應(yīng)算使車牌所在的區(qū)域形成連通。在進(jìn)行形態(tài)學(xué)濾波去除其它區(qū)域。I=imread(DSC01344.jpg);%讀取圖像figure(); subplot(3,2,1),imshow(I), title(原始圖像);I1=rgb2gray(I);%轉(zhuǎn)化為灰度圖像subplot(3,2,2),imshow(I1),title(灰度圖像);I2=edge(I1,robe

5、rt,0.09,both);%采用robert算子進(jìn)行邊緣檢測(cè)subplot(3,2,3),imshow(I2),title(邊緣檢測(cè)后圖像);se=1;1;1; %線型結(jié)構(gòu)元素 I3=imerode(I2,se); %腐蝕圖像subplot(3,2,4),imshow(I3),title(腐蝕后邊緣圖像);I5=bwareaopen(I4,2000);%去除聚團(tuán)灰度值小于2000的部分subplot(3,2,6),imshow(I5),title(形態(tài)濾波后圖像);y,x,z=size(I5);I6=double(I5); Y1=zeros(y,1); for i=1:y for j=1:x

6、 if(I6(i,j,1)=1) Y1(i,1)= Y1(i,1)+1; end end end temp MaxY=max(Y1); figure(); subplot(3,2,1),plot(0:y-1,Y1),title(行方向像素點(diǎn)灰度值累計(jì)和),xlabel(行值),ylabel(像素); %求車牌的行起始位置和終止位置% PY1=MaxY; while (Y1(PY1,1)=50)&(PY11) PY1=PY1-1; end PY2=MaxY; while (Y1(PY2,1)=50)&(PY2y) PY2=PY2+1; end IY=I(PY1:PY2,:,:); X1=zero

7、s(1,x); for j=1:x for i=PY1:PY2 if(I6(i,j,1)=1) X1(1,j)= X1(1,j)+1; end subplot(3,2,2),plot(0:x-1,X1),title(列方向像素點(diǎn)灰度值累計(jì)和),xlabel(列值),ylabel(像數(shù));確定車牌位置后下一步的任務(wù)就是進(jìn)行字符分割分離出車牌號(hào)碼的全部字符圖像。if isrgb(I) I1 = rgb2gray(I); %將RGB圖像轉(zhuǎn)化為灰度圖像else I1=I； endg_max=double(max(max(I1);g_min=double(min(min(I1);T=round(g_ma

8、x-(g_max-g_min)/3); % T 為二值化的閾值m,n=size(I1);% d:二值圖像%h=graythresh(I1);I1=im2bw(I1,T/256);subplot(3,2,4);imshow(I1),title(二值化車牌圖像);I2=bwareaopen(I1,20);subplot(3,2,5);imshow(I2),title(中值濾波后的二值化圖像);y1,x1,z1=size(I2);I3=double(I2);TT=1;%去除圖像頂端和底端的不感興趣區(qū)域%Y1=zeros(y1,1); for i=1:y1 for j=1:x1 if(I3(i,j,1

9、)=1) Y1(i,1)= Y1(i,1)+1 ; end end endPy1=1;Py0=1;while (Y1(Py0,1)20)&(Py0=20)&(Py1y1) Py1=Py1+1; endI2=I2(Py0:Py1,:,:);subplot(3,2,6);imshow(I2),title(目標(biāo)車牌區(qū)域);% 分割字符按行積累量%X1=zeros(1,x1);for j=1:x1 for i=1:y1 if(I3(i,j,1)=1) X1(1,j)= X1(1,j)+1; end end endfigure(5);plot(0:x1-1,X1),title(列方向像素點(diǎn)灰度值累計(jì)和)

10、,xlabel(列值),ylabel(累計(jì)像素量);Px0=1;Px1=1;%分割字符%for i=1:7 while (X1(1,Px0)3)&(Px0=3)&(Px1x1)|(Px1-Px0)10) Px1=Px1+1; end Z=I2(:,Px0:Px1,:); switch strcat(Z,num2str(i) case Z1 PIN0=Z; case Z2 PIN1=Z; case Z3 PIN2=Z; case Z4 PIN3=Z; case Z5 PIN4=Z; case Z6 PIN5=Z; otherwise PIN6=Z; end figure(3); subplot(

11、1,7,i); imshow(Z); Px0=Px1;End車牌字符識(shí)別：在本程序中用基于人工神經(jīng)元網(wǎng)絡(luò)識(shí)別車牌字符?？偟淖址麡颖静⒉惶?。構(gòu)造訓(xùn)練樣本如下圖所示的數(shù)字和字母： 將樣本進(jìn)行歸一化為50X20大小，再將圖像按列轉(zhuǎn)換成一個(gè)1000X1的行向量，將上述18個(gè)圖像的樣本排列在一起構(gòu)成1000X18的矩陣樣本，盡可能多的采集汽車圖像提取車牌，部分切分出車牌字符，構(gòu)造出更多1000X18的矩形樣本，用構(gòu)造好的樣本庫(kù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。function inpt = pretreatment(I)%YUCHULI Summary of this function goes here% Det

12、ailed explanation goes hereif isrgb(I) I1 = rgb2gray(I);else I1=I;endI1=imresize(I1,50 20);%將圖片統(tǒng)一劃為50*20大小I1=im2bw(I1,0.9);m,n=size(I1);inpt=zeros(1,m*n);%將圖像按列轉(zhuǎn)換成一個(gè)行向量for j=1:n for i=1:m inpt(1,m*(j-1)+i)=I1(i,j); endend構(gòu)造輸入樣本，按同樣的方法，將前面分割出的樣本歸一化：神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別：%歸一化訓(xùn)練樣本I0=pretreatment(imread(0.jpg);I1=pr

13、etreatment(imread(1.jpg);I2=pretreatment(imread(2.jpg);I3=pretreatment(imread(3.jpg);I4=pretreatment(imread(4.jpg);I5=pretreatment(imread(5.jpg);I6=pretreatment(imread(6.jpg);I7=pretreatment(imread(7.jpg);I8=pretreatment(imread(8.jpg);I9=pretreatment(imread(9.jpg);I10=pretreatment(imread(A.jpg);I11=

14、pretreatment(imread(C.jpg);I12=pretreatment(imread(G.jpg);I13=pretreatment(imread(L.jpg);I14=pretreatment(imread(M.jpg);I15=pretreatment(imread(R.jpg);I16=pretreatment(imread(H.jpg);I17=pretreatment(imread(N.jpg);P=I0,I1,I2,I3,I4,I5,I6,I7,I8,I9,I10,I11,I12,I13,I14,I15,I16,I17;%輸出樣本%T=eye(18,18);%bp神

15、經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置net=newff(minmax(P),1000,32,18,logsig,logsig,logsig,trainrp);net.inputWeights1,1.initFcn =randnr;net.layerWeights2,1.initFcn =randnr;net.trainparam.epochs=5000;net.trainparam.show=50;%net.trainparam.lr=0.003;net.trainparam.goal=0.0000000001;net=init(net);%訓(xùn)練樣本%net,tr=train(net,P,T);%測(cè)試%I=imre

16、ad(DSC01323.jpg);I=imread(DSC01344.jpg);dw=location(I);%車牌定位PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6=StringSplit(dw);%字符分割及處理%測(cè)試字符，得到識(shí)別數(shù)值PIN0=pretreatment(PIN0);PIN1=pretreatment(PIN1);PIN2=pretreatment(PIN2);PIN3=pretreatment(PIN3);PIN4=pretreatment(PIN4);PIN5=pretreatment(PIN5);PIN6=pretreatment(PIN6);P

17、0=PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6;for i=2:7 T0= sim(net ,P0(:,i); T1 = compet (T0) ; d =find(T1 = 1) - 1 if (d=10) str=A; elseif (d=11) str=C; elseif (d=12) str=G; elseif (d=13) str=L; elseif (d=14) str=M; elseif (d=15) str=R; elseif (d=16) str=H; elseif (d=17) str=N; else str=num2str(d); end switch i case 2 str1=str; case 3 str2=str; case 4 str