科技信息2011年第3期SCIENCE&TECHNOLOGYINFORMATION人工神经网络是模仿生理神经网络的结构和功能而设计的一种信息处理系统。大量的人工神经元以一定的规则连接成神经网络,神经元之间的连接及各连接权值的分布用来表示特定的信息。神经网络分布式存储信息,具有很高的容错性。每个神经元都可以独立的运算和处理接收到的信息并输出结果,网络具有并行运算能力,实时性非常强。神经网络对信息的处理具有自组织、自学习的特点,便于联想、综合和推广。神经网络以其优越的性能应用在人工智能、计算机科学、模式识别、控制工程、信号处理、联想记忆等极其广泛的领域。1986年D.Rumelhart和J.McCelland[1]等发展了多层网络的BP算法,使BP网络成为目前应用最广的神经网络。1BP网络原理及学习方法BP(BackPropagation网络是一种按照误差反向传播算法训练的多层前馈神经网络。基于BP算法的二层网络结构如图1所示,包括输入层、一个隐层和输出层,三者都是由神经元组成的。输入层各神经元负责接收并传递外部信息;中间层负责信息处理和变换;输出层向外界输出信息处理结果。神经网络工作时,信息从输入层经隐层流向输出层(信息正向传播,若现行输出与期望相同,则训练结束;否则,误差反向进入网络(误差反向传播。将输出与期望的误差信号按照原连接通路反向计算,修改各层权值和阈值,逐次向输入层传播。信息正向传播与误差反向传播反复交替,网络得到了记忆训练,当网络的全局误差小于给定的误差值后学习终止,即可得到收敛的网络和相应稳定的权值。网络学习过程实际就是建立输入模式到输出模式的一个映射,也就是建立一个输入与输出关系的数学模型:xi(t+1=fi[ui(t+1](1标准的BP算法是一种梯度下降学习算法,其权值的修正是沿着误差性能函数梯度的反方向进行的。这种算法可以写成公式(2的形式:xk+1=xk-a鄣Ekk(2Ek≈1/s2s2i=1Σ(ti2-yi2(3其中xk为第k次迭代各层之间的权值和阈值向量,Ek为第k次迭代神经网络的输出总误差,鄣Ek/鄣xk为第k次迭代总误差曲面的梯度,a为学习速率。网络的实际输出值yj与要求的目标值tj由公式(3求出总误差,带入公式(2中,便可以逐次修正权值及阈值,并使总误差向减小的方向变化,直到达到要求的误差性能为止。图1两层BP网络神经模型2BP算法实现苹果颜色分级苹果表面颜色是衡量苹果品质的重要特征,同时间接反映了苹果的成熟度、糖度、水分含量等内部品质。国内外的研究者在水果颜色检测方面做了很多工作。Tao等利用色度特征统计识别算法完成了对苹果、土豆的颜色分级[2];杨秀坤等用遗传神经网络方法实现苹果颜色自动检测[3];李庆中等基于遗传神经网络实现苹果颜色实时分级[4]。本实验选用红富士苹果为研究对象,通过计算机视觉技术获取苹果色度直方图,直方图反映了苹果表面颜色组成情况,以此提取颜色特征参数。实验选取70个不同等级的苹果样本,分别用人工检测和神经网络检测的方法进行分级。人工检测结果为15个优等果、25个一等果、21个二等果和9个等外果。保证样本具有足够的代表性和全面性。提取所有样本的七个色度特征值,分别除以1000作为实际输入网络的样本数据,因此神经网络的输入层节点数为7;采用两层网络,隐含层定义10个节点;输出层输出数据为(1000、(0100、(0010、(0001,分别代表苹果的四个等级:优等、一等、二等和等外。任选55个苹果样本信息训练BP网络,15个样本作为检验集。交换训练集和检验集样本5次进行重复实验,经过训练的网络实际输出苹果等级与人工检测的苹果等级的相关性达到0.9以上。表1为其中一种情况下检验集15个苹果样本中的5个样本信息,表2为对应的网络检测分级结果和人工分级结果的对照图。训练的收敛误差取0.001,最大迭代次数为5000次。训练网络的误差演化曲线见图2。在达到最大迭代次数的时候,实际误差已经为0.001,网络已经达到训练目的。图2误差演化曲线表1待分级苹果颜色特征数据(下转第418页人工神经网络BP算法简介及应用侯瑞(南京航空航天大学金城学院江苏南京211156【摘要】BP网络是当前工程应用最广泛的一种人工神经网络。本论文主要介绍BP算法及BP网络的原理,并结合一个苹果分级的实例具体说明BP网络的应用。本研究具有一定的实用价值。【关键词】神经网络;BP网络;...
