基于BP神經網絡算法的可見光圖像熱目標自動識別技術

劉凱++仲亮++張景忠

摘 要：BP算法即誤差逆向傳播學習算法，按照BP算法進行訓練的多層神經網絡被稱為誤差逆傳播神經網絡，即BP神經網絡。BP神經網絡按有人管理示范的方式進行學習，學習期間網絡誤差由后向前傳遞修正各權值和閾值。本文將主要探討基于BP神經網絡算法的可見光圖像熱目標自動識別技術。

關鍵詞：BP神經網絡算法；可見光圖像；熱目標；自動識別

數字圖像測量火焰溫度主要的依據是熱輻射理論和三色法測量溫度理論，包括普朗克黑體輻射定律、維恩公式、斯蒂芬-波爾茲曼定律和三色法測溫公式等，利用BP神經網絡算法、最小二乘法和改進輸入的神經網絡算法進行運算。該技術屬于光學測溫技術范疇。基于數字圖像處理技術的溫度測量系統主要有火焰圖像獲取系統和圖像采集處理系統兩部分組成。其中圖像獲取系統包括彩色CCD攝像機；圖像采集處理系統主要是由一臺包括圖像采集卡和專用圖像測溫軟件的多媒體計算機構成[1]。系統硬件由彩色攝像機、圖像采集卡、多媒體計算機、顯示器、圖像輸出設備等組成，這些硬件設備在配置了編制的溫度測量軟件后就能正常工作。

1 BP神經網絡算法的步驟

利用BP神經網絡進行圖像匹配的具體過程可分為以下兩個階段。

（1）利用樣本圖（包括基準圖樣本和實時圖樣本）訓練設計網絡，如果學習誤差小于容許設計誤差或達到設計學習訓練次數，則結束網絡匹配學習過程。

（2）將實時圖特征數據輸入到已經訓練好的網絡中，網絡進行正向傳播運算。將正向傳播輸出結果與所有目標值做比較，取最相似者作為匹配結果。為了降低圖像匹配時間，前一階段工作可預先完成，并把學習結果存儲在圖像匹配計算機的非易失存儲器中，在圖像匹配的后一階段，圖像匹配計算機直接利用這些結果完成BP網絡的圖像匹配運算，從而降低實際圖像匹配時間[2]。

使用適應度來度量群體中每一個個體在進化計算中有可能達到或接近于或有助于找到最優解的優良程度。在進化策略中，直接設定每個個體的適應度等于所求優化問題的目標函數值，而不再對目標函數值進行任何變換處理。這主要由于進化策略的選擇運算是按照一種確定方式進行的緣故，每次都是從當前群體中選擇出一個或幾個適應度最高的個體保留到下一代群體中，這里只有個體適應度之間的大小關系比較，而無算術運算，所以對個體適應度是取正值還是取負值無特別要求。

BP算法的學習目的是對網絡連接權值進行調整，使得調整后的網絡對任一輸人都能得到所期望的輸出。其學習過程由正向傳播和反向傳播組成。學習的方法是使用一組訓練樣例對網絡的連接權值進行調整，每一個樣例中，都包括輸入及期望輸出兩部分。在正向傳播過程中，首先將訓練樣例的輸入信息輸入到網絡中，信息從輸入層經隱層結點逐層計算處理后，傳至輸出層。在計算處理過程中，每一層神經元的狀態只影響下一層神經元的狀態，如果在輸出層得到的結果不是所期望的輸出，那么就轉為反向傳播。反向傳播把計算所得輸出與期望輸出之間的誤差信號沿原連接路徑返回，并按一定的原則對各層神經元的連接權值進行適當修改，直至第一個隱層，這時再開始進行正向傳播，利用剛才的輸入信息進行正向網絡計算，如果網絡的輸出達到了誤差要求，則學習過程結束；如果達不到誤差要求，再進行反向傳播的連接權值調整。一旦網絡完成訓練之后，應用于求解實際問題時就只需使用正向傳播，而不需要再進行反向傳播了[3]。

2 基于BP神經網絡算法的可見光圖像目標自動識別技術方法

2.1 輸入和輸出層的設計

輸入的神經元可以根據需要求解的問題和數據的表達方式確定。可以是模擬信號也可以是圖像和數值信息。輸出層的維數可以根據使用者的要求確定，如果將BP網絡用做分類器，類別模式一共有m個，那么輸出層神經元的個數為m或1nm。

2.2 隱含層設計

對于BP網絡，任何在閉區間內的一個連續函數都可以用單隱含層的BP神經網絡逼近，因而一個3層BP網絡就可以完成任意的N維到m維的映射。隱含層神經元個數與問題的要求、輸入和輸出單元的數目有著直接的關系，太多會導致學習時間過長、誤差控制不佳，過少則會導致容錯性差、不能識別足夠的測試樣本。隱含層數目一般根據已有的經驗公式確定，但是并不一定能取得較好的效果。可以采用動態調整的方式選擇符合具體模型要求的數目，首先放入足夠多的隱含單元，通過學習將那些不起作用的隱含單元排除，直到不可收縮為止，同樣也可以設較少單元，直到能滿足合理要求為止[4]。

2.3 初始值選取

由于系統的非線性特性，初始值對于學習能否達到局部最小和是否能夠收斂的結果關系很大，要求初始權值在輸入累加時使每個神經元的狀態值都接近零，權值一般取比較小的隨機數。輸入樣本要進行標準化處理，使得那些比較大的輸入仍落在傳遞函數梯度大的地方。

2.4 BP網絡的不足和改進

BP算法中一方面網絡參數每次調節的幅度均以一個與網絡誤差函數或其對權值導數大小成正比的固定因子進行。這樣，在誤差曲面較平坦處，由于這一偏導數值較小，因而權值參數的調節幅度也較小，以致需要經過多次調整才能將誤差函數曲面降低；而在誤差曲面較高曲率處，偏導數較大，權值參數調節的幅度也較大，以致在誤差函數最小點附近發生過沖現象，使權值調節路徑變為鋸齒形，難以收斂到最小點，導致BP算法收斂速度慢。另一方面權值參數的調節是沿誤差函數梯度下降方向進行的，但由于網絡誤差函數矩陣的嚴重病態性，使這一梯度最速下降方向偏離面向誤差曲面的最小點方向，到最小點的搜索路徑，造成了BP算法收斂速度慢。

3 結束語

由于BP模型中間層的個數和隱層神經元數對模型的學習速度、訓練精度、學習速率都有明顯影響，目前雖有一些選取中間層數和隱層神經元數的一般規則，但不完全通用，也不精確，仍是憑經驗選取。它主要同輸入單元數、輸出單元數及流型的類別數有關，缺乏理論的指導，因而只能根據研究問題的實際情況來確定。

參考文獻

[1]張玲，王玲，吳桐.基于改進的粒子群算法優化反向傳播神經網絡的熱舒適度預測模型[J].計算機應用，2014，3：775-779.

[2]徐晨，曹莉，梁小曉，等.基于ABC-BP神經網絡的用電量預測研究[J].計算機測量與控制，2014，3：912-914+922.

[3]何勇，李妍琰.改進粒子群優化BP神經網絡的洪水智能預測模型研究[J].西南師范大學學報（自然科學版），2014，5：75-80.

[4]朱婷婷，魏海坤，張侃健.基于AP和BP神經網絡算法的手寫數字識別[J].中國科技論文，2014，4：479-482.endprint