王强

（山西工程职业学院 山西省太原市 030009）

人工神经网络越来越受到众多领域学者的关注，80%—90%的人工神经网络模型是采用误差反传算法或其变化形式的网络模型。BP 神经网络在实际应用中，具有较好的自组织、自学习、非线性逼近能力、容错性等等。目前主要应用于函数逼近、目标识别、分类和数据分析或数据挖掘。本文通过5 组从图像中提取的特征值向量作为样本数据参数，并通过BP 网络模型的学习、训练，模拟实现数据的分析或分类识别[1]。

1 BP神经网络

1.1 人工神经网络

人工智能，是以机器的交互来模仿人脑或神经反射的控制方式，是人类从认识自身、认识自然，到改造自然的发展趋势。人工神经网络是人类大脑神经元网络进行数学抽象，建立数学模型，由大量的节点（或称神经元）之间相互联接，组成不同的网络。通过对人脑生理结构研究，结合人脑的微观结构及其智能行为的研究，用计算机控制系统来对人脑进行宏观功能的智能模拟，也就是符号处理方法的模拟。从人的思维活动和行为的心理学特性出发，探索和模拟人的感觉、思维、行为的规律，设计具有人类智能的运算模型或系统。人工神经网络基本模型如图1 所示。

1.2 BP神经网络模型

BP 神经网络模型是一种前馈网络，以误差反向传播算法的方式，来实现对多层感知器的训练，表现出很好的非线性逼近能力，并且通过非线性的适应性实现数据信息的处理，具有较好的容错性，经常用作对大规模数据的并行处理。BP 模型以其很好的自学习、自组织、自适应能力，广泛应用在数据的分析和预测、样本分类、聚类的目标识别等领域[3]。

1.2.1 BP 神经网络的结构

BP 神经网络是一个多层网络结构，包括输入层、输出层，以及两层之间的一个或多个隐含层构成。其中，隐含层中的神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，对输入、与输出之间的关系也会造成影响。各层中的神经元之间通过权重连接，并接受前后一级神经元的输出和反馈，经过神经元权重的调整和阈值的作用输出，从而对其他神经元产生作用[2]。三层BP 神经网络结构如图2 所示。

1.2.2 BP 神经网络的特点

BP 神经网络具有非线性映射、并行分布处理、多变量控制、自学习和自适应、数据融合等特点。具体表现为，BP 神经网络能以任意精度逼近任何非线性连续函数，以分布储存和并行处理的方式处理数据信息，处理速度很快、容错性很强。同时，网络的输入变量、输出变量的数目可以是任意的，可以忽略各个系统之间的解耦问题，提供了一种通用的系统描述方式。在利用样本对网络进行训练时，泛化能力很好，即可以根据输入、输出的数据形成相应的规律性，调整网络中间隐层的权值，然后将调整后的权值应用于一般情形。BP 神经网络模型还可以同时处理定量信息和定性信息，体现了人工智能技术（符号处理）和传统工程技术（数值运算）的融合。

图1：人工神经网络基本模型

图2：三层BP 神经网络结构模型

图3：训练误差变化曲线

1.2.3 BP 模型激活函数

在选择BP 神经网络的激活函数时，需要满足此函数处处可导的条件，一般的，S 型函数经常用作BP 网络的激活函数。此函数具有单调性，从图像上看具有连续性，无限次可导或可微。此外，S 型函数也可以作为输出函数。按照权值大小情况来分类，权值如果比较大，则S 型函数可以用作阈值函数；虽然从图像上看是非线性函数，但如果权值很小，则可以当作线性函数来使用。使用S 型激活函数时BP 网络输入与输出的关系如下：

表1：图像特征值(网络输入量)

表2：识别情况对照表

需要注意的是，在对网络模型进行样本数据学习训练时，net的值应该控制在收敛比较快的范围内。

2 BP神经网络的学习算法

BP 算法是用有导师的学习规则，将实际输出与预计目标之间的误差通过隐层逐层向输入端反向传输，同时，这个误差会在反馈过程中，分摊给各层的所有神经元，各层单元则以这个误差信号为参照，来调整单元权值。在外界输入样本的刺激下，通过不断调整网络连接的权值，达到减少或减弱网络的实际输出与预计目标间误差的目的，这种有导师的反馈调节方式，能达到不断优化网络的学习性能的目的。

具体的，把样本送入BP 网络的输入层，通过各隐层的处理、计算，最后传送到输出层。当输出层的实际输出与预计目标或导师信号相差比较大时，就需要开始进行反向传输；误差通过反向传播到达各层单元，修正各层单元的权值；接着，再次开始正向传输过程，如果网络输出的误差减少到可以允许的程度，或进行到预先设定的学习次数，训练停止。

3 特征值向量数据的提取

利用BP 神经网络对数据进行分析或进行分类识别，可以针对其网络模型，把具有识别特征或代表性的数据作为网络的输入，把我们期望得到的识别目标类型作为输出，即可通过BP 网络的自学习和自适应功能，实现目标识别。

现以图像特征值向量为例，分别从5 张图像中提取出5 组特征值，作为网络的训练样本输入，输出即为相应的识别类型，通过设置BP 网络模型的各个参数的初始参考值，来对BP 网络进行训练、学习。

在图像分析研究中，特征值提取是识别技术中的一个最基本的问题，和普通的机械振动数据、温度数据、噪声数据一样，都可以看作是数据分析处理的一种方法。把二维图像当中的特征数据或信息通过相关的变换算法提取出来，使其特征转换成最能反映出其本质的一维特征信息。提取出比较稳定的、有一定表征性的、区分性较好的数值或特征量，不再以二维图像的形式表达。把提取出的特征值，做为网络的样本输入值进行训练，模拟达到识别结果。

通过图像特征提取算法，对5 张图像提取出相应的特征值，每组特征值即可作为一组特征向量，并把这些特征向量当作训练样本，输入BP 网络，把预计的识别目标作为输出，建立网络模型进行模拟仿真。提取出的特征值如表1 所示。

4 BP神经网络的训练和识别结果分析

对BP 神经网络模型进行训练，使图像进行特征提取后的特征量当作训练样本，送入BP 神经网络的输入端，进行网络模型训练，同时要对初始的训练参数进行设置。一般的，设置初始权值，-0.3-0.3；学习率，0.1；动量因子，0.95；最大迭代次数，1000。对于输出的设置，受S型激活函数特性的影响，如果要规定网络输出0、1，BP 神经网络模型在训练时将无法收敛。所以，这里用0.0001 来代替0、0.9999 代替1，就可以避免出现这个问题。

训练完成应设置三层BP 识别模型。利用5 组特征值作为输入层的样本，为了与样本的数量保持一致，设置输出层与输入层的神经元数目为5，隐含层神经元的数目由多次实验得出为10；选用正切S 型函数tansig，对网络进行集中训练。在训练过程中，当总体均方误差数值等于或小于目标1e-005 时，即可停止网络模型的样本训练。从图3 训练误差变化曲线所示，经过938 次迭代之后，训练达到目标而停止，此时网络的总体均方误差为9.9082e-006，达到了训练目的。

BP 神经网络训练完成以后，将图像的特征向量输入已经训练完成神经网络，在输出层上如果出现某个神经元的值最大，即对应识别某张图像。

从表2 可以看出，BP 神经网络经过有导师的引导学习，具有了相应的识别能力，从而可以达到对数据的分析、分类识别，网络经多次训练成功率比较高。

5 总结

综上所述，BP 神经网络是通过模拟人脑的思维模式，建立对应函数模型来处理问题，对噪声数据、振动数据、二维图像数据等类型的数据分析都显示出其网络功能的优势。BP 神经网络具有柔性的网络结构，并且具有很强的非线性映射能力，其隐层的层数、以及神经元的个数，都可以根据实际情况而做出调整。而且随着BP 网络结构的不同，其性能也呈现出差异性。