導(dǎo)語：如何才能寫好一篇卷積神經(jīng)網(wǎng)絡(luò)的好處，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：模式識(shí)別卷積神經(jīng)網(wǎng)絡(luò) google earth 應(yīng)用

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007—3973（2012）009—087—02

隨著科技的進(jìn)步，許多發(fā)明、電子產(chǎn)品使人們的生活更加方便。生活經(jīng)常見到的有：筆記本電腦的指紋鎖、數(shù)碼相機(jī)的人像識(shí)別功能、電腦手寫板、語音錄入設(shè)備、門禁中的虹膜識(shí)別技術(shù)等等，這些設(shè)備與技術(shù)中都包含了模式識(shí)別技術(shù)。這些看似抽象的技術(shù)與算法正與其他技術(shù)一起悄然的改變?nèi)藗兊纳睢?/p>

1 什么是模式識(shí)別

人們的許多感官功能看似簡(jiǎn)單，但用人工的辦法實(shí)現(xiàn)卻比較困難。人與人見面相互打招呼。在看見對(duì)方的面部后，人能夠很快的認(rèn)定這張臉是個(gè)人臉，而且我認(rèn)識(shí)他，應(yīng)該和他打招呼。這個(gè)看似簡(jiǎn)單的過程其實(shí)并不簡(jiǎn)單，我們不僅僅要識(shí)別五官，還要掃描輪廓，而且還要判斷是否認(rèn)識(shí)等等。可見，很多看似簡(jiǎn)單的認(rèn)知過程，如果試圖用某一方法描述確實(shí)不宜。對(duì)人臉進(jìn)行模式識(shí)別就可以解決這個(gè)看似簡(jiǎn)單的問題。

模式識(shí)別（Pattern Recognition）是指通過用計(jì)算機(jī)對(duì)事物或現(xiàn)象的各種形式的（光信息，聲信息，生物信息）信息進(jìn)行處理和和判讀，以對(duì)事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過程，是人工智能的和信息捕獲的重要組成部分。現(xiàn)在被廣泛應(yīng)用于計(jì)算機(jī)視覺，自然語言處理，生物特征識(shí)別，互聯(lián)網(wǎng)搜索等領(lǐng)域。

2 模式識(shí)別與google earth衛(wèi)星照片

在衛(wèi)星圖片中識(shí)別特定的目標(biāo)，如道路，湖泊，森林等等，往往要運(yùn)用模式識(shí)別技術(shù)，現(xiàn)在較為主流的是神經(jīng)網(wǎng)絡(luò)識(shí)別。上一代的技術(shù)室根據(jù)RGB提取的，在提取森林或湖泊的時(shí)候，有很多干擾顏色，對(duì)衛(wèi)星照片精度有很高要求。根據(jù)RGB提取效果不是十分理想，而且計(jì)算量大，對(duì)硬件有一定要求。

隨著神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)的發(fā)展，現(xiàn)在計(jì)算機(jī)可自動(dòng)識(shí)別目標(biāo)。不必使用特殊的衛(wèi)星波段影像，小型機(jī)計(jì)算，只要從GOOGLE EARTH獲取的普通衛(wèi)星影像就可以自動(dòng)識(shí)別了。

Google Earth是Google公司開發(fā)推出的一款虛擬地球儀軟件，它把衛(wèi)星照片、航空照相布置在一個(gè)地球的三維模型上，是一款全球地圖集成軟件。Google Earth與模式識(shí)別技術(shù)的綜合運(yùn)用，使其衛(wèi)星圖片在道路規(guī)劃，通信線路管理，土地勘察，遙感探測(cè)等等行業(yè)有著很大的運(yùn)用。

在實(shí)際情況下對(duì)衛(wèi)星圖片進(jìn)行模式識(shí)別，實(shí)現(xiàn)起來有許多困難，光線條件、大地背景、大氣云層情況影響以及由于拍攝角度或空氣密度等原因?qū)е抡掌谋徽瘴矬w的幾何變形等都會(huì)對(duì)識(shí)別效果有直接影響。這些都對(duì)識(shí)別算法要求很高。本文選用的神經(jīng)網(wǎng)絡(luò)識(shí)別方法，具有識(shí)別率高、對(duì)不規(guī)則物體識(shí)別效果好等優(yōu)點(diǎn)，被廣泛運(yùn)用在許多領(lǐng)域。本文使用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)google earth 衛(wèi)星圖片進(jìn)行處理，幾乎不用對(duì)照片進(jìn)行預(yù)處理。這大大節(jié)省了運(yùn)算時(shí)間，而且避免了二次處理后對(duì)原始文件的污染，大量原始信號(hào)被最大程度地保留。

3 模式識(shí)別與卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Networks）是近年發(fā)展起來并引起廣泛重視的一種高效識(shí)別方法。神經(jīng)網(wǎng)絡(luò)是受動(dòng)物神經(jīng)系統(tǒng)啟發(fā)，利用大量簡(jiǎn)單處理單元互聯(lián)而構(gòu)成的復(fù)雜系統(tǒng)，以解決復(fù)雜模式識(shí)別與行為控制問題。目前，CNN已經(jīng)成為國內(nèi)外科學(xué)家研究的重點(diǎn)方向，特別是在模式識(shí)別領(lǐng)域。它的優(yōu)點(diǎn)是不需要對(duì)圖像進(jìn)行復(fù)雜的預(yù)處理，成為大家廣為使用的方法。CNN的基本結(jié)構(gòu)一般包括兩層：（1）特征提取層。每個(gè)神經(jīng)元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，與其他特征間的位置關(guān)系也隨之確定下來。（2）特征映射層。網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射是一個(gè)平面，平面上所有神經(jīng)元的權(quán)值相等。特征映射結(jié)構(gòu)采用影響函數(shù)核小的sigmoid函數(shù)作為卷積網(wǎng)絡(luò)的激活函數(shù)，使得特征映射具有位移不變性。

4 卷積神經(jīng)網(wǎng)絡(luò)在衛(wèi)星圖片識(shí)別中的應(yīng)用

為提高google earth衛(wèi)星照片中目標(biāo)的識(shí)別率，創(chuàng)造性使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別，其主要部分基本設(shè)計(jì)結(jié)構(gòu)如圖1所示。

圖1中，整個(gè)結(jié)構(gòu)模仿動(dòng)物的神經(jīng)結(jié)構(gòu)，大量的單一識(shí)別單元被關(guān)聯(lián)成一個(gè)網(wǎng)路。 C層則是由復(fù)雜（complex）神經(jīng)元組成的神經(jīng)層，它的輸入連接是固定的，不可修改，顯示接收信心被激勵(lì)位置的近似變化。網(wǎng)絡(luò)中C層的最后一層為識(shí)別層，顯示模式識(shí)別的結(jié)果。S層為簡(jiǎn)單（simple）神經(jīng)元組成的神經(jīng)層，完成主要信息提取，其輸入連接是不是固定的，可在訓(xùn)練的過程中不斷修改。這個(gè)系統(tǒng)進(jìn)過不斷的訓(xùn)練，輸入照片的格式和大小會(huì)自動(dòng)地被識(shí)別，大大節(jié)省了前期的工作時(shí)間，提高了識(shí)別速度。

在訓(xùn)練集中同時(shí)需要常規(guī)積極樣本和消極樣本，樣本包括衛(wèi)星圖片中房屋和道路的1000個(gè)圖像目標(biāo)積極訓(xùn)練集。大多數(shù)基于學(xué)習(xí)方法的目標(biāo)物體識(shí)別使用一個(gè)大約為10？0的最小輸入窗口，好處是可以做到不遺漏任何重要信息。為了達(dá)到穩(wěn)定的效果，對(duì)所有原有的訓(xùn)練樣進(jìn)行色彩轉(zhuǎn)換和對(duì)比還原轉(zhuǎn)換，得到的積極樣本訓(xùn)練集有2400個(gè)目標(biāo)樣本。

5 實(shí)驗(yàn)結(jié)果

分兩個(gè)步驟進(jìn)行試驗(yàn)，第一步對(duì)衛(wèi)星圖片進(jìn)行定位和裁剪等預(yù)處理，第二步選取合格衛(wèi)星圖片200個(gè)樣本圖片訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后得到各層3個(gè)主要數(shù)據(jù)：閾值、權(quán)值及神經(jīng)元細(xì)胞平面數(shù)，然后使用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)識(shí)別機(jī)對(duì)200個(gè)測(cè)試樣本進(jìn)行檢查，其正確的識(shí)別率達(dá)到97%。實(shí)驗(yàn)要注意訓(xùn)練的時(shí)間，系統(tǒng)過度訓(xùn)練后，識(shí)別率會(huì)不斷提高，但訓(xùn)練時(shí)間的不斷增加，測(cè)試失敗率到最小值后出現(xiàn)及其微細(xì)震蕩，造成識(shí)別率的小幅波動(dòng)。（見圖2）

實(shí)驗(yàn)表明，卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于衛(wèi)星圖片目標(biāo)識(shí)別是完全可行的，訓(xùn)練樣本越豐富則則識(shí)別率越高。與傳統(tǒng)模式識(shí)別方法相比有更高的識(shí)別率和抗干擾性。本文采用一種改進(jìn)的基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別機(jī)制對(duì)衛(wèi)星照片中的目標(biāo)物體進(jìn)行識(shí)別。該識(shí)別方法通過對(duì)目標(biāo)物體圖片的學(xué)習(xí)，優(yōu)化了系統(tǒng)中的關(guān)鍵參數(shù)的權(quán)值。大大提高了目標(biāo)物體的識(shí)別率。

參考文獻(xiàn)：

[1] 高雋.智能信息處理方法導(dǎo)論[M].北京：機(jī)械工業(yè)出版社，2004.

[2] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2003.

[3] 邊肇祺.模式識(shí)別[M].北京：清華大學(xué)出版社，1987.