基于BP神经网络算法的可见光图像热目标自动识别技术

刘凯++仲亮++张景忠

摘 要：BP算法即误差逆向传播学习算法，按照BP算法进行训练的多层神经网络被称为误差逆传播神经网络，即BP神经网络。BP神经网络按有人管理示范的方式进行学习，学习期间网络误差由后向前传递修正各权值和阈值。本文将主要探讨基于BP神经网络算法的可见光图像热目标自动识别技术。

关键词：BP神经网络算法；可见光图像；热目标；自动识别

数字图像测量火焰温度主要的依据是热辐射理论和三色法测量温度理论，包括普朗克黑体辐射定律、维恩公式、斯蒂芬-波尔兹曼定律和三色法测温公式等，利用BP神经网络算法、最小二乘法和改进输入的神经网络算法进行运算。该技术属于光学测温技术范畴。基于数字图像处理技术的温度测量系统主要有火焰图像获取系统和图像采集处理系统两部分组成。其中图像获取系统包括彩色CCD摄像机；图像采集处理系统主要是由一台包括图像采集卡和专用图像测温软件的多媒体计算机构成[1]。系统硬件由彩色摄像机、图像采集卡、多媒体计算机、显示器、图像输出设备等组成，这些硬件设备在配置了编制的温度测量软件后就能正常工作。

1 BP神经网络算法的步骤

利用BP神经网络进行图像匹配的具体过程可分为以下两个阶段。

（1）利用样本图（包括基准图样本和实时图样本）训练设计网络，如果学习误差小于容许设计误差或达到设计学习训练次数，则结束网络匹配学习过程。

（2）将实时图特征数据输入到已经训练好的网络中，网络进行正向传播运算。将正向传播输出结果与所有目标值做比较，取最相似者作为匹配结果。为了降低图像匹配时间，前一阶段工作可预先完成，并把学习结果存储在图像匹配计算机的非易失存储器中，在图像匹配的后一阶段，图像匹配计算机直接利用这些结果完成BP网络的图像匹配运算，从而降低实际图像匹配时间[2]。

使用适应度来度量群体中每一个个体在进化计算中有可能达到或接近于或有助于找到最优解的优良程度。在进化策略中，直接设定每个个体的适应度等于所求优化问题的目标函数值，而不再对目标函数值进行任何变换处理。这主要由于进化策略的选择运算是按照一种确定方式进行的缘故，每次都是从当前群体中选择出一个或几个适应度最高的个体保留到下一代群体中，这里只有个体适应度之间的大小关系比较，而无算术运算，所以对个体适应度是取正值还是取负值无特别要求。

BP算法的学习目的是对网络连接权值进行调整，使得调整后的网络对任一输人都能得到所期望的输出。其学习过程由正向传播和反向传播组成。学习的方法是使用一组训练样例对网络的连接权值进行调整，每一个样例中，都包括输入及期望输出两部分。在正向传播过程中，首先将训练样例的输入信息输入到网络中，信息从输入层经隐层结点逐层计算处理后，传至输出层。在计算处理过程中，每一层神经元的状态只影响下一层神经元的状态，如果在输出层得到的结果不是所期望的输出，那么就转为反向传播。反向传播把计算所得输出与期望输出之间的误差信号沿原连接路径返回，并按一定的原则对各层神经元的连接权值进行适当修改，直至第一个隐层，这时再开始进行正向传播，利用刚才的输入信息进行正向网络计算，如果网络的输出达到了误差要求，则学习过程结束；如果达不到误差要求，再进行反向传播的连接权值调整。一旦网络完成训练之后，应用于求解实际问题时就只需使用正向传播，而不需要再进行反向传播了[3]。

2 基于BP神经网络算法的可见光图像目标自动识别技术方法

2.1 输入和输出层的设计

输入的神经元可以根据需要求解的问题和数据的表达方式确定。可以是模拟信号也可以是图像和数值信息。输出层的维数可以根据使用者的要求确定，如果将BP网络用做分类器，类别模式一共有m个，那么输出层神经元的个数为m或1nm。

2.2 隐含层设计

对于BP网络，任何在闭区间内的一个连续函数都可以用单隐含层的BP神经网络逼近，因而一个3层BP网络就可以完成任意的N维到m维的映射。隐含层神经元个数与问题的要求、输入和输出单元的数目有着直接的关系，太多会导致学习时间过长、误差控制不佳，过少则会导致容错性差、不能识别足够的测试样本。隐含层数目一般根据已有的经验公式确定，但是并不一定能取得较好的效果。可以采用动态调整的方式选择符合具体模型要求的数目，首先放入足够多的隐含单元，通过学习将那些不起作用的隐含单元排除，直到不可收缩为止，同样也可以设较少单元，直到能满足合理要求为止[4]。

2.3 初始值选取

由于系统的非线性特性，初始值对于学习能否达到局部最小和是否能够收敛的结果关系很大，要求初始权值在输入累加时使每个神经元的状态值都接近零，权值一般取比较小的随机数。输入样本要进行标准化处理，使得那些比较大的输入仍落在传递函数梯度大的地方。

2.4 BP网络的不足和改进

BP算法中一方面网络参数每次调节的幅度均以一个与网络误差函数或其对权值导数大小成正比的固定因子进行。这样，在误差曲面较平坦处，由于这一偏导数值较小，因而权值参数的调节幅度也较小，以致需要经过多次调整才能将误差函数曲面降低；而在误差曲面较高曲率处，偏导数较大，权值参数调节的幅度也较大，以致在误差函数最小点附近发生过冲现象，使权值调节路径变为锯齿形，难以收敛到最小点，导致BP算法收敛速度慢。另一方面权值参数的调节是沿误差函数梯度下降方向进行的，但由于网络误差函数矩阵的严重病态性，使这一梯度最速下降方向偏离面向误差曲面的最小点方向，到最小点的搜索路径，造成了BP算法收敛速度慢。

3 结束语

由于BP模型中间层的个数和隐层神经元数对模型的学习速度、训练精度、学习速率都有明显影响，目前虽有一些选取中间层数和隐层神经元数的一般规则，但不完全通用，也不精确，仍是凭经验选取。它主要同输入单元数、输出单元数及流型的类别数有关，缺乏理论的指导，因而只能根据研究问题的实际情况来确定。

参考文献

[1]张玲，王玲，吴桐.基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型[J].计算机应用，2014，3：775-779.

[2]徐晨，曹莉，梁小晓，等.基于ABC-BP神经网络的用电量预测研究[J].计算机测量与控制，2014，3：912-914+922.

[3]何勇，李妍琰.改进粒子群优化BP神经网络的洪水智能预测模型研究[J].西南师范大学学报（自然科学版），2014，5：75-80.

[4]朱婷婷，魏海坤，张侃健.基于AP和BP神经网络算法的手写数字识别[J].中国科技论文，2014，4：479-482.endprint