BP神经网络的神经网络

[人工神经网络的主要研究成果]基于人工神经网络的土坝病害诊断知识获取方法摘要：以土坝测压管水位异常诊断为实例，对反向传播（bp）神经网络进行训练，然后通过典型示例经网络计算生成显式的诊断规则，为专家系统...+阅读

BP神经网络的神经网络

在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。

BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。

BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。

(1)节点输出模型

隐节点输出模型：Oj=f（∑Wij*Xi-qj） (1)

输出节点输出模型：Yk=f（∑Tjk*Oj-qk） (2)

f-非线形作用函数；q -神经单元阈值。

(2)作用函数模型

作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为（0,1）内连续取值Sigmoid函数： f(x)=1/(1+e乘方（-x）) (3)

(3)误差计算模型

误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：

(4)

tpi- i节点的期望输出值；Opi-i节点计算输出值。

(4)自学习模型

神经网络的学习过程，即连接下层节点和上层节点之间的权重矩阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习模型为

△Wij(n+1)= h *Фi*Oj+a*△Wij(n) (5)

h -学习因子；Фi-输出节点i的计算误差；Oj-输出节点j的计算输出；a-动量因子。

matlab中BP神经网络OCR识别

单看错误率分析不出来什么，可能是样本量太少，也可能是别的原因。可以把错误识别的样本拿出来，看看是哪些地方导致的错误，再有针对性的改进。

还可能是特征工程不到位，特征选取的不好，不满足尺度不变性、旋转不变性、仿射不变性三个要素，说白了就是，大小变了，旋转的角度变了，拍照的时候站的位置不同导致对车牌的透视发生变化了，然后可能就识别不出来了。

所以可以考虑找一个更好的描述特征的方法，比如HoG（方向梯度直方图）。HoG，简单说就是，相邻的两个像素值做个减法，就可以表示颜色的变化，那么一个像素周围，上下、左右各有两个像素，就可以分别做两个减法，得到两个值，就像力学里两个力可以合并一样，这两个值也可以合并，得到方向，和大小（就是梯度），这样就有了一个像素的特征。但是特征太多计算量太大，就用统计的方法减少下特征，首先把图片划分成网格的形式，就像是在图像上画围棋线一样，然后每个方格内单独统计一下，方向在0-20角度内的像素的梯度的和是多少，依次类推，就得到了直方图，如果以20度为一个直方的话，那么180度就可以划分成9个直方，也就是9个特征，这样一个方格内的特征数量就与像素的数量无关了，而是固定了的。然后就是关于HoG的其他手段了，比如为了消除光照变化，可以对特征向量做归一化等。另外还可以对HoG可视化，在每个方格内，用线的方向和长度代替特征的方向和梯度，最后呈现的效果是，有若干个方格，每个方格内都好像有一个沿原点对称的星星，这样做对分析算法效果有一定帮助。

HoG是比较常见的特征描述子了，在行人检测上用的比较多。除了HoG，还有SIFT、SURF等特征描述子，这些都是计算机视觉中的内容了，属于特征检测的范畴。

计算机视觉主要包括二值化、滤波器、特征检测、特征匹配等一些基础的手段，然后就是图像滤镜、图像分割、图像识别、图像生成等具体的应用算法。由于近年来计算成本降低导致神经网络的再度崛起，计算机视觉的研究热点已经转为深度神经网络的各种改进和性能优化上了，像HoG已经是05年的事情了。

关于车牌识别（LPR），如果环境不复杂，是可以做到接近100%的准确率的，如果环境较为复杂，95%以上准确率应该是可以做到的。总的来说，基本已经实现应用落地和商用了。现在的方法基本都是深度学习，端到端一气呵成，无需专门提取特征，传统的模式识别方法已经GG。

说的比较细。如果只是关心结果的话，Github上可以找到关于车牌识别的一些开源项目，比如openalpr之类的，当然也是采用深度学习的办法，炼丹嘛，就是这么直接。

求助检查BP神经网络预测程序

问题： 1：隐含层的节点数应该小于训练样本数（你这里et_1=newff(minmax(P),[150,1],{'tansig','purelin'},'traingdm'）中的150远远大于训练样本数10个（1989:2003）) 2：如果把时间当做样本输入的话，这是不太合适的。如果那样还不如用时间序列求解。而且在现在的这个程序中还会会出现ynhj88311说的那种情况。（这里还应该做归一化处理更好） clc clear date=1988:2003; P0=[ 0.1093 0.1110 0.1127 0.1141 0.1154 0.1164 0.1171 0.1175 0.1178 0.1179 0.1179 0.1178 0.1179 0.1180 0.1182 0.1186]；% 样本数据这里数据在0~1之间就不用归一化处理了 plot(date,P0,'b+')； %原数据随时间变化的曲线 hold on title（'原数据曲线图'） for i=1:13 P(:,i)=P0(i:i+2); T(:,i)=P0(i+3); end % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm'） % 设置训练参数 net_1.trainParam.show = 1; net_1.trainParam.lr = 0.2; net_1.trainParam.mc = 0.9; net_1.trainParam.epochs=10000000; net_1.trainParam.goal = 1e-10； % 调用 TRAINGDM算法训练 BP 网络 [net_1,tr]=train(net_1,P,T)； % 对 BP 网络进行仿真 A = sim(net_1,P) E = T - A; MSE=mse(E) P2001=sim(net_1,[0.1179 0.1178 0.1179 ]'); P2002=sim(net_1,[0.1178 0.1179 0.1180 ]'); P2003=sim(net_1,[0.1179 0.1180 0.1182 ]'); p2=P0(14:16)'; yuce2004=sim(net_1,p2) figure Y=[A(1,:),P2001,P2002,P2003,yuce2004]; Date=[date,2004]; plot(Date,Y,'r+')