基于改进的神经网络的仪表图像上的符号识别

论文摘要

目前，数显仪表以其高精度、易读取、可设置等优点，在工业环境中的应用十分广泛。许多工业设备使用七段码显示其运行时的参数或者状态，如显示当前的温度、转速等。随着计算机技术的高速发展，数显仪表的自动化识别技术也得到了广泛应用。特别是在某些工业控制系统中，为了实现无人值守，自动调控或者集中控制的功能，数显仪表的自动化识别更是必不可少。本课题使用BP网络作为识别手段，研究数显仪表的字符识别问题。因为BP网络需要学习大量的训练样本，才能达到一定的识别能力和泛化能力。然而，获取大量训练样本需要耗费大量的人力物力。因此，大部分的神经网络的训练是在样本数量较少的情况下进行的，这种情况又被称为小样本问题。针对小样本问题，近年来研究的热点是虚拟样本技术。该技术根据原始样本，采用合理的方法，生成一定数量的合理的虚拟样本，以扩充原始训练样本集。本文研究的数显仪表采用七段码显示，因此，本文根据七段码的特点，提出了一种虚拟样本生成方法，并根据该方法生成了部分的训练样本。通过实验证明，本文所提出的虚拟样本生成方法所生成的虚拟样本，用于训练BP网络能够有效地提高网络的识别能力和泛化能力。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的研究背景及意义
• 1.2 人工神经网络简介
• 1.2.1 人工神经网络的发展及应用
• 1.2.2 人工神经网络的主要特点
• 1.3 虚拟样本简介
• 1.4 本文的研究内容及组织结构
• 1.5 本章小结
• 第二章 人工神经网络和模式识别基本原理
• 2.1 神经网络模型
• 2.1.1 生物神经网络模型
• 2.1.2 人工神经元模型
• 2.1.3 人工神经网络模型
• 2.2 人工神经网络的学习方式
• 2.3 模式识别基本概念及系统组成
• 2.3.1 模式识别的基本概念
• 2.3.2 模式识别的一般方法及组成结构
• 2.3.3 神经网络模式识别系统
• 2.4 模式识别的一些基本问题
• 2.5 图像预处理
• 2.6 本章小结
• 第三章 基于 MATLAB 的 BP 网络的设计
• 3.1 BP 网络简述
• 3.1.1 BP 网络的结构及工作原理
• 3.1.2 BP 网络优缺点及其用于模式识别的评价标准
• 3.2 BP 算法的改进
• 3.2.1 动量 BP 算法（momentum backpropagation， MOBP）
• 3.2.2 学习率可变的 BP 算法 VLBP
• 3.2.3 LM（Levenberg-Marquardt）算法
• 3.2.4 弹性 BP 算法
• 3.2.5 变梯度算法
• 3.2.6 几种学习算法的比较
• 3.3 BP 网络设计
• 3.3.1 隐层数的确定：
• 3.3.2 传递函数的选择:
• 3.3.3 各层的节点数的确定：
• 3.3.4 误差函数的确定
• 3.4 问题分析及 BP 网络设计
• 3.5 本章小结
• 第四章 虚拟样本的生成技术的研究
• 4.1 虚拟样本的必要性
• 4.2 虚拟样本生成技术的研究
• 4.3 虚拟样本的设计与实现
• 4.4 本章小结
• 第五章 实验与分析
• 5.1 实验设计及具体方案
• 5.1.1 样本采集
• 5.1.2 图像预处理
• 5.1.3 生成 BP 网络的训练样本
• 5.1.4 训练 BP 网络
• 5.1.5 测试 BP 网络的识别率
• 5.2 实验及结果分析
• 5.3 本章小结
• 总结与展望
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢
• 附件