Fourier权函数神经网络研究及其在图像识别中的应用

论文摘要

经过多年的研究,人工神经网络的研究已经取得了丰硕的成果。然而传统神经网络(BP、RBF)的权值是常数,训练的权值难以反映样本的信息,而且传统神经网络的模型难以确定,隐层神经元个数需要进行反复试验。文献[1][2]提出了一种新型的神经网路训练算法——样条权函数神经网络训练算法,权函数神经网络模型拓扑结构简单,同时该算法还克服了传统神经网络容易陷入局部极小、收敛速度慢、难以求得全局最优解等缺陷,使得神经网络研究进入了新阶段。论文是在样条权函数神经网络训练算法的基础之上,研究了Fourier权函数神经网络,即Fourier级数作为权函数。在理论部分首先构造了Fourier权函数神经网络模型;其次给出了Fourier权函数的确定方法;再次结合Fourier权函数神经网络模型对网络误差进行分析,求出网络误差的表达式;最后通过仿真实验,验证了与传统神经网络相比,Fourier权函数神经网络具有逼近精度高、训练速度快、泛化能力强等优点。论文将Fourier权函数神经网络应用于纹理图像识别中。图像识别是典型的模式识别问题。论文通过对纹理图像灰度共生矩阵的分析,提取出图像的纹理特征参数,并将提取的特征参数作为Fourier权函数神经网络分类器的输入,对纹理图像进行分类识别。通过实验与基于BP、RBF神经网络的图像识别方法相比,验证了Fourier权函数神经网络具有较高的识别精度。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 论文研究内容及组织结构
• 1.2.1 论文研究内容
• 1.2.2 论文组织结构
• 第二章 神经网络概述
• 2.1 人工神经网络介绍
• 2.2 神经元模型
• 2.2.1 生物神经元模型
• 2.2.2 人工神经元模型
• 2.3 神经网络的拓扑结构
• 2.4 神经网络主要学习算法
• 2.5 神经网络的学习规则
• 2.5.1 Hebb规则
• 2.5.2 离散感知器学习规则
• 2.5.3 δ学习规则
• 2.5.4 Widrow-Hoff学习规则
• 2.6 典型神经网络简介
• 2.6.1 BP神经网络
• 2.6.2 RBF神经网络
• 2.7 本章小结
• 第三章 Fourier权函数神经网络及其学习算法
• 3.1 多输入单输出Fourier权函数神经网络
• 3.1.1 多输入单输出Fourier权函数神经网络模型及学习算法
• 3.1.2 Fourier权函数及其性质
• 3.1.3 Fourier插值权函数的确定
• 3.1.4 多输入单输出Fourier权函数神经网络误差分析
• 3.2 Fourier权函数神经网络训练算法的一般结构
• 3.3 Fourier权函数神经网络训练算法的误差分析
• 3.4 Fourier权函数神经网络仿真实验
• 3.4.1 实验环境介绍和网络拓扑结构
• 3.4.2 实验过程与结果分析
• 3.5 本章小结
• 第四章 Fourier权函数神经网络在纹理图像识别中的应用
• 4.1 图像识别的定义
• 4.2 基于图像的模式识别方法
• 4.2.1 统计模式识别法
• 4.2.2 句法模式识别法
• 4.2.3 模糊集模式识别法
• 4.2.4 神经网络模式识别法
• 4.3 纹理的定义及纹理图像识别
• 4.4 基于灰度共生矩阵的纹理特征提取方法
• 4.4.1 灰度共生矩阵的定义
• 4.4.2 灰度共生矩阵的参数
• 4.4.3 基于灰度共生矩阵的特征提取算法
• 4.5 Fourier权函数神经网络分类器实现纹理图像识别
• 4.6 实验及实验结果分析
• 4.6.1 实验目的
• 4.6.2 实验方法
• 4.6.3 实验结果
• 4.6.4 实验对比分析
• 4.7 本章小结
• 第五章 总结及展望
• 致谢
• 参考文献
• 攻读硕士研究生期间发表的论文