Table1 Theinputlayernodenumbers,outputlayer
nodenumbersandhiddenlayernodenumbers项目输入层节点 个
输出层节点 个隐含层节点 个
汉字
145424
英文
162618
英文+数字
203620
数字
71014
汽车车牌识别系统的设计文献综述
第4期李丰林:基于BP神经网络的汽车牌照识别
表2 车牌识别网络学习结果
Table2 Thelearningresultofrecognitionof
carlicenseplatesnetworks
网别
输入层节点 个
1314
27
(4)非线性兴奋函数。在样本输入前把它们归
一化到了[01001,110],非线性兴奋函数
f(x)=
。1+e-x
(n)+Γ(tk-yk)yk
jk
(5)权值的调整。
w
jk
样本总数训练次数 个 次
1851851851651501301501502002002001602007070607070
100001000080005000100007000100001000010000750010000100002800030000300002000030000
训练时
间 min
60705635805236302742117128105901101925181618
识别率 %
981610098169610010010098159812931410010096199516891595179917961998149617
(n+1)=w
jk
(1-yk)hj+Α w
M
(n-1),
hj)
汉字网
wij(n+1)=wij(n)+Γhj(1-
141416
∑
k=1
((tk-yk)yk(1-yk)xi+Α wij(n-1),
其中Α为动态因子,从而改善收敛性,此处Α取019。
常规BP取值为0101～题:,可能出现麻痹现象,即操作在S型函数的饱和区,其导数非常小,随之学习因子也非常小,若激活函数的导数趋于零,误差趋于零,则学习因子趋于零,相当于学习过程几乎停顿下来;当学习因子取值过小时,收敛速度过于缓慢。而在迭代过程中,根据误差函数的变化自适应调整学习因子可有效地解决上述两个问题,误差函数为:
111Γ(n)
E(n+1)<E(n)E(n+1)>1105E(n)E(n)≤E(n+1)≤1105E(n)
1615212020201867
英文+数字网
数字网775
Γ(n+1)=
017Γ(n)
。
312 结果分析
(1)合理选择网络参数对系统性能的实现起着
Γ(n)
(6)阀值的调整。
× k(n+1),Ηk(n+1)=Ηk(n)-Γ× j(n+1)。Ηj(n+1)=Ηj(n)-Γ
(7)输出期望值。将输出期望值1变为019,0
变为011,则标准输出向量变为011和019的组合,
摆脱了函数平缓区,使导数接近于0区域的可能性降低,从而减少迭代次数,网络收敛速度明显加快。
(8)参数的初始化。Γ=,Α=019,wjk,wij,
s
至关重要的作用。
(2)输入层节点数即输入特征矢量的维数有一个最佳值M,具体为:汉字网14、英文网16、英文+数字网20、数字网7。
(3)每类样本数越多,相异性越大,训练次数越多,训练时间越长,系统的最佳识别率越高。
(4)系统对100个车牌进行了识别,平均识别率在92%以上,达到了预期效果。参考文献:
[1] 刘智勇,刘迎建.车牌识别(LPR)中的图像提取与分割
[J].中文信息学报,2000,14(4):29234.
[2] HaganMT,DemuthHB,BealeMH.神经网络设计
[M].戴葵,宋辉,潭明峰,等译.北京:机械工业出版
～1之间随机选择。Ηk,Ηj在0
21312 BP网络学习和识别的判别规则 BP网络
学习判别规则:当连续5次Ep<0101时,训练结束。
当训练次数超过100000次时为训练失败。
BP网络识别判别规则:在输出单元所有的输出值中,选取最大的当作019,其余为011,然后与期望输出向量相匹配进行识别。
社,2002.
[3] 姚海根.图像处理[M].上海:上海科学技术出版社,
2000.
3 实验结果与分析
311 实验结果
作者简介:李丰林(1963-),男,江苏射阳人,淮海工学院电子工程系讲师,硕士,主要从事数字信号处理的研究。
车牌识别网络学习结果如表2所示。(责任编辑:燕姣云)