本 科 毕 业 设 计
第 21 页 共 32 页
脑功能的。人工神经网络，就是一种可以模拟人类进行思维的方式。作为一个力学而且是非线性的力学系统，它对信息进行分布式存储，共同处理。由大量结构简单，特定功能的许多单个神经元构成的网络系统，可以成功的模拟形形色色的行为活动。
人工神经网络的运行一般有两个阶段：学习阶段和记忆阶段，学习阶段是其最具有魅力的阶段。人工神经网络的训练阶段也就是它的学习阶段，而神经网络的训练阶段的实质是通过在网络中对样本集的输入或者输出的模式的反复作用，网络按照一定的学习算法自动调节神经元之间的连接强度或者拓扑结构，当网络的实际输出满足期望要求，或者趋于稳定时，则认为学习阶段就结束了。人工神经网络有自己相应的学习准则，具体过程为：判定错位，网络学习，进行工作。这样可 以减少同样错误再次出现的可能性。现在以一个例子说明：以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 首先，将区间（0,1）内的随机的一个值赋给神经网络的各连接权值，将字母“A”这个图像所对应的图像模式输入到网络，网络将所输入进去的图像模式加权求和后再与门限比较，再进行一次非线性运算，这样得到了网络的输出。在这种情况下，网络输出0、1的概率就是各半，分别为50%，也就是说属于完全的随机。这时若输出结果为1（此结果正确），则使连接权值增大，以便使当神经网络再次遇到“A”这样的图像模式作为输入时，依然能够做出正确的判断
[6]。
若输出结果为“0”，即此结果错误，则将连接权值调整为能使综合输入加权值
减小的值，它的目的就在于使网络再遇到“A”这样的图像模式输入时，减小判断错误的可能性。做这样的调整，当给网络反复输入若干个手写字母“A”“B”后，经过网络按以上的训练方法进行多次的训练后，网络判断的正确率将有所提高。这就说明，网络对这两种图像模式的学习已经成功，它已经将这样的两种模式分别记在网络的各个连接权值上。当网络再一次有其中的任意一个模式输入时，能够很迅速且正确的做出判断和识别。一般的，网络中所含的神经元越多，它能够记忆和识别的图像模式也就越多。
Back Propagation（BP）神经网络由正向传播的信息与反向传播的误差组成。对输入的多个神经元，负责把外界的接受信息输入进来，并将其神经元中间各层。如果期望输出与实际输出不符时，便进入误差的反向传播阶段。当误差 通过输出层时，按误差梯度下降的方式修正各层的权值，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，将各层权值不断调整的过程，也是神经网络学习训练的主要过程，此过程将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才结束。
本 科 毕 业 设 计
4.3 BP神经网络的车型分类
第 22 页 共 32 页
要想用神经网络对车型做识别，先要训练一个神经网络，然后用训练好的神经网络对车型做识别，对于神经网络的训练，所选的训练样本有一定代表性，而且要注意多样性和均衡性。用newff函数建立一个可训练的前馈网络，函数程序如(4-1)：
net=newff(minmax(P),[1,1],{'logsig','purelin'},'traingdx'); (4-1) Newff命令建立了网络对象并且初始化了网络权重和偏置，minmax(P)是输入的信号，[1,1]是网络中的节点数，logsig是对数S形转移函数，purelin是线性函数，traingdx是梯度下降自适应学习率训练函数。
训练样本和期望输出如表4.1：
表4.1 训练样本和期望输出
训练样本 2.5585 2.5419 2.5644 2.5361 2.5742 2.5984 2.7140 2.7055 2.7038 2.7271 2.7241 2.7019 2.8715 2.8549 2.8321 2.8426 2.8481 2.8205 期望输出 0 0 0 0 0 0 1 1 1 1 1 1 2 2 2 2 2 2 大货车 大客车 车型类别 小汽车 本 科 毕 业 设 计
次迭代达到收敛目标，如图4.1：
图4.1 BP网络训练过程
第 23 页 共 32 页
训练好的神经网络均方误差是0.00917，最大误差为0.01，学习率为0.85572.在第44
由图看出，在训练25次后，训练误差开始迅速收敛，在训练44次后完成收敛，效果达到最好，训练效果图如图4.2：
本 科 毕 业 设 计
图4.2 训练效果图
第 24 页 共 32 页
BP神经网络需要学习的规律就隐含在训练样本中，隐含层不和外界接触，它存储着训练后获得的汽车车型知识，并以网络内部的连接权值隐性表达的，在一定的训练次数后，学习开始收敛，将隐含层的权值、阈值冻结，使该训练好的神经网络处于回想状态，然后将车型的特征值输入就可以产生相应的分类输出。本次研究用输出数值代表车型的类别，将所得的车型特征值送入训练好的神经网络，神经网络将输出数值0、1、2来分别代表小车、大客车、大货车。
根据多次试验，该方法的识别率基本保持在90%以上，详细识别情况如表4.2。
表4.2 车型识别率
天气情况 晴天 车型 小车 大客 大货 阴天 小车 大客 大货
识别误差的原因：通过车型识别率看出，在阴天的识别率高于晴天的，由于晴天是汽车周围会有阴影，此阴影会被误判为汽车的一部分，由于车辆阴影范围较大，车辆轮廓严重失真，给神经网络送去的特征值是错误值，这时就会产生错误识别，由表4.2得知大货车识别率较低，是由于货车所载货物往往高于车身，或长于车身，这样就会对车辆的特征参数造成影响，而且车辆在拍摄时所处的位置不同，光照不同，使得车辆的轮廓图有细微的失真，影响到车型的特征参数，该课题在对车型做识别时允许一定程度的车
识别车数 50 50 50 50 50 50 正确数 50 50 40 10 10 45 识别率 100% 100% 80% 100% 100% 90% 本 科 毕 业 设 计
型轮廓失真和特征值偏差，所以识别率还是较高的。
第 25 页 共 32 页
4.4 本章小结
本章介绍了车型分类方法，神经网络的基本工作原理，BP神经网络的建立和训练，用训练好的网络对车型做识别，对识别的误差做了分析。并用Matlab编程实现车型识别。