神经网络提取特征

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络提取特征范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络提取特征范文第1篇

关键词 数字识别；图像预处理；特征提取；神经网络

引言

目前,识别技术已经广泛地应用到了各个领域中。为了达到对一幅图像中的数字进行识别的目的，我们要对图像进行一些处理，这些处理工作的好坏直接决定了识别的质量，这些处理技术依次为图像的读取、对读取的图像进行灰度变换、按照量化指标对灰度变换后的图像进行二值化、然后对二值化后的图像中的字符信息进行切分等。在进行完上述预处理工作后进行特征提取，再输入到已经训练好的BP网络进行识别。

1 识别的流程

识别的流程按照引言中的步骤进行，主要分为两大部分，第一部分为图像的预处理、第二部分为通过神经网络进行印刷体数字的识别。预处理部分的流程：图像输入-灰度变换-图像二值化-紧缩重排-归一化调整-图像分割-特征提取。神经网络数字识别的具体流程：样本训练-字符特征输入-识别并给出结果。

2 基于神经网络的特征提取算法概述

图像在经过了前期的预处理后，由原来杂乱无章的字符变为了整齐排列的、大小相同的一列字符，在这里图像归一化后的宽度为8像素，高度为16像素，这样就大大方便了对字符特征的提取。我们把提取的特征存储在特征向量里，然后把特征向量输入到神经网络中，这样就可以对字符进行识别了。由以上的论述我们可以得出结论，特征提取的算法是整个识别过程的关键，它的好坏直接决定了识别的成败。对图像中的字符进行特征提取的算法有很多，下面对几种重要的分别进行介绍。

2.1骨架特征提取法

由于图像的来源不同，这就使得图像的线条所使用的像素不同，在图像上表现出来就是线条的粗细的不同，这样就使得它们的差别很大。如果我们将不同的图像统一到相同的像素水平，那么它们的差别也就不那么明显了。我们使用骨架特征提取算法，就会使得识别具有一定的适应广度和宽度。

2.2逐像素特征提取法

这种图像的特征提取算法是最为常用的方法，它的特点是能够保留图像中的全部特征信息，不过这种特征提取算法对图像的噪声较为敏感，对原始图像的质量要求较高，它采用逐行扫描的办法，对图像进行扫描，为整个图像建立一个以图像中的像素个数相同的特征向量矩阵。矩阵值为0或1，图像中的黑色像素记为1，白色像素记为0。

2.3垂直方向数据统计特征提取法

此算法是对逐像素提取算法的改进，他使得特征向量矩阵的维数降低，便于后期的识别。该算法首先对图像进行水平扫描，在这一过程中，统计没一列的黑色像素数，然后进行对图像进行垂直扫描，并记录每一行上的黑色像素数，对于一个字符宽度和长度为W和H的字符，他的特征向量的维数就为W+H。

2.4特征点提取法

这一特征提取算法首先对字符进行分割，利用实现设定的四条线将字符分为八个部分，分别统计每个部分中黑色像素的数目，可以得到八个特征。然后统计水平和垂直两个方向上，穿过四条线的黑色像素数，得到四个特征，最后将整个图像中黑色像素的数目作为一个特征，一共得到十三个特征。该方法具有很强的适应性，但是由于特征点较少，使得在样本的训练过程中很难收敛。

可以看出，识别算法各有特点，根据实践需要，本识别算法中的特征提取算法采用逐像素特征提取法。原因是这种算法的执行效率高，方法简单容易实现，且对于神经网络来说有很快的收敛性，具有较好的训练效果。

3 BP网络进行数字识别算法设计

BP网中中各层中的节点数是设计BP网络最基本的一点，对于神经网络的输入层而言，其节点数为经过图像预处理里后特征向量的维数。可以直接利用每个点的像素值作为特征，这里特征提取采用逐像素提取法，归一化后图像的宽度为8，高度为16，因此对于输入样本来说，每一个样本都会由128个特征，因此神经网络的输入层的特征数为128。

对于神经网络内部隐藏层的节点数来说，其节点数没有特别的规定，总的来说，隐藏层的神经元的数目与神经网络的精度成正比，与训练时间成反比。如果神经网络的神经元设置的过多，会对识别率造成较大影响，使得识别率大幅下降。因此在这里根据多年的实践经验在神经网络的隐藏层选取10神经单元。 对于输出层而言，要根据设定的输出标准来确定输入层的节点数。在本算法中采用8421的编码进行编码。对于0-9这十个数字，分别对应十个8421码，例如，0的8421码为（0,0,0,0），1的8421码为（0,0,0,1），依次类推，因此神经元的数目选定为4，就可以表示这十个数字，然而，因为神经元的激励函数（传输函数）是S型函数，期望输出只能是大于0小于1的数，而不能是1或者0，因此用0.1来代表0，0.9代表1，否则算法将不能收敛。

神经网络搭建好后，要对神经网络进行训练，也就是确定神经网络中各个参数的权值。本程序的训练样为图片。首先将图片进行预处理，然后提取特征，将特征值输入到神经网络中进行训练。在这里使用10个字符的图片进行训练，在图片里包含了ARIAL字体0-9十个数字。

通过50个相关训练样本进行训练后，BP网络对于数字字体的识别率能够达到百分之九十以上。训练好的神经网络就可以对数数据进行识别了。

4结论

本文以VC为平台，运用人工神经网络的思想（主要采用BP神经网络），实现了对印刷体数字识别。系统实现分为图像预处理和神经网络识别两大模块。首先，扫描进入电脑的图像需保存为256色位图或者是256级灰度图像。首先对图像进行预处理，然后进行特征提取，再输入BP网络进行识别。BP神经网络进行字符识别的过程主要包括网络的训练、数据的读取、字符的判定、结果的输出等。本系统通过对样本数据进行学习和训练，形成了具有良好识别能力的网络，对印刷体数字进行识别检测，达到了一定的准确度，满足了设计要求。

参考文献

神经网络提取特征范文第2篇

【关键词】PCA神经网络算法阈值区低功耗低面积积分器

一、引言

本文中为实现植入式的脑电信号特征提取，而设计的一种基于模拟模块的硬件实现方法，实现对神经spike信号的神经网络算法的特征提取的PCA2-1网络，本文的神经网络算法的硬件完全采用模拟电路来实现，以满足植入式的芯片，需要具有低功耗，低面积的特点。本文中的特征提取选择了主成分分析法（PCA），采用基于PCA算法的全模拟电路实现架构，由具有足够线性范围的模拟乘法器，基于亚阈值区的积分器，合理的加法器模块，来实现设计低功耗，低面积的神经信号处理电路。最终验证通过模拟电路实现的神经特征提取电路的权值变化和MATLAB计算出的权值变化相一致，以此来证明该系统的正确性。

二、PCA神经网络

主分量分析的目的在于减少数据维数。其基本思想是提取出空间数据中的主要特征（主分量），减少数据冗余，去掉数据相关性，使得数据能够在一个低维空间来处理。它确定一个方向向量w，使得输入向量x在该方向上的投影y=wTx的方差最大。PCA神经网络克服了传统方法的缺点，它通过学习自动收敛到主分量方向而不用计算相关矩阵[2]。本文中的实现PCA的神经网络为一个单层的前向网络。

本文中的基于神经网络的PCA的算法实现步骤如下：

（1）在t=1时，用小的随机数赋给主元神经网络的权值，另权值修正系数为一小的正数；

（2）对于在t=1，从训练样本集中选取样本输入网络，计算：

由于积分器的输出是权值w，所以对输出幅度有较高要求。本文采用的积分器的OTA为两个单端输出的镜像电流源结构。这样输出的幅度是全差分双端输出的2倍。而且两个单端输出很好的提高了电路的共模抑制比CMRR。OTA的输出级为共源共栅的结构，这让OTA的输出

图3为对输入数据进行长时间的仿真后数据的图像特性，可以看出w的值有很好的收敛特性。

三、总结

PCA算法在噪声比较大的情况下容易聚类失败，而本文中的系统是作为已经实现的低噪声放大器和NEO信号去噪检测之后的一级，所以选取PCA作为特征提取的方法是可行的。本文设计了一种基于神经网络算法的信号特征提取的硬件实现，采用了完全的模拟电路来实现。并根据算法的特点，合理的选择和改进积分器电路和乘法器电路的拓扑结构，来实现电路的功能。并实现了系统的低功耗，低面积的特点。有利于集成于植入式系统的实现。通过对输入一组方波数据的仿真，通过短时间来验证瞬态输出的准确性，而长时间的仿真来验证该系统可有效的让权值w收敛。

参考文献

[1] Hongge Li， Zhao Wei， Zhang Youguang. Micropower fully integrated CMOS readout interface for neural recording application[J]. 2010， 50（2）： 273-281.

[2] Oja E. Principal Components， Minor Components， and Linear Neural Networks[J]. Neural Networks， 1992，5（6）：927-935.

神经网络提取特征范文第3篇

关键词关键词：深度学习；卷积神经网络；古玩图片；图像识别

DOIDOI：10.11907/rjdk.162768

中图分类号：TP317.4

文献标识码：A文章编号文章编号：16727800（2017）005017405

0引言

随着电子商务的发展，大批艺术品交易网站随之兴起，藏品交易规模也越来越大。而当前的古玩网上交易平台还不能够实现对现有藏品图片的自动分类，客户在寻找目标藏品时不得不在众多图片中一一浏览。因此需要一种有效的方法来完成面向图像内容的分类。

在基于内容的图像检索领域，常使用人工设计的特征-如根据花瓶、碗、盘子的不同形态特征：目标轮廓的圆度、质心、宽高比等[1]，继而使用BP神经网络、SVM分类器等对特征进行学习分类。文献[2]基于植物叶片的形状特征，如叶片形状的狭长度、矩形度、球状性、圆形度、偏心率、周长直径比等，利用BP神经网络实现对植物叶片进行分类。文献[3]研究印品图像的各类形状缺陷，利用图像缺陷形状的轮廓长度、面积和圆形度等几何特征，导入SVM分类器进行训练，得到分类器模型实现分类。文献[4]提出了一种基于Zernike矩的水果形状分类方法，通过提取图像中具有旋转不变性的Zernike矩特征，并运用PCA方法确定分类需要的特征数目，最后将这些特征输入到SVM分类器中，完成水果形状的分类。上述方法都要求对目标形状分割的准确性，而分割过程中由于存在目标阴影、目标分割不完整问题，会影响到人工特征的准确选取。除了上述人工特征外，最常用的特征是HOG[5，6]、SIFT[7，8]等。HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。HOG表示的是边缘结构特征，因此可以描述局部形状信息。SIFT在图像的空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。SIFT特征对于旋转、尺度缩放、亮度变化保持不变。但是，这两种特征在实际应用中，描述子生成过程冗长、计算量太大。而且在上述方法征设计需要启发式的方法和专业知识，很大程度上依靠个人经验。

卷积神经网络不需要手动设计提取特征，可以直接将图片作为输入，隐式地学习多层次特征，进而实现分类[9]。相比目前常用的人工设计特征然后利用各分类器，具有明显的优势。近年来，卷积神经网络已成为语音、图像识别领域研究热点。它的权值共享特点使得网络复杂度降低，权值数量减少。而且，卷积神经网络直接将图片作为输入，避免了复杂的特征设计和提取，具有一定的平移、缩放和扭曲不变性[10]。本文采用卷积神经网络对古玩图片进行分类。首先，将背景分离后的图片作为网络的输入，相比原图作为输入，此方法的网络结构更加简单。然后，卷积层通过不同的卷积核对输入图片进行卷积得到不同特征图，采样层进一步对特征图进行二次提取，最终提取到合适的特征输入分类器进行分类，而在卷积层、采样层征图的大小、数目都会影响到网络的分类能力。因此，本文通过优化网络参数，使网络达到较好的分类效果。

1卷积神经网络

1989年，LECUN等[11]提出了卷积神经网络（Convolution Neural Networks，CNN），CNN是一种带有卷积结构的深度神经网络，一般至少有2个非线性可训练的卷积层、2个非线性的固定采样层和1个全连接层，一共至少5个隐含层[12]。百度于2012年底将深度学习技术成功应用于自然图像OCR识别和人脸识别，此后深度学习模型被成功应用于一般图片的识别和理解。从百度经验来看，深度学习应用于图像识别不但大大提升了准确性，而且避免了人工特征抽取的时间消耗，从而大大提高了在线计算效率[13]。

卷积神经网络作为一种高效的深度学习方法[14]，在许多图像识别方面取得了很好的成效[1519]。该网络作为一种多隐层神经网络，可以提取图像的多层次特征进行识别。

卷积神经网络主要包括卷积层和采样层，卷积层通过可学习的卷积核对输入图片进行卷积得到特征图，卷积操作即加强了输入图片的某种特征，并且降低噪声。卷积之后的结果通过激活函数（通常选择Sigmoid函数或Tanh函数）作用输出构成该层的特征图。特征图上的每一个神经元只与输入图片的一个局部区域连接，每个神经元提取的是该局部区域的特征，所有神经元综合起来就得到了全局特征，与神经元相连接的局部区域即为局部感受野[20]。而在卷积层中一般存在多张特征图，同一张特征图使用相同的卷积核，不同特征图使用不同的卷积核[21]，此特点称为权值共享，即同一张特征图上的所有神经元通过相同的卷积核连接局部感受野。卷积神经网络的局部感受野和嘀倒蚕硖氐愦蟠蠹跎倭送络训练的参数个数，降低了网络模型的复杂度。

采样层对卷积层提取到的特征图进行局部非重叠采样，即把特征图分为互不重叠的N×N个子区域，对每个子区域进行采样。卷积神经网络的采样方式一般有两种：最大值采样和均值采样。最大值采样即选取区域内所有神经元的最大值作为采样值，均值采样为区域内所有神经元的平均值作为采样值。最大值采样偏向于提取目标的特征信息，而均值采样偏向于提取背景的特征信息[22]。采样后的特征平面在保留了区分度高特征的同时大大减少了数据量，它对一定程度的平移、比例缩放和扭曲具有不变性。

卷积神经网络通过卷积层和采样层的循环往复提取到图像由低层次到高层次的特征，最后一般通过全连接层将所有特征图展开得到一维向量，然后输入到分类器进行分类。

卷积神经网络在处理二维图像时，卷积层中每个神经元的输入与上一层的局部感受野相连接，并提取该局部的特征，权值共享特点又使得各神经元保持了原来的空间关系，将这些感受不同局部区域的神经元综合起来就得到了全局信息。采样层对特征图进行局部特征提取，不会改变神经元之间的空间关系，即二维图像经过卷积层、采样层仍然保持二维形式。因此，卷积神经网络有利于提取形状方面的特征。虽然卷积神经网络的局部感受野、权值共享和子采样使网络大大减少了需要训练参数的个数，但是该网络作为多隐层神经网络还是十分复杂的。对于不同的数据库，为了达到比较好的分类效果，网络的层数、卷积层特征图个数以及其它参数的设置都需要探究。

2基于卷积神经网络的古玩图片分类

2.1特征提取及传递

不同古玩的主要区别在于形状不同，而花瓶、盘子和碗在古玩中最常见，因此将这3类图片作为实验对象，对于其它种类的古玩图片的分类，该网络同样适用。卷积神经网络采用如下图所示的5层网络结构，并对网络各层的特征图数目、大小均作了修改。对于网络的输入，先将原图像进行目标与背景分割，然后进行灰度化、统一分辨率的处理，最后输入到卷积神经网络。由于训练卷积神经网络的根本目的是提取不同古玩的特征，而背景不是目标的一部分，对古玩识别来说并不提供任何有用的信息，反而对特征的提取造成干扰，所以去除背景噪声后，网络结构会更加简单，同时也利于网络对特征的学习。但是因为进行了去背景的预处理，网络也失去了对复杂背景下图片的识别能力，所以使用该网络进行古玩图片分类前都要进行目标分割的预处理过程。

卷积神经网络对古玩图片的特征提取过程如下：

（1）输入网络的图片为100×100大小的预处理图，卷积神经网络的输入层之后为卷积层，卷积层通过卷积核与输入图像进行卷积得到特征平面，卷积核大小为5×5。如图2所示，特征平面上每个神经元与原图像5×5大小的局部感受野连接。卷积核移动步长为1个像素，因此卷积层C1的特征平面大小为96×96。这种卷积操作在提取到输入图像的某一方面特征时，必然会损失掉图像的其他特征，而采取多个卷积核卷积图像得到多个特征平面则会一定程度上弥补这个缺陷。因此，在卷积层C1中使用了6个不同的卷积核与输入图像进行卷积，得到6种不同的特征平面图。如图3所示，同一张特征图上的所有神经元共享一个卷积核（权值共享），图中连接到同一个特征图的连接线表示同一个卷积核，6个不同的卷积核卷积输入图片得到6张不同的特征平面图。卷积之后的结果并非直接储存到C1层特征图中，而是通过激活函数将神经元非线性化，从而使网络具有更强的特征表达能力。激活函数选择Sigmoid函数。

卷积层中所使用的卷积核尺寸若过小，就无法提取有效表达的特征，过大则提取到的特征过于复杂。对于卷积层征图个数的设置，在一定范围内，特征图的个数越多，卷积层提取到越多有效表达原目标信息的特征，但是特征图个数如果过多，会使提取到的特征产生冗余，最终使分类效果变差。卷积层的各平面由式（1）决定： Xlj=f（∑i∈MjXl-1j*klij+blj）（1）

式（1）中，Mj表示选择输入的特征图集合，l是当前层数，f是激活函数，klij表示不同输入特征图对应的卷积核，blj为输出特征图对应的加性偏置。

（2）卷积层C1后的采样层S1由6个特征平面组成，采样层对上一层特征图进行局部平均和二次特征提取。采样过程如图4所示，特征平面上的每个神经元与上一层4×4大小的互不重合的邻域连接进行均值采样，最终每个平面的大小为24×24。采样层的各平面由式（2）决定：

Xlj=f（βljdown（Xl-1j）+blj）（2）

式（2）中，down（.）表示一个下采样函数，l是当前层数，f是激活函数，βlj表示输出特征图对应的乘性偏置，blj为输出特征图对应的加性偏置。

（3）卷积层C2与C1层操作方式一样，唯一区别的是C2层每个特征图由6个不同的卷积核与上一层6个特征图分别卷积求和得到，因此C2层一共有6×6个不同的卷积核，卷积核大小为5×5，C2层每个平面大小为20×20，共6个特征平面。

（4）采样层S2与S1层操作一样，对上一层4×4大小邻域进行均值采样，输出6个5×5大小的特征平面。本文所用的网络共包括2个卷积层、2个采样层、1个全连接层，由于输入图片已经过背景分离的预处理，采样层S2特征图大小为5×5，所以图1所示5层网络已经有很好的表达能力。如果直接将原图作为输入，那么网络的层数以及特征图的个数将比图1所示的网络更加复杂。

（5）全连接层将上一层6个5×5大小的二维平面展开成为1×150大小的一维向量输入Softmax[23]分类器，输出层一共有3个神经元（即分类的种类数目），分类器将提取到的特征向量映射到输出层的3个神经元上，即实现分类。

2.2网络训练

训练方式为有监督地训练，网络对盘子、花瓶和碗共三类图片进行分类，所以分类器输出一个3维向量，称为分类标签。在分类标签的第k维中1表示分类结果，否则为0。训练过程主要分为两个阶段：

第一阶段：向前传播A段。

将预处理过的图片输入卷积神经网络计算得到分类标签。

第二阶段：向后传播阶段。

计算输出的分类标签和实际分类标签之间的误差。根据误差最小化的原则调整网络中的各个权值。分类个数为3，共有N个训练样本。那么第n个样本的误差为：

En=12∑3k=1（tnk-ynk）2（3）

式（3）中，tn表示第n个样本的网络输出标签，tnk对应标签的第k维，yn表示第n个样本的实际分类标签，ynk对应标签的第k维。为了使误差变小，利用权值更新公式（4）更新各层神经元的权值，一直训练直到网络误差曲线收敛。

W（t+1）=W（t）+η・δ（t）・X（t）（4）

式（4）中，W（t）表示算第n个样本时的权值，W（t+1）表示计算第n+1个样本的权值，η为学习速率，选取经验值，δ为神经元的误差项，X表示神经元的输入。

3实验结果及分析

实验在MatlabR2012a平台上完成，CPU 2.30GHz，内存4GB，所采用的图像由相关古玩网站提供，分辨率统一格式化为100×100。由于盘子、花瓶和碗在各种古玩种类中它们之间的形状差别比较明显，本文实验对这三类古玩图片进行分类。对古玩图片进行了水平翻转处理，增加图片数据量，以加强网络对古玩图片分类的鲁棒性。实验数据如表1所示，图5列出了3类图片的部分样本，实验所用图片均与图5所示图片类似，背景比较单一，少数图片下方有类似阴影。

为了形象表示网络各层提取的不同特征，图6展示了当网络输入为盘子时的各层特征图。卷积层C1中6张特征图分别提取到了输入图片的不同特征，而由于权值共享，同一张特征图中神经元的空间关系保持不变，所以6张特征图都抓住了盘子的圆形特征。采样层S1对C1进行均值采样，相当于模糊滤波，所以S1层各特征图看起来模糊了一些。卷积层C2中每张特征图由6个不同的卷积核卷积S1层各特征图叠加而成，S2层与S1层处理方式相同。

为了说明将背景分离后的图片作为输入的网络与原图输入的网络之间的差异，设计了如表3所示的两种网络结构，网络CNN4只需要4层网络层就可以达到0.19%的错误率，而原图作为输入的CNN8共6层网络层，在网络达到收敛的情况下，错误率为5.24%。由此可以说明，将背景分离后图片作为输入的网络结构更加简单。

网络的训练采用了批量训练方式，即将样本分多批，当一批样本前向传播完之后才进行权值更新，每批大小为100，训练集共2 200张图片，网络迭代次数为1时共进行22次权值更新，所以权值更新的计算次数与迭代次数有如下关系：

计算次数=22×迭代次数（5）

图7为网络在训练集上的误差曲线图，横坐标为误差反向传播的计算次数，纵坐标为训练集上的均方误差。可以看出，当网络训练次数达到270次（计算次数约6 000）时，训练集误差趋于平缓，网络已经基本拟合。训练好的网络可以用来对测试集图片进行分类，表4为不同迭代次数下训练的网络在测试集上的分类错误率，可以看出迭代次数在达到270次后，网络在测试集的错误率收敛，此时只有2张图片出现分类错误。

表5给出了图像分类算法中常用的人工特征+BP神经网络、人工特征+SVM分类器以及Hog特征+SVM分类器与CNN方法的性能比较。人工设计的特征包括图片中目标轮廓的最大长宽比、质心、圆度等特征。从准确率方面来看，CNN方法的准确率高于其他方法，Hog特征方法的准确率远远高于人工特征的方法，说明了特征的好坏对图像分类效果有着很大程度上的影响，CNN提取到的特征比Hog和人工设计的特征更具代表性。从测试时间来看，Hog方法与CNN方法相差不多，采用人工特征的方法时间最长。综合两个方面，CNN方法在测试时间和HOG方法相近的情况下，准确率最高。

4结语

针对网上古玩图片分类问题，为了克服现有算法中人工设计特征困难以及往往依赖个人专业经验的不足，提出一种基于卷积神经网络的方法。将背景分离后的目标图片作为网络输入，可以实现自动提取特征进行分类，背景分离后图片作为网络输入使得网络结构更加简单，并且设置了合适的特征图个数以使网络在古玩图片集上取得较好的分类准确率。实验数据表明，该方法能够解决网上古玩图片的分类问题，并且分类准确率达到99%，其准确率优于常用的Hog特征以及人工特征方法。另外该方法不仅可以应用于网上古玩图片，还可应用于鞋类、服装等其它商品图像的分类。

参考文献参考文献：

[1]K KAVITHA，M.V.SUDHAMANI.Object based image retrieval from database using combined features[C].in Signal and Image Processing （ICSIP），2014.

[2]董红霞，郭斯羽，一种结合形状与纹理特征的植物叶片分类方法[J].计算机工程与应用，2014，50（23）：185188.

[3]舒文娉，刘全香，基于支持向量机的印品缺陷分类方法[J].包装工程，2014，35（23）：138142.

[4]应义斌，桂江生，饶秀勤，基于Zernike矩的水果形状分类[J].江苏大学学报：自然科学版，2007，28（1）：3639.

[5]ZHU Q，YEH M C，CHENG K T，et al.Fast human detection using acascade of histograms of oriented gradients[C].Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2006.

[6]M VILLAMIZAR，J SCANDALIANS，A SANFELIU bining colorbased invariant gradient detector with Hog descriptors for robust image detection in scenes under cast shadows[C].In Robotics and Automation，ICRA IEEE International Conference on.Barcelona，Spain：IEEE，2009.

[7]CHEN J，LI Q，PENG Q，et al.CSIFT based localityconstrained linear coding for image classification[J].Formal Pattern Analysis & Applications，2015，18（2）：441450.

[8]AHMAD YOUSEF K M，ALTABANJAH M，HUDAIB E，et al.SIFT based automatic number plate recognition[C].International Conference on Information and Communication Systems.IEEE，2015.

[9]LAWRENCE S，GLIES C L，TSOI A C，et al.Face recognition：a convolutional neuralnetwork approach[J].IEEE Transactions on Neural Networks，1997，8（1）：98113.

[10]TREVOR HASTIE，ROBERT TIBSHIRANI，J FRIEDMAN.The elements of statistical learning[M].New York：Springer，2001.

[11]Y LECUN，L BOUOU，Y BENGIO.Gradientbased learning applied to document recognition[J].Proceedings of the IEEE，1998，86（11）：22782324.

[12]DAHL J V，KOCH K C，KLEINHANS E，et al.Convolutional networks and applications in vision[C].International Symposium on Circuits and Systems （ISCAS 2010），2010：253256.

[13]余凯，贾磊，陈雨强，等.深度学习的昨天、今天和明天[J].计算机研究与发展，2013（09）：17991804.

[14]MAIRAL J，KONIUSZ P，HARCHAOUI Z，et al.Convolutional kernel networks[DB/OL].http：///pdf/1406.3332v2.pdf.

[15]Z世杰，杨东坡与刘金环，基于卷积神经网络的商品图像精细分类[J].山东科技大学学报：自然科学版，2014（6）：9196.

[16]程文博等，基于卷积神经网络的注塑制品短射缺陷识别[J].塑料工业，2015（7）：3134，38.

[17]邓柳，汪子杰，基于深度卷积神经网络的车型识别研究[J].计算机应用研究，2016（4）：14.

[18]T JONATAN，S MURPHY，Y LECUN，et al.Realtime continuous pose recovery of human hands using convolutional networks[J].ACM Transaction on Graphics，2014，33（5）：3842.

[19]S SKITTANON，A C SURENARAN，J C PLATT，et al.Convolutional networks for speech detection[C].Interspeech.Lisbon，Portugal：ISCA，2004.

[20]HUBEL D H，WIESEL T N.Integrative action in the cat's lateral geniculate body[J].Journal of Physiology，1961，155（2）：385398.

[21]JAKE BOUVRIE.Notes on convolutional neural networks[DB/OL].http：///5869/1/cnn_tutorial.pdf.

神经网络提取特征范文第4篇

关键词 滚动轴承 状态监测 MATLAB BP神经网络

中图分类号：TH133 文献标识码：A

1 监测轴承的意义和重要性

滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件，它们在旋转机械中起着关键的作用，旋转机械的故障30%是由滚动轴承故障引起的，其运行状态的正常与否直接影响到整台机器的性能（包括精度、可靠性及寿命等）。因此，及时发现滚动轴承的故障并消除，能有效保证机器正常运转，提高使用寿命。

2 常见轴承故障

滚动轴承在工作过程中，常见的轴承故障可总结为损伤和磨损两大类。损伤类故障有疲劳剥落、塑性变形、轴承烧伤、锈蚀 、断裂、胶合六种；磨损类故障为轴承长期正常工作引起的渐变性故障。

（1）疲劳剥落

在工作中，轴承滚子和滚道接触面相对滚动的同时又互相挤压，轴承部件接触面将产生小的剥落坑，最终发展为大面积剥落，该现象称作疲劳剥落。

（2）塑性变形

当工作载荷过重时，由于滚 动 轴 承 承受 的 过 大 的 冲 击 力 和 静 载 荷 的 原 因 ，轴承滚道的表面上形成的不均匀凹坑，这种现象主要发生在低速旋转的轴承上。

（3）断裂

过大的负荷和工作过程中摩擦产生的热应力过大时能引起轴承零件断裂。

（4）轴承烧伤

轴承不良、应用变质的油、装配过紧或存在较大偏斜量能引起轴承的烧伤。

（5）胶合

轴承在高速高负荷和欠缺的情况下，摩擦产生的热量能使轴承部件迅速升温，到达一定温度时能引起轴承部件接触的金属表面相互粘接，该现象称作胶合。

3 常用的滚动轴承监测数据分析手段

利用振动信号对故障进行诊断，是设备故障诊断方法中有效且常用的方法。机械设备和机构系统在运行过程中的振动及其特征信息是反映系统状态及其变化规律的主要信号。通过各种动态测试仪器提取、记录和分析动态信息，是进行系统状态监测和故障的主要选径。常用的信号处理方法主要有时域分析、频域分析和小波分析等。

4 信号采集和特征值提取

通过加速度传感器可提取到振动信号。滚动轴承的振动信号的特征包括时域和频域特征，这些特征的合理组合能够很好的反应滚动轴承的运行状态，实现对其的监测，并能通过进一步处理实现故障的识别。时域特征可包含信号的能量、波动性等信息，但远远不足以准确判断故障所在；频域的特征则是更加明显。然而只有两累特征综合来判断才能对故障进行准确识别。

对时域和频域的各个参数分别进行分析，从中抽取特征，可用作模式识别的输入量。特征选取依据以下原则：（1）同种状态信号的特征重复性好；（2）不同种状态信号的特征差异性好，即当被监测对象状态发生改变时，特征值会明显改变。

5 神经网络的模式识别

5.1 人工神经网络的基本原理

（1）人工神经元模型

最早提出神经元模型并且影响较人的是1943年心理学家在分析总结神经元基本特性的基础上首先提出的MP模型。人工神经元模型是由大量处理单元广泛互连而成的网络，是人脑的抽象、简化、模拟，反映人脑的基本特性。

（2）人工神经网络结构。

神经网络常分成两大类：没有反馈的前向神经网络和相互结合型网络，如图4.1所示。

前向神经网络由输入层、一层或多层的隐含层和输出层组成，每一层的神经元只接受前一层神经元的输出。相互连接是指网络中任意两个单元之间都是可达的，即存在连接路径。

5.2 BP神经网络

（1）BP神经网络的结构

BP神经网络，即多层前馈式误差反传神经网络，通常由输入层、输出层和若干隐含层构成：每一层都由若干个节点组成，每一个节点表示一个神经元，上层节点与下层节点之间通过权值连接，层与层之间的节点采用全互联的连接方式。神经网络的结构图如下所示：

（2）网络参数的确定

①网络层数的确定

BP网络是通过输入层到输出层的计算来完成的。多一层的隐含层虽然能提高网络的训练速度，但是需要较多的训练时间，而训练速度可以用增加隐含层节点个数来实现，因此在应用BP神经网络时，选取只有一个隐含层的三层BP神经网络就足够了。

②输入、输出层神经元个数的确定

输入层的神经元个数就是提取到的有效特征值的个数；输出层神经元的个数要看问题模式的种类数，监测轴承的好坏有正常与故障两种模式，故输出层神经元的个数为1。当输出为1时表示该轴承为正常轴承，输出为0时表示该轴承为故障轴承。

③隐层神经元个数的确定

隐层神经元个数的确定比较复杂。在具体设计时，首先根据经验公式初步确定隐含层神经元个数，然后通过对网络进行训练对比，再最终确定神经元数。通用的隐含层神经元数的确定经验公式有：

其中为隐含层神经元的个数，n为输入层神经元的个数，m为输出层神经元的个数，a为常数且1 < a < 10。

6 结束语

通过对轴承特征值的提取，提取到了重复性好、差异性好的有效特征值。利用神经网络模式对轴承的工作状态进行有效的识别，将归一化处理后的有效特征值作为神经网络的输入参数输入，用实验所测得的数据对BP神经网络进行训练，从而达到轴承状态识别的目标。

参考文献

[1] 雷建中，张增岐.国内外轴承废品及失效分析.NSTL期刊，2010.7.

[2] 武栋梁.滚动轴承常见故障及其振动信号特征.中国航空导弹研究院，2012.6

[3] 苏宝定.滚动轴承振动检测与智能诊断系统研究.大连理工大学，2008.12

[4] 常文龙，胡朋.滚动轴承运行状态智能化监测.科教导刊，2013.3

神经网络提取特征范文第5篇

【关键词】　RBF 混沌 模糊 指纹识别 模式识别

指纹识别技术，可称为人体密码，是模式识别领域中使用最早的，也是最为成熟的生物鉴定技术，它是集传感器技术、生物技术、电子技术、数字图像处理、模式识别于一体的高新技术[1]微软公司在新一代操作系统Windows Vista中，把指纹识别作为身份验证方式之一。指纹识别技术的核心是指纹识别算法，可以把识别算法大致分为3个步骤：图像预处理、指纹特征提取和指纹特征比对[2](包括验证和辨识[3])。目前不少研究将神经网络用于指纹识别，提高了指纹识别性能。文献[4]提出了一种基于LVQ神经网络指纹识别方法，由于LVQ神经网络自身的自组织和聚类特性，可以很好地给出模式在多维空间的概率分布估计，从而可较好地完成指纹的识别。文献[5]介绍了一种基于DHNN(离散型Hopfield　神经网络)的识别技术，运用DHNN的联想记忆功能来识别指纹特征。不少研究将神经网络与模糊理论相结合[6,8]，提高了神经网络在指纹识别领域的研究水平。本文提出一种基于混沌模糊RBF神经网络的算法，并应用到指纹识别中。将混沌理论引入神经网络的构造，利用混沌对初值的极端敏感依赖性，从而可能对仅有微小差别的模式进行识别，由于引入了混沌噪声，可使网络具有很强的抗干扰能力，有效避免了复杂的特征提取工作。将模糊理论应用于RBF神经网络设计，提高了神经网络的学习泛化能力，能较好地逼近实际模型。应用混沌模糊RBF网络进行指纹识别，结合了模糊函数、混沌和神经网络的各自优点，得到了较满意的识别效果。仿真实验表明，该算法精度高、迭代步骤少、收敛快，混沌模糊RBF神经网络应用于指纹识别是有效的，能提高识别率。该算法不仅可以保证对指纹样本的正确分析，同时可以保证识别速度。将算法应用于电力企业集成管理，保证了安全生产和优化管理的目标，获得了良好的应用价值。

1　RBF神经网络

径向基网络是前馈网络中完成映射功能最优的网络，具有很好的模式分类和函数逼近能力。典型结构为两层网络。