基于BP神经网络的非结构化道路识别.pdfVIP

学兔兔 第3期 (总第 184期) 机 械 工 程 与 自动 化 No．3 2014年 O6月 MECHANICAL ENGINEERING ＆ AUT0MAT10N Jun． 文章编号 ：1672—6413(2014)03—0178—03 基于BP神经网络的非结构化道路识别 吕艳鹏 ，潘玉 田 (中北大学 机 电工程学院，山西 太原 030051) 摘要 ：基于BP神经网络，针对非结构化道路的彩色 图片，利用熵、对 比度等纹理特征值作为BP神经 网络 的输入层 ，设隐层有 12个节点，输 出层有 1个节点，进行网络训练。完成网络训练之后，可以得到网络的 阀值 ，然后将 图片中的每一个 2O×2O小块 的纹理特征值输入 BP神经网络的输入层，经过运算判断小块是 否为道路部分，直至完成整个 图片的判别。 关键词 ：非结构化道路 ；BP神经网络；纹理特征；网络训练 中图分类号 ：TP183 文献标识码 ：B 1 BP神经网络 J一 ∑叫 ，+0f i=1，2，… ，m ． (1) BP(BackPropagation)神经 网络是 1986年 由鲁 其 中：叫 为隐层的元素 i与输入层的元素 的连接权 梅尔哈特 (美国)和麦克利兰 (美国)为主的科研队伍正 值 ； 为隐层各元素的阀值 。 式提出的，这是一种按误差反 向传播算法训练的多层 我们取隐层的输入量与输 出量之间的传递函数为 前馈网络 ，它由误差反向传播和信息正向传播两个过 Sigmoid函数 ，即： 程组成。随着 BP神经网络的快速发展，其实际应用 案例 已经约 占神经 网络总体案例 的80 。作为最具 厂(z)一 ． (2) 代表性的神经 网络模型，BP神经网络的优越性不言而 则由式 (1)和式 (2)容易得出隐层的输出量为： 喻 ，具有一定的 自适应与 自组织能力 。 一 般地 ，BP神经 网络由3层结构构成 ，其结构示 0一厂(J)=== 亡=了． (3) 意图如图 1所示 。其中，左边为输入层，即外界与神经 同理，可 以得到输出层各元素输出量为： 网络的输入接 口，它由 个元素组成，输入量分别用 挑 = VkiOi+ 忌一 1，2，… ，z ． (4) ，z。，…， 来表示 ，代表 网络的各输入特征值 ；右边 为输 出层，有 个元素，传递函数的比例系数为K，输 其中： 为输出层的元素k与隐层的元素 i的连接权 出值为 。，Y，…，Y，代表各 目标输 出值 ；介于输入层 值 ； 为输出层各元素的阀值 ；Y 就是整个神经网络 和输 出层中间的为隐层，有m个元素，传递函数选用 的输出量。 非线性 Sigmoid函数 。 3 隐层节点数的影响 恰 当的隐层节点数会显著提高网络的运算效率 ， 工 l