2017年第36卷第11期
传感器与微系统（Transducerand Microsystem Technologies）
67
DOI:10.13873/J.10009787(2017)11006703
基于链式竞争策略的图像象识别研究
张力，宋伟
（昆明理工大学信息工程与自动化学院，云南昆明650500）
摘要：针对反向传播神经网络（BP-NN)在图像识别运算过程中容易陷入局部极小值的问题，提出了在常规的遗传算法（GA)中引人3个邻域的链式竞争，进行特征选择的图像识别方法。仿真结果表明：将引人链式竞争策略的遗传算法应用到反向传播神经网络中，可以使图像更清晰，提高了图像识别的容错性及效果。
关键词：反向传播神经网络；图像识别；遗传算法；链式竞争；容错性
中图分类号：TP391
文章编号：10009787（2017)11-0067-03
文献标识码：A
Study of image recognition based on chain competitive strategy
ZHANG Li, SONG Wei
( School of Information Engineering and Automation, Kunming University of Science and
Technology,Kunming 650500,China)
Abstract: Aiming at problem that back propagation neural network( BP-NN) is easy to fall into local minima in operation process in image recognition, introduce chain competition of three areas in the conventional genetic algorithm( GA). The improved GA is applied to BP-NN, which can make the image more clearer, and improve fault-tolerance and effect of image recognition.
Key words: back propagation neural network ( BP-NN); image recognition; genetic algorithm ( GA ); chair competition;fault-tolerance
0引言
在图像处理过程中，需要经过部分预处理操作，受到一些不利因素的影响，预处理结果仍然包含一定的噪音[]。许多国内外学者提出了一些新的特征提取算法以及多种神经网络模型以便于提高识别率。自前，中值滤波，均值滤波和小波变换24等方法是比较常用的图像处理方法。其中，小波变换对高斯噪声有较强的去噪能力，但对脉冲噪声的去噪能力不佳。近年来，随着反向传播神经网络（back propagationneuralnetwork，BP-NN）的使用越来越广泛，通过模仿人脑结构及其功能，使其具有非线性映射、联想记忆、分类、识别等功能，能够在图像处理申去除客种类型噪声。针对BP-NN容易陷人局部极小值，本文采用遗传算法优化BP-NN训练初始权值阔值，解决了该问题，提高了图像识别的容错性，同时在遗传算法中引人了3个邻域的链式竞争[]，进行特征选择，使图像处理效果更清晰、边缘更明显。
1BP-NN基本原理及其在图像识别中的应用 1.1BP-NN基本原理
BP-NN是一种按误差逆传播算法训练的多层前馈网收稿日期：2016-10-24
络[7。学习过程中，分为信号的正向传播和误差的反向传播。典型的3层BP-NN拓扑结构如图1所示。
输人层
6
输出层 6
图13层BP-NN拓扑结构
1.1.1正向传播过程
图1中输入层有m个节点，隐含层有h个节点，输出层有几个节点。隐含层节点的输出函数为
c,=f(WX +b,)
(1)
式中c,为隐含层第i个节点的输出值，i=1,2，.-,h;f为激励函数；W为输入层到隐含层的权值；X为隐含层节点的输入向量;b,为隐含层第j个节点的阔值,j=1,2，..-，h。
输出层节点的输出函数为
y,=f(VC+6.）
(2)