卷積神經網絡總結精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經網絡總結主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經網絡總結范文

【關鍵詞】壓縮緊鄰 字符識別 正確率

1 研究背景

樣本選擇是從原有的樣本集中某一種選擇方式來選出樣本子集，是一個能加快數據處理效率，可以節省存儲資源并且保證不降低分類性能的可靠方法。樣本選擇和特征選擇在某些方面上有相似之處，一般都是與具體分類預測方法相關聯。字符識別是模式識別中一類熱門的研究問題，本文將利用樣本選擇方法結合深度卷積神經網絡進行字符識別。

2 加權壓縮近鄰方法

基于壓縮近鄰的樣本選擇方法具有擁有降低存儲、縮短運算等特點。郝紅衛等人在此基礎上提出了加權壓縮近鄰規則，針對那些未被選中的邊緣樣本，可以重復數次對壓縮近鄰的過程，從而確保樣本數據均能夠被選上。對于中心樣本也能被保留的問題，通過對樣本加權評估、再次選擇的方式來解決。在選擇的過程中可以根據實驗需要進行樣本數量進行控制，稱之為加權壓縮近鄰規則（Weighted Condensed Nearest Neighbor）。

該算法是通過壓縮近鄰規則過程的循環保證子集P中有足夠多的邊界樣本，但是其中仍存在大量的冗余，我們依據投票的原則對子集P中樣本的代表性進行評估并且再次選擇。其具體過程是對于U中的每個樣本x找出P中距離最接近的樣本xi，如果x和xi的類別是相同的，那么投xi一票。樣本獲得的票數最高，說明它最具有代表性。根據投票的實際情況和樣本的數量來得到最終的子集A。用加權壓縮近鄰規則獲得的子集比壓縮近鄰規則得到的子集包含更少的冗余樣本和更多的具有代表性樣本，同時還可以根據實驗來控制子集中所含有的樣本數。

3 實驗結果與分析

本次實驗分別使用MNIST和USPS手寫體識別庫作為訓練和測試樣本集。

實驗平臺采用英特爾酷睿i5-4430CPU 3.00GHz，8GB內存，Windows10操作系統，Matlab R2010b。我們設定隨機選擇和壓縮近鄰選取MNIST中樣本數目為6600個，樣本壓縮比為10%，USPS庫中選取樣本數目為1767個，樣本壓縮比為20.34%。設置深度卷積神經網絡訓練次數設為100次。

算法給出了基于壓縮近鄰和BP神經網絡手寫體字符識別結果。通過融合壓縮近鄰規則選取樣本和BP神經網絡實驗，在訓練時間上雖然沒有融合隨機選取樣本和深度卷積網絡實驗短，但是在時間上并沒有很大幅度延長。在實驗的識別錯誤率上，MNIST庫中比隨機選擇實驗提升了1.52%，分類效果提升明顯。可見壓縮近鄰方法可以選擇到更好的代表性樣本。這兩組數據依然說明了壓縮近鄰對樣本選擇的可靠性。表1給出了基于壓縮近鄰和卷積神經網絡的手寫體字符識別結果。

4 總結

本文主要介紹了基于壓縮近鄰的樣本選擇方法。樣本選擇的提出是為了有效減少樣本數量，并且保證不降低訓練精確度。在實驗中進行驗證，通過壓縮近鄰規則選取樣本和深度卷積神經網絡實驗，證明其能夠減少訓練樣本，提升訓練速度，降低存儲空間還可以提高識別正確率。

參考文獻

[1]郝紅衛，蔣蓉蓉.基于最近鄰規則的神經網絡訓練樣本選擇方法[J].自動化學報，2007，33（12）：1247-1251.

[2]姜文瀚.模式識別中的樣本選擇研究及其應用[D].南京理工大學，2008.

[3]余凱，賈磊，陳雨強.深度學習的昨天、今天和明天[J].計算機研究與發展，2013，50（09）：1799-1804.

第2篇：卷積神經網絡總結范文

關鍵詞：人工智能 機器學習 機器人情感獲得 發展綜述

中圖分類號：TP18 文獻標識碼：A 文章編號：1003-9082 （2017） 04-0234-01

引言

人類自從工業革命結束之后，就已然開始了對人工智能的探索，究其本質，實際上就是對人的思維進行模仿，以此代替人類工作。人工智能的探索最早可以追溯到圖靈時期，那時圖靈就希望未來的智能系統能夠像人一樣思考。在20世紀五十年代，人工智能被首次確定為一個新興的學科，并吸引了大批的學者投入到該領域的研究當中。經過長時間的探索和嘗試，人工智能的許多重要基本理論已經形成，如模式識別、特征表示與推理、機器學習的相關理論和算法等等。進入二十一世紀以來，隨著深度學習與卷積神經網絡的發展，人工智能再一次成為研究熱點。人工智能技術與基因過程、納米科學并列為二十一世紀的三大尖端技術， 并且人工智能涉及的學科多，社會應用廣泛，對其原理和本質的理解也更為復雜。 一、人工智能的發展歷程

回顧人工智能的產生與發展過程 ，可以將其分為：初期形成階段，綜合發展階段和應用階段。

1.初期形成階段

人工智能這一思想最早的提出是基于對人腦神經元模型的抽象。其早期工作被認為是由美國的神經學家和控制論學者 Warren McCulloch與Walter Pitts共同完成的。在1951年，兩名普林斯頓大學的研究生制造出了第一臺人工神經元計算機。而其真正作為一個新的概念被提出是在1956年舉行的達茅斯會議上。由麥卡錫提議并正式采用了“人工智能”（Artificial Intelligence）礱枋穌庖謊芯咳綰斡沒器來模擬人類智能的新興學科。1969年的國際人工智能聯合會議標志著人工智能得到了國際的認可。至此，人工智能這一概念初步形成，也逐漸吸引了從事數學、生物、計算機、神經科學等相關學科的學者參與該領域的研究。

2.綜合發展階段

1.7 7年， 費根鮑姆在第五屆國際人工智能聯合會議上正式提出了“知識工程”這一概念。而后其對應的專家系統得到發展，許多智能系統紛紛被推出，并應用到了人類生活的方方面面。20世紀80年代以來，專家系統逐步向多技術、多方法的綜合集成與多學科、多領域的綜合應用型發展。大型專家系統開發采用了多種人工智能語言、多種知識表示方法、多種推理機制和多種控制策略相結合的方式， 并開始運用各種專家系統外殼、專家系統開發工具和專家系統開發環境等等。在專家系統的發展過程中，人工智能得到了較為系統和全面的綜合發展，并能夠在一些具體的任務中接近甚至超過人類專家的水平。

3.應用階段

進入二十一世紀以后，由于深度人工神經網絡的提出，并在圖像分類與識別的任務上遠遠超過了傳統的方法，人工智能掀起了前所未有的。2006年，由加拿大多倫多大學的Geoffery Hinton及其學生在《Science》雜志上發表文章，其中首次提到了深度學習這一思想，實現對數據的分級表達，降低了經典神經網絡的訓練難度。并隨后提出了如深度卷積神經網絡（Convolutional Neural Network， CNN），以及區域卷積神經網絡（Region-based Convolutional Neural Network， R-CNN），等等新的網絡訓練結構，使得訓練和測試的效率得到大幅提升，識別準確率也顯著提高。

二、人工智能核心技術

人工智能由于其涉及的領域較多，內容復雜，因此在不同的應用場景涉及到許多核心技術，這其中如專家系統、機器學習、模式識別、人工神經網絡等是最重要也是發展較為完善的幾個核心技術。

1.專家系統

專家系統是一類具有專門知識和經驗的計算機智能程序系統，通過對人類專家的問題求解能力建模，采用人工智能中的知識表示和知識推理技術來模擬通常由專家才能解決的復雜問題，達到具有與專家同等解決問題能力的水平。對專家系統的研究，是人工智能中開展得較為全面、系統且已經取得廣泛應用的技術。許多成熟而先進的專家系統已經被應用在如醫療診斷、地質勘測、文化教育等方面。

2.機器學習

機器學習是一個讓計算機在非精確編程下進行活動的科學，也就是機器自己獲取知識。起初，機器學習被大量應用在圖像識別等學習任務中，后來，機器學習不再限于識別字符、圖像中的某個目標，而是將其應用到機器人、基因數據的分析甚至是金融市場的預測中。在機器學習的發展過程中，先后誕生了如凸優化、核方法、支持向量機、Boosting算法等等一系列經典的機器學習方法和理論。機器學習也是人工智能研究中最為重要的核心方向。

3.模式識別

模式識別是研究如何使機器具有感知能力 ，主要研究圖像和語音等的識別。其經典算法包括如k-means，主成分分析（PCA），貝葉斯分類器等等。在日常生活各方面以及軍事上都有廣大的用途。近年來迅速發展起來應用模糊數學模式、人工神經網絡模式的方法逐漸取代傳統的基于統計學習的識別方法。圖形識別方面例如識別各種印刷體和某些手寫體文字，識別指紋、癌細胞等技術已經進入實際應用。語音識別主要研究各種語音信號的分類，和自然語言理解等等。模式識別技術是人工智能的一大應用領域，其非常熱門的如人臉識別、手勢識別等等對人們的生活有著十分直接的影響。

4.人工神經網絡

人工神經網絡是在研究人腦的結構中得到啟發， 試圖用大量的處理單元模仿人腦神經系統工程結構和工作機理。而近年來發展的深度卷積神經網絡（Convolutional neural networks， CNNs）具有更復雜的網絡結構，與經典的機器學習算法相比在大數據的訓練下有著更強的特征學習和表達能力。含有多個隱含層的神經網絡能夠對輸入原始數據有更抽象喝更本質的表述，從而有利于解決特征可視化以及分類問題。另外，通過實現“逐層初始化”這一方法，實現對輸入數據的分級表達，可以有效降低神經網絡的訓練難度。目前的神經網絡在圖像識別任務中取得了十分明顯的進展，基于CNN的圖像識別技術也一直是學術界與工業界一致追捧的熱點。

三、機器人情感獲得

1.智能C器人現狀

目前智能機器人的研究還主要基于智能控制技術，通過預先定義好的機器人行動規則，編程實現復雜的自動控制，完成機器人的移動過程。而人類進行動作、行為的學習主要是通過模仿及與環境的交互。從這個意義上說，目前智能機器人還不具有類腦的多模態感知及基于感知信息的類腦自主決策能力。在運動機制方面，目前幾乎所有的智能機器人都不具備類人的外周神經系統，其靈活性和自適應性與人類運動系統還具有較大差距。

2.機器人情感獲得的可能性

人腦是在與外界永不停息的交互中，在高度發達的神經系統的處理下獲得情感。智能機器人在不斷的機器學習和大數據處理中，中樞處理系統不斷地自我更新、升級，便具備了獲得情感的可能性及幾率。不斷地更新、升級的過程類似于生物的進化歷程，也就是說，智能機器人有充分的可能性獲得與人類同等豐富的情感世界。

3.機器人獲得情感的利弊

機器人獲得情感在理論可行的情況下，伴之而來的利弊則眾說紛紜。一方面，擁有豐富情感世界的機器人可以帶來更多人性化的服務，人機合作也可進行地更加深入，可以為人類帶來更為逼真的體驗和享受。人類或可與智能機器人攜手共創一個和諧世界。但是另一方面，在機器人獲得情感時，機器人是否能徹底貫徹人類命令及協議的擔憂也迎面而來。

4.規避機器人情感獲得的風險

規避智能機器人獲得情感的風險應預備強制措施。首先要設計完備的智能機器人情感協議，將威脅泯滅于未然。其次，應控制智能機器人的能源獲得，以限制其自主活動的能力，杜絕其建立獨立體系的可能。最后，要掌控核心武器，必要時強行停止運行、回收、甚至銷毀智能機器人。

三、總結

本文梳理了人工智能的發展歷程與核心技術，可以毋庸置疑地說，人工智能具有極其廣闊的應用前景，但也伴隨著極大的風險。回顧其發展歷程，我們有理由充分相信，在未來人工智能的技術會不斷完善，難題會被攻克。作為世界上最熱門的領域之一，在合理有效規避其風險的同時，獲得情感的智能機器人會造福人類，并極大地幫助人們的社會生活。

參考文獻

[1]韓曄彤.人工智能技術發展及應用研究綜述[J].電子制作，2016，（12）：95.

[2]曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計算機學報，2016，（01）：212-222.

[3]張越.人工智能綜述：讓機器像人類一樣思考

第3篇：卷積神經網絡總結范文

關鍵詞：車牌識別系統； 智能交通； 技術

中圖分類號： TP391.4文獻標識碼：A文章編號：1009-3044(2008)18-20ppp-0c

Research on Licence Plate Recognition System

YI Lian-jie

(Loudi Vocational and Technical College Loudi Huanan417000)

Abstract: The licence plate recognition system has an importantrole of morden intelligent traffic system. This paper narrated the key technology ofthe licence plate recognition system and discussed the existing problems and development of the licence plate recognition system.

Keywords: the licence plate recognition system; intelligent traffic system; technology

車牌識別系統是智能交通系統的關鍵部分，可廣泛應用于交通管理、監控和電子收費等場合。車牌識別系統就是以車牌作為車輛的唯一標識，采用計算機視覺和模式識別技術對汽車車牌的自動識別。

1 車牌識別系統的組成

典型的車牌識別系統由車輛檢測、圖像采集、車牌識別等部分組成（圖1）。車輛檢測就是使用車輛傳感器或紅外線檢測等來判斷車輛是否通過某一位置。當車輛駛過探測部位時，CCD攝像機拍攝車輛圖像，由圖像采集卡采集圖像并輸入計算機。車牌識別部分由計算機和識別軟件組成，從由CCD攝像機采集的圖像中自動尋找車牌，然后對找到的車牌進行字符切分和識別，最后獲得車牌號碼，并將識別結果送至監控中心等場合。

圖1車牌識別系統的組成

在整個識別系統中，以車牌識別最為關鍵。識別過程有兩個步驟，首先從圖像中找出確切的車牌位置，即車牌定位，然后對找出的車牌進行字符切分和識別。車牌識別過程包含兩大關鍵技術：1.車牌區域定位技術；2.車牌字符切分和識別技術。

2 車牌定位技術

圖像輸入計算機后，系統要自動找出車牌的準確位置。車牌區域定位是車牌字符切分和識別的基礎，是提高系統識別率的關鍵。車牌定位過程包括三個步驟：圖像預處理、車牌搜索和車牌糾偏。

2.1 圖像預處理

圖像預處理的作用：平滑去噪和車牌特征增強。

平滑去噪就是消除圖像上由于光照、車牌污損等產生的噪聲干擾。平滑方法主要有平均濾波、中值濾波和指數函數濾波等方法。中值濾波和指數濾波平滑效果好且能較好保持牌照和字符邊緣，但在平滑效果和處理速度方面不如平均濾波。

通常的車牌定位算法是依據車牌特征從圖像中找出車牌，因此必須使車牌區域顯示出與非車牌區域不同的獨有的特征，車牌特征增強使圖像中車牌區域明顯突出。通常有下述增強方法：邊緣檢測法、二值化法、量化法、數學形態學法。

具有不同灰度的相鄰區域之間存在邊緣，在車牌區域存在車牌邊框邊緣和車牌字符邊緣。邊緣檢測法就是要檢測出這些邊緣。有關邊緣檢測的算法很多，考慮實時性要求，采用簡單的微分算子，如一階微分算等。這些算子采用小區域模板與圖像卷積實現邊緣檢測。文獻[1]提出一種牌照字符邊緣特征增強的方法，該方法使用線性濾波器函數將每一行中多個連續的水平方向梯度值相加，使得字符的垂直邊緣增強。微分算子對噪聲較為敏感，因此在使用之前需要平滑去噪。LOG算子是高斯指數平滑法與Laplacian算子相結合的邊緣檢測方法，既能消除噪聲又能很好的突出車牌字符的邊緣。

二值化增強法先確定一個閾值，然后將圖像中各個像素的灰度值都與這個閾值比較，根據比較結果將整個圖像的像素點分為兩類，車牌區域歸為一類，便于車牌搜索。為了滿足實時性要求，采用簡單、快速的二值化法，如平均閾值法，反積分自適應閾值法等。

文獻[3]使用神經網絡來對彩色圖像量化，使得車牌區域的字符為一種特定的顏色，然后進行顏色過濾或線掃描，借此提取車牌。該方法首先必須選取車牌樣本圖像，并且要把RGB顏色模式轉換為HSI模式，以HSI各分量值作為輸入對神經網絡進行訓練，再以訓練好的神經網絡對圖像的各像素點量化分類，該方法抗干擾能力強，量化前可不要求平滑，

數學形態學表示以形態為基礎對圖像進行分析的數學工具，它的基本思想使用具有一定形態的結構元素去量度和提取圖像中的對應形狀以達到對圖像分析和識別的目的。數學形態學有四種基本的運算：膨脹，腐蝕，開啟和閉合。出于以下兩個意圖而使用形態學方法：1.將開啟和閉合結合起來，消除二值化后的車牌區域中存在的細小空洞；2.采用水平線段的結構元素膨脹，使二值化后的車牌區域成為一連通區域。

需要說明的是，上述方法往往不是單獨使用，如二值化法是對邊緣檢測后的圖像進行，而形態學方法是在二值化圖上實現。不能簡單的評價圖像預處理方法的優劣，因為這與所對應的車牌搜索方法緊密相關。

2.2 車牌搜索

車牌搜索就是根據車牌區域特征在圖像中尋找車牌的過程。根據搜索的方式可把車牌搜索方法分為以下幾種：投影統計法、線掃描法、模板匹配法和反Hough變換法等。車牌搜索法要與相應的車牌增強法配合使用(見表2)。

表2車牌增強法用于不同搜索法的情況

投影統計法對邊緣化或二值化圖像進行水平和垂直累加投影，根據投影直方圖呈現的連續峰、谷、峰的分布的特征來提取車牌，或對由形態學膨脹運算后的圖像水平和垂直投影，在投影圖上尋找波峰和波谷而確定車牌位置。文獻[24]提出的采用高斯指數函數對投影圖平滑，能有效消除投影圖的毛刺，使車牌位置為明顯的波峰，提高車牌定位的精度。

線掃描搜索法則是對邊緣化或二值化后的圖像逐行水平掃描，穿過車牌區域的掃描線因為字符邊緣的存在，灰度呈現起伏的峰、谷、峰的變化，或頻繁交替出現亮基元、暗基元的特征，以提取車牌。文獻[3]用神經網絡對彩色圖像量化之后，再逐行水平掃描，分別獲取顏色向量和長度向量，能與標準車牌區域的顏色向量和長度向量匹配的為車牌區域。

模板匹配搜索法是以特定的模板在圖像區域滑動，以與模板匹配的局部區域為車牌。使用的模板有線模板、倒”L”角模板、矩形框模板。線模板以水平線段或垂直線段為模板，來檢測車牌的邊框角點；倒“L”模板以倒“L”結構為模板來尋找車牌邊框的左上角；矩形框模板以一個與車牌長寬比例相當的矩形框作為模板，在整個圖像區域滑動，以符合某一判別函數值的區域作為車牌區域。

反Hough變換搜索法是基于車牌形狀特征的方法，先對圖像進行Hough變換，然后在Hough參數空間尋找車牌的四個端點。

上述搜索法可以結合使用，如文獻[25]提出的自適應邊界搜索法，先用倒”L”模板尋找車牌邊框的左上角，然后用水平線掃描和垂直線掃描找出下邊框和右邊框。投影統計搜索法和線掃描搜索法處理速度快，能對大小不同的車牌識別，但定位精度不高和出現虛假車牌的情況，需要提高定位精度和去除虛假車牌的后續工作。模板匹配搜索法能比較準確的找到車牌位置，但難以滿足實時性要求，可以采用神經網絡或遺傳算法來加快搜索進程。反Hough變換搜索法除了能準確找到車牌位置，還能確定車牌的傾斜角度，對噪聲、輪廓線中斷不敏感，但在有直線干擾下可能實效，文獻[28]提出的快速Hough變換的策略能滿足實時性要求。

2.3 車牌糾偏

由于車輛運行軌跡不定、攝像機位置偏斜等原因，使得圖像中車牌扭曲，為了后續正確的車牌字符切分和識別，就須對車牌糾偏，使車牌達到規范的位置和大小。采用的糾偏方法通常先是用Hough變換確定水平邊框傾斜角度和垂直邊框傾斜角度，然后糾偏。文獻[22]提出使用Rodan 變換可用來確定傾斜角度。

3 車牌字符識別技術

車牌定位之后就要對車牌字符識別。這一過程包含下列幾個步驟（見圖2）：車牌二值化，字符切分，字符特征提取和字符識別。這里只討論后三個步驟。

圖2 車牌字符識別步驟

3.1 字符切分

字符切分把車牌上的字符分開，得到一個個的字符圖像。常用的字符切分方法有投影法、模板匹配法、區域生長法、聚類分析法等。

投影法把車牌圖像垂直累加投影，形成峰谷交替的投影直方圖，找到投影圖的各個谷就能把字符分開。模板匹配法以字符大小的矩形作為模板，根據字符的寬度初步確定每個字符的起始位置，然后以此模板在初定位置附近滑動，找到最佳匹配位置而切分字符。區域生長法對每個需要分割的字符找一個像素作為生長起點的種子，將種子像素周圍鄰域中與之相同或相近性質的像素合并到種子像素所在的區域，然后將這些新像素當作新的種子繼續進行上述過程，直到再沒有滿足條件的像素可被包含進來。基于聚類分析的方法對車牌圖像從上到下逐行掃描，如屬于字符類的兩像素間距離小于閾值，可認為兩像素為同一字符，由此而得字符像素的聚類。

3.2 字符特征提取和車牌字符識別

目前使用的車牌字符特征提取的方法可歸納為下述三種：1.基于字符統計特征。計算字符圖像的多階原點矩，多階中心矩以及中心慣性矩，以中心矩與中心慣性矩的比值作為字符特征向量，這樣提取的特征量具有平移，旋轉和尺度不變性，但運算量大；也有把字符在多個方向上的投影（如水平方向，垂直方向，右斜方向，左斜方向）和二階中心矩的比值作為特征向量。2.基于結構特征。輪廓特征，粗網格特征，層次輪廓特征以及字符特征點.這類特征提取計算量較少，但對噪聲和位置變化比較敏感，需要去噪和對字符歸一化。3.基于變換。對原始特征（像素點矩陣）進行傅里葉變換、K-L變換或小波變換等，提取的特征向量反映字符的結構特征和統計特征，相似字符的特征矢量距離較大，效果較好。實際應用中往往是多種特征的提取，多種特征提取方法的使用。

對車牌字符特征提取之后，就把相應的特征值輸入分類器識別，目前對于車牌字符的分類識別方法歸納為下列幾種。（1）模板匹配。該方法首先對待識字符進行二值化并將其縮放為字符數據庫中模板大小，然后與所有的字符模板比較匹配，計算相似度，以最大相似度者為識別結果。（2）PCA子空間分類器。子空間分類器由訓練樣本相關矩陣的特征向量構成，單個模式的子空間建立彼此獨立，相互之間沒有聯系，以待識別字符的特征向量與所對應的子空間距離最小作為結果。（3）基于人工神經網絡。人工神經網絡有抗噪聲、容錯、自適應、自學習能力強的特點。多隱含層的BP神經網絡，BAM(Bidirectional association memories)神經網絡方法，自諧振ART神經網絡識別等是此方法的典范。（4）基于邏輯規則推理的識別方法。文獻[18]提出基于歸納推理的字符識別，該方法在訓練時自動生成識別規則。（5）基于隨機場圖像模擬的識別方法。該方法識別率高，并且可對灰度圖像直接提取字符特征，抗干擾性強。另外使用感知器的識別，通常感知器只用于相似字符對的識別，作為其他識別方法的補充。

4 總結與展望

從已有車牌識別系統的性能分析來看，正確識別率和識別速度兩者難以同時兼顧。其中原因包括目前的車牌識別技術還不夠成熟，又受到攝像設備、計算機性能的影響。

現代交通飛速發展，LPR系統的應用范圍不斷擴寬，對車牌識別系統的性能要求將更高。對現有的算法優化或尋找識別精度高、處理速度快、應用于多種場合的算法將是研究的主要任務。

參考文獻：

[1] 廖金周,宣國榮.車輛牌照的自動分割[J].微型電腦應用,1999(7):32-34.

[2] 劉智勇.車牌識別中的圖像提取及分割[J].中文信息文報,2000(3):29-34.

[3] Wu Wei,Mingjun Wang.An Automatic Method of Location for Number_Plate Using Color Features IEEE 2001.

[4] 郭捷,施鵬飛.基于顏色和紋理分析的車牌定位方法[J].中國圖像圖形學報,2002,7(5):473-476.

[5] 章毓晉.圖像工程(上)――圖像處理與分析[M].清華大學出版社.

第4篇：卷積神經網絡總結范文

關鍵詞：辛烷值；快速檢測方法；氣相色譜法；紅外光譜法；拉曼光譜法

中圖分類號：TB 文獻標識碼：A doi：10.19311/ki.1672-3198.2016.07.092

辛烷值是表征車用汽油抗爆性的重要指標，1926年美國科學家埃得將辛烷值引入汽油性能指標。汽油在燃燒過程中，抵抗爆震的能力叫作抗爆性，辛烷值就是表示汽油抗爆性的指標。辛烷值越高，其抗爆性能越好，汽油在汽缸中燃燒越充分，燃燒效率越高，尾氣排放中的一氧化碳、碳氫化合物含量越低，對環境的危害相應越小。

馬達法辛烷值和研究法辛烷值是汽油的辛烷值的傳統測量方法，方法用樣品量大，時間長、費用高，不適于生產控制的在線測試。本文對近幾年出現的幾種辛烷值測量的快速分析方法進行總結和綜述，介紹相關方法的應用進展。

1 拉曼光譜法

拉曼分析方法作為一種光譜檢測技術，不僅樣品預處理簡單、分析速度快、效率高、重現性好，另外還具有受水分干擾小、樣品無損、可進行微量樣品探測、檢測頻帶寬、可快速跟蹤反應過程等特點；即便是非極性基團如c=c，c=c等紅外吸收較弱的官能團，在拉曼光譜中也可以得到很強的吸收譜帶。因此，特別適合用于對含碳、氫基團較高的汽油樣品的辛烷值檢測。

康健爽等2010年提出了一種使用拉曼分析測定汽油辛烷值的方法，并設計了辛烷值拉曼光譜在線檢測系統。這種辛烷值在線監控系統能夠實時監控乙醇汽油中的組分變化，并給出對應的拉曼分析曲線；根據光柵型和傅立葉變換型光譜儀各自特點，選用光柵型拉曼光譜儀應用于辛烷值在線檢測。以Lambert-Beer定律為基礎，采用化學計量學方法，將檢測數據和采用標準方法測得的屬性數據之間關聯，建立分析模型，在具體算法實現過程中，分別采用PCA和PLS兩種方法建立關聯分析模型，并用于乙醇汽油辛烷值的快速預測，指導實際調和過程。實踐證明，相對傳統的檢測手段，該系統具有測試速度快、分析時間短、檢測費用低、經濟效益高等特點。

2 氣相色譜法

李長秀等2003年建立了一種新方法，該方法將氣相色譜結果關聯建模用以計算汽油樣品的辛烷值。對汽油的組成采用高分辨毛細管柱進行測定，根據汽油單體烴組分的含量和純組分辛烷值乘積的大小，將單體烴組分分為兩組，每一組為一個變量，建立實測辛烷值與兩個變量間的回歸模型。實際分析時，根據樣品的類型帶入相應的模型進行關聯計算即可得到樣品的辛烷值。該方法與采用標準方法測定催化裂化汽油辛烷值的結果相比，測定結果的偏差約0.5個單位。該方法因為操作相對簡單，樣品量耗費少，且建模過程快速、簡便，適于穩定工藝過程中的汽油辛烷值的在線監測。

于愛東等采用毛細管氣相色譜法對汽油單體烴類進行分離，用PONA汽油組成軟件對汽油單體烴進行定性、定量、Pona組成計算.將汽油單體烴分為37組，建立實測辛烷值與37個變量之間的回歸模型，計算汽油辛烷值。該模型計算辛烷值與實測辛烷值的極差為0.26個單位，適用辛烷值在88～92之間的油品。辛烷值的計算公式能夠較好地反映汽油單體烴與辛烷值之間的關系。方法操作簡單，樣品用量少，結果準確，適合于煉廠蒸餾、催化過程中汽油辛烷值的實時監測。

3 近紅外光譜法

近紅外光譜分析方法是一種間接分析方法，它先利用一組汽油標準樣品，在汽油的近紅外光譜數據間和汽油辛烷值建立數據關聯分析模型，再用該模型預測未知汽油樣品的辛烷值。測量精度除受儀器精度影響外，還受所建分析模型精度影響。

韓言正等介紹了一種自主開發研制的汽油辛烷值近紅外光譜在線分析儀。該分析儀包括近紅外光譜在線測量、光譜預處理和實時建模等部分。對于原始的近紅外光譜數據，采用多項式卷積算法進行光譜平滑、基線校正和標準歸一化；通過模式分類與偏最小二乘進行實時建模。該分析儀已成功應用于某煉油廠生產過程的辛烷值在線監測。

汽油辛烷值預測體系具有非線性的特點，史月華等據此提出主成分回歸殘差神經網絡校正算法（PCRRANN）用于近紅外測定汽油辛烷值的預測模型校正。該方法結合了主成分回歸算法（PC），與PLS（PartialLeastSquare），PCR，PLS（NPLS，Non lin-earPLS）等經典校正算法相比，預測能力有明顯的提高。

第5篇：卷積神經網絡總結范文

本文結合計算機行業的發展，對計算機網絡云計算技術進行了分析研究，希望能為計算機技術的進步提供一定的理論支持。

一、計算機網絡的云計算技術概念

美國的網絡公司最早提出計算機網絡云計算技術的概念，隨著科學的進步與發展已經逐漸成為了一門成熟的技術，有著豐富的理論基礎與實踐經驗。現在的“云計算”技術是指能將網絡、硬件、設備相融合，同時實現規模性、安全性、虛擬性的技術。目前來看，對計算機網絡云計算的定義還沒有統一的趨勢，每一名研究人員都有自己的研究與看法，通過研究與分析，本文對云計算的觀點是：首先，每一個“云”都是獨立的計算機分布體系，基于網絡化、虛擬化的計算機服務層，與計算機中的資源保持一定的節奏，實現計算機資源的同步。其次，計算機網絡云是一個綜合體，并非是獨立的，計算機軟件的開發中離不開云計算的環節，其重點就是網絡云計算特征的研究。對于計算機網絡的使用者來說，計算機集成軟件層面，能被接受與理解的就是云計算，在本文重點突出的就是云計算的屬性。最后，計算機網絡的使用者沒有進行長期的規劃后使用，很容易出現浪費現象，目前的云計算技術可以實現分或秒內的數據計算，可以很好地避免資源過載或資源浪費現象。

通過研究可以看出，計算機網絡云計算技術可以定義成計算機網絡中進行的某種服務形式，其中相關的硬件設施與軟件系統統稱為計算機網絡云計算。定義中包括網絡計算機、超級計算機、集成技術等，相關的技術既有區別又有聯系。計算機網絡云計算技術的原理是：大量的數據分布于分布式計算機中，同時保證用戶的數據系統與計算機同步運行，進而實現及時將需要的資源切換到相應的應用中，根據使用者的訪問需求進行存儲系統與計算機系統的定位。計算機網絡云計算技術可以基于用戶服務需求及時提供所需的網絡信息資源。計算機網絡云計算技術適應性強，彈性好，專業技術性高，發展前景十分好，應用越來越廣泛。

二、計算機網絡云計算技術的分類

基于多樣化的標準，計算機云計算的分類也有多種方式。比較常見的是：根據服務方式的不同，云計算可以分為私有云和公有云。私有云是根據用戶的自身情況進行獨立使用，同時建立平臺，操作性與實用性十分好。公有云是ζ淥用戶的資源進行開發利用。在選擇私有云與公有云時，應該考慮的主要因素是：

1.服務的延續性

大部分情況下，公有云提供的服務容易受外界影響，如網絡故障等情況，而私有云則不會出現這種問題。

2.數據安全性

如果對于穩定性與安全性不存在過高要求，則比較適合使用公有云。

3.綜合使用成本

通常狀況下，如果對于計算資源要求不高可以選用公有云，如果對于計算資源要求較高則比較適合建立自己的私有云平臺。

4.監控能力

公有云可以將使用用戶對系統的監控能力屏蔽起來，這對于金融保險投資行業是十分有必要的。

三、計算機網絡云計算技術的實現

為了將計算機系統的系統處理過程進行簡化，通常將該過程劃分為預處理過程與功能實現過程兩大部分。對系統的各項功能進行分解，得到一些不需要進行功能實現過程與預處理過程的功能。對于可以進行預先處理過程的功能通常是一次性處理，在執行過程中，可以將預處理過程得到的結果直接使用，以此完成特點的系統功能。該方法與原則的采用，極大地簡化了系統，大幅度提高了系統運行效率。計算的云化中的系統就是計算云化系統，它的計算量十分巨大，系統計算運行效率極高。但因為計算云化系統為一次處理系統，只要計算云規則生成，計算云化系統的使命與任務也就完成，而不是在對計算機加以應用時需要該系統。通常在計算機網絡云計算中形成的系統就是云計算系統，是一個十分簡單的系統，對計算機的處理能力沒有過高要求，同時應用于各類計算機系統計算中。

四、計算機網絡云計算的計算與優勢

建立計算機網絡云計算過程的第一步是服務器架構的建立，其對計算機網絡云計算技術中的IAAS部分進行充當。目前來看，仍沒有關于網絡云計算服務器架構的專門、統一的標準出現，這需要一定的相關技術進行支持，例如計算區域網SAN和附網NAS等，這都是應用比較多的服務器架構技術。NAS文件計算系統是松散結構型的集群，它的架構有很明顯的分布式特征。NAS文件系統集群中的各個節點具有互補與相互影響的特點，文件是最小的單位，因為只要在集群存儲文件就可以計算出文件的數據信息，直接減少了很多計算的冗余性。它的拓展性很高，同時成本較低，安全控制系統安全穩定。如果客戶發出過多的請求，NAS系統的限制就表現出來，二級計算就可以通過NAS的云服務完成。

SAN是一種緊密結合類型的集群，在集群中存儲文件之后，可以分解成很多個數據塊。相比于集群之中的節點，各數據塊之間能夠進行相互訪問。節點可以借助于訪問文件間的數據塊針對客戶的請求進行處理。SAN系統之中可以通過節點數量增減來響應請求，同時提升界定本身的性能。為了能夠將以SAN為基礎的OBS發展起來，就需要更好的性能與更低的成本。而SAN計算建構的硬件價格十分高，同時依托于SAN的服務價格，因此可以適當地降低一下性能，保證更好的性能與更低的成本。

五、實例――基于谷歌云計算技術的AlphaGo亮點分析

AlphaGo通過谷歌云計算技術，擁有與人類棋手類似的“棋感”，其技術遠勝于1997年IBM公司研制的超級電腦“深藍”?！吧钏{”面對的是相對圍棋簡單多的國際象棋，設計理念為根據棋局情況不斷演算各種可能的步驟，最終從各種步驟中選定走棋方案。AlphaGo背后的云計算技術，可以讓AlphaGo無需“暴力”分析演算所有步驟，只需要把運算能力都集中在“棋感策略”網絡中最有可能的情況上。其背后的深層算法，具備三大亮點：（1）深度卷積神經網絡學習技術：“棋感策略”網絡的本質學習人類圍棋大師走法思維。AlphaGo藉此擁有強大的盤面評估能力。（2）增強學習算法技術：此算法可通過自我對弈來持續提升AlhpaGo的棋感策略和盤面評估能力，并且給出落子選擇。（3）蒙特卡洛搜索技術：“評價網絡”的核心，可以融合棋感策略和盤面評估能力，修正落子選擇而最終給出落子方案。

六、計算機網絡云計算技術發展遇到的問題

在目前計算機網絡云計算技術廣泛地運用到各個領域的過程中，云計算技術也存在一些缺陷與不足還需要引起我們的重視，同時在云計算的應用過程中應采用足夠的措施來對數據信息的安全性進行可靠的保障，這是計算機網絡云計算技術發展過程中十分重要的一項課題?，F在的大部分云端是通過瀏覽器進行接入的，瀏覽器是計算機系統中非常薄弱的地方，存在著很多的缺陷與漏洞，因此用戶的云端接入瀏覽器時，用戶證書與認證密鑰特別容易因為瀏覽器漏洞而產生泄密。同時由于不同的應用都需要在云端中進行認證，這就需要保證認證機制的高效性與安全性。在應用服務層之中，應該采取安全有效的措施來保護用書的隱私安全，在基礎設施層中要采取安全可靠的方法保C數據的安全性。

七、采取措施保障網民數據安全

如果數據的安全不能得到保障，就會對云計算的發展產生不利影響，所以為了能夠保障網民數據的安全。就需要采取切實可行的手段來保證數據的安全性。

1.隔離操作系統與數據

為了能夠切實有效地保障網民信息的安全，就需要充分使用Hypervisor，從而將網民的操作系統與數據資源隔離起來，從而有效地保證了計算資源的安全性，避免了網民操作系統所帶來的可能的不利影響。

2.重置API保護層

服務商提供給用戶API，用戶根據需要進行應用。但同時第三方也有可能對這些API進行使用。為了保證數據的安全性，就需要你安裝API保護層，重疊保護API。

3.嚴格身份認證

服務商應嚴格的執行身份認證，防范冒充網民身份的行為，加強對賬號與密碼的管理控制，確保網民只訪問自己的程序與數據，從而保證數據資源的安全性。

第6篇：卷積神經網絡總結范文

關鍵詞：視覺識別技術；電氣自動化；機器視覺系統

視覺識別技術在工業電氣自動化控制中的運用由機器視覺系統實現，根據工業生產需求，應用機器視覺系統替代生產人員，在非接觸的情況下完成測量，非常適用于生產環境危險性較高的鋼鐵工業領域。鋼鐵企業應從自身生產流程入手，在合適環節引進機器視覺系統，發揮視覺識別技術優勢，創造更高收益。

1.視覺識別技術特點

1.1視覺識別技術的原理

視覺識別技術，是通過計算機技術模擬人的視覺，采集觀察對象的信息，實現觀察對象的準確識別與判斷，再根據識別判斷結果實施智能控制操作。機器視覺系統以光學檢測原理為基礎，通過相機采集觀察對象的圖像，將圖像信息以2D或3D圖像信號形式傳輸至圖像處理系統，圖像處理系統從圖像的像素、亮度、顏色等因素入手，抽取觀察對象的圖像特征；再利用系統配置的算法與觀察對象的工藝生產流程、標準參數，如檢測觀察對象偏移量、彎曲度，計量觀察對象的個數，評估觀察對象是否合格等；最后由控制系統根據視覺識別結果與傳感器檢測結果，發出控制指令，使生產設備表現出相應動作，完成觀察對象的智能控制。

1.2視覺識別技術的優勢

在工業電氣自動化控制領域，基于視覺識別技術的機器視覺系統具有如下優勢：①機器視覺系統可在不接觸的情況下完成各項識別與檢測工作，延長檢測設備使用壽命，降低生產成本；②機器視覺系統的運用，可省略人為檢測環節，減輕工作人員負擔，規避惡劣生產環境下的安全風險，還可規避人為因素對生產的影響，提高識別與檢測質量，降低人工成本；同時，設備使用壽命長；③視覺識別技術的框架固定通過計算機系統程序和算法實現自動化控制，具備移植性，可在不同生產領域推廣普及；④視覺識別技術的應用可有效提升工業電氣自動化控制的智能化水平，使企業獲得更高的實質性收益，有助于企業高質量發展。

2.視覺識別技術在工業電氣自動化控制中的運用方式

視覺識別技術在工業電氣自動化控制中的運用體現在生產識別與生產檢測兩個領域。本文結合鋼鐵集團企業的生產實踐，總結視覺識別技術的實踐運用方式，為企業落實視覺識別技術、發揮視覺識別技術優勢提供有益探索。

2.1用于生產識別領域

在生產領域，需識別控制的內容涉及生產全過程，技術人員應根據鋼鐵企業生產特點，分析生產識別需求，配置相關的視覺識別設備，實現智能化視覺識別，為工業電氣自動化控制提供便利。在鋼鐵集團企業的生產準備環節，需進行原材料識別；在生產過程中，需進行設備識別；在產品生產后，需進行缺陷識別，精準控制產品生產全過程，以提高工業電氣自動化控制效果。2.1.1識別原材料用量視覺識別技術可通過圖像分析，統計原材料的數量，分析其是否滿足生產要求，實現原材料供給環節的電氣自動化控制。以鋼鐵集團企業生產的軋鋼加熱爐生產為例，該設備負責加熱鋼坯，將鋼坯的溫度提升至軋制要求，并使鋼坯內部溫度分布符合生產要求。在軋鋼加熱爐生產時，配置專用加熱爐上料裝置實施鋼坯運輸，該裝置包括上料臺架、擋鋼鉤、撥鋼叉、輸送輥道等構建，具體上料流程如下：控制吊車逐一吊放鋼坯，要求鋼坯在上料臺架上排列有序；再利用步進驅動裝置與加熱爐上料裝置的擋鋼鉤，逐一將鋼坯轉移至撥鋼叉區域，要求轉移頻率與加熱爐生產節奏保持一致；撥鋼叉負責將接收的鋼坯運輸至輸送輥道上方；最后由輥道將鋼坯轉移到加熱爐內，實現加熱處理。在傳統識別工作中，通常在輸送輥道兩側配置金屬檢測元件，檢測鋼坯在輸送輥道上的運輸狀態，控制鋼坯自動從輸送輥道轉移至加熱爐內。但在輸送輥道前的運輸環節，均由工作人員用人眼識別鋼坯的位置、分析撥鋼叉的運行狀態，并通過工作人員的手動操作，控制上料臺架驅動裝置。如果運輸的鋼坯溫度較高，需工作人員實施擠坯操作，確保相鄰鋼坯間規范有序排列，避免鋼坯出現變形。人工視覺識別過程枯燥，操作單一，易使工作人員產生視覺疲勞和操作疲勞，出現識別偏差或操作誤差，影響生產質量。針對人工識別問題，鋼鐵集團企業基于視覺識別技術和定位技術，開發專用機器視覺系統，與工業電氣自動化控制系統配合應用，共同構建智能加熱爐上料系統。在實際運用中，技術人員應在上料臺架部位安裝高清攝像機，從多角度采集鋼坯的圖像，通過視覺識別技術了解鋼坯狀態，結合定位技術確定鋼坯具置，并在工業電氣自動化控制系統中引進人工智能技術，通過機器學習，模擬工作人員的上料臺架驅動裝置控制操作，準確控制撥鋼叉等設備，提高鋼坯運輸控制的智能化水平，發揮視覺識別技術作用。在鋼鐵企業生產中，基于視覺識別技術的加熱爐上料系統，適用于推鋼式、臺架式等多種類型的加熱爐，可在生產中推廣普及。2.1.2識別設備位置在鋼鐵企業生產中，部分環節需轉移設備構件，設備構件位置的準確性直接影響生產效益。以加熱爐加熱鋼坯環節為例，在鋼坯上料過程中，需使用吊車運輸鋼坯材料，要求臺架在吊車上料時暫停步進，避免吊車運行沖擊臺架。為保護臺架，需進行吊車位置的識別操作，傳統生產工藝中由操作人員目視吊車的位置，手動操作臺架步進，易出現目視偏差、操作失誤的問題?；谝曈X識別技術的機器視覺系統，可采集吊車生產運行時的圖像，利用機器視覺系統內置算法，準確定位吊車的具置，在吊具靠近臺架時，向控制系統發送指令，再由控制系統控制臺架停止步進，實現臺架的智能化控制，既可簡化生產操作，也可提高生產效率，延長設備使用壽命。2.1.3識別損壞產品在鋼鐵企業生產中，損壞原材料和損壞成品的識別是工作重點。傳統生產中，由生產人員目視觀察原材料和成品是否存在明顯缺陷，極易出現檢測偏差。雖然部分企業引進智能檢測設備，通過傳感器檢測原材料及成品結構，但還存在檢測遺漏的問題。技術人員可引進視覺識別技術，將圖像分析結果與機器學習配合應用，精準定位原材料或產品缺陷，保障生產質量。例如，在某鋼鐵企業的鋼坯缺陷識別中，技術人員將視覺識別技術與大數據深度學習算法配合應用，利用圖像分析結果，準確計算鋼坯的彎曲率，并將計算結果與標準數值對比，分析彎曲率不合格的鋼坯，實現智能化、自動化生產控制。

2.2用于生產檢測領域

在鋼鐵企業生產中，檢測內容包括材料質量、產品質量、設備運行狀況等，產品質量檢測可由缺陷識別環節完成，設備運行狀況的檢測通過檢測設備參數來實現。在鋼鐵集團企業中，技術人員可利用視覺識別技術進行材料質量檢測與設備參數檢測，再根據檢測結果實現材料與設備的自動化控制。2.2.1材料質量檢測在鋼鐵企業生產中，部分原材料需在使用前進行表面質量檢測，為解決人工檢測的缺陷，技術人員可通過視覺識別技術實施材料表面質量的在線檢測，并根據在線檢測結果，為電氣自動化控制提供參考，控制生產設備的操作，避免不合格材料用于生產實踐。例如，針對帶鋼檢測需求，技術人員通過高速相機拍攝處于運動狀態的帶鋼表面圖像，再通過動態閾值分割算法分析帶鋼表面圖像，提取圖像特征，通過特征提取算法分析帶鋼是否存在缺陷，并將帶鋼缺陷圖像進行整合，構建帶鋼缺陷分類庫。在帶鋼缺陷分類庫的信息達到一定層級后，實施卷積神經網絡訓練，對帶鋼缺陷進行分級。在實際生產中，機器視覺系統可在檢測帶鋼缺陷的同時，對存在缺陷的帶鋼進行分類，實現材料質量的科學管控。2.2.2設備參數檢測在鋼鐵企業生產中，設備參數是安全可靠生產的關鍵要素，設備參數檢測方法相對多樣，視覺識別技術是設備參數檢測的新方法，適用于液位檢測等可用肉眼觀察的參數檢測。例如，在電渣連鑄工藝中，技術人員可用視覺識別技術進行結晶器液位檢測，與工業電氣自動化控制系統配合應用，確保液位處于標準范圍，保障電渣錠生產質量。考慮到液面分解的可測性、測量誤差及干擾因素等影響，技術人員在采集液面圖像的基礎上，通過濾光片對結晶器液位圖像進行濾光處理，分析濾光處理后的圖像灰度值、像素等參數，準確定位結晶器液位；為保障測量精度，選擇500萬像素的相機，其測量液位范圍為0~290mm，并在檢測前通過標定分析液位和圖像高度的關系，避免測量誤差的出現；為避免鋼鐵企業高溫高壓生產環境的影響，技術人員在距離結晶器1.5m的位置實施檢測，確保相機在此溫度環境下能夠正常運行，并為相機配置密封機箱，避免濕度或灰塵影響圖像采集效果，必要時可在結晶器口設置抽氣裝置，避免生產產生的煙霧影響圖像清晰度。在實際生產中，視覺識別技術可精準獲取結晶器液位，在液位超標時報警，由工業電氣自動化控制系統進行處理，實現智能化生產。

3.結語