神经网络原理范文

神经网络原理篇1

关键词：板凸度；板形预测控制；ANSYS/LS-DYNA；BP神经网络；预测精度

DOI：10.16640/ki.37-1222/t.2016.21.124

0 引言

板带材是汽车、船舶、建筑、机电、化工和食品等工业的重要原材料[1-3]。随着我国经济的高速发展，钢材板带比不断提高。板带的轧制过程是指靠旋转的轧辊与轧件之间的摩擦力将轧件拖进辊缝之间，并使之受到压缩产生塑性变形的过程[4]。板形是衡量板带轧制的重要质量指标之一[5]。轧制生产过程中，板形的影响因素涉及几何非线性、材料非线性的高度复杂非线性问题以及存在时变性等特点。传统的数学模型难以建立起相对准确的，能够准确表达各参量间的静态关系以及能够准确描述动态关系的表达式[6]。因此本文建立了有限元与BP神经网络[7]结合的板形预测模型。该模型不仅保证了计算精度，还满足了板形在线预测的要求。

1 基于BP神经网络与有限元原理的板形控制模型的建立

本论文所用的模型所采用的各个工艺参数的数据来源于某企业2800四辊可逆式冷轧机实际生产中获取的数据。其中轧件材质为Q195钢，轧辊材质为70Cr3NiMo。

（1）模型的基础分析。结合有限元仿真，板带宽度，工作辊直径，支撑辊直径，工作辊弯辊力，支撑辊弯辊力，工作辊凸度，支撑辊凸度，工作辊窜辊，支撑辊窜辊对板形的影响比较大，因此BP神经网络预测模型选择的输入参数为。利用有限元分析建立样本时，根据实际情况在一定范围内变化，其它轧制参数则设为固定值，所以，网络的输入变量是9维的。输出参数为板凸度，所以输出变量是1维的。本模型采用三层的BP神经网络模型，即只含有一个隐含层。确定最佳隐层节点数的一个常用方法是试凑法，可先设置较少的隐层节点训练网络，然后逐渐增加节点数，用同一样本集进行训练，从而确定网络误差最小时对应的隐层节点数。隐含层节点数的确定还可借鉴以下公式：

（2）BP神经网络结构模型。结合以上公式，经过反复测试，中间层节点数设为9个。因此，本文确定的BP网络结构为9-9-1。由此确定的板形预测模型的网络计算模型如图1所示。

2 模型的训练及检验

（1）模型的相关参数及分析。网络的训练利用Matlab软件进行，选择收敛速度快并且预测精度高的L-M法。利用有限元的计算结果作为训练样本库，对BP神经网络进行训练。在给定精度要求条件下，对BP神经网络模型进行训练。

（2）误差及模型结果分析。所得到的BP神经网络误差进行分析得到BP神经网络的训练结果并进行分析。BP神经网络训练结束后，为了检验该BP神经网络的识别能力，将训练得到的网络权值以及各神经元的阀值存入权值文件，任选几组有限元仿真得到的结果作为测试样本集对BP神经网络进行检验，得到BP神经网络测试与训练数据关系。最后选取了有代表性的板凸度参数的BP神经网络预测值与有限元仿真值进行比较。综合分析可知本文建立的BP神经网络模型来预报板凸度参数，其误差最大值不超过3%，精度还是比较高的。

3 结论

（1）基于人工神经网络建立了BP神经网络模型，并以此提高板凸度参数的预报精度。结合工作辊窜辊量以及支撑辊窜辊量等因素与板凸度的关系，进行分析计算得到相应的关系。（2）利用有限元仿真计算结果作为训练样本对神经网络进行训练，得到了训练结果图。（3）利用有限元测试样本对BP神经网络模型进行检验，可以得出BP神经网络的输出值与有限元的仿真计算值的分布规律一致，存在的误差比较小。这表明本文建立的板形预测模型是合理的，其计算结果是可信的并且具有参考价值。

参考文献：

[1]彭艳，孙建亮，刘宏民.基于板形板厚控制的轧机系统动态建模及仿真研究进展[J].燕山大学学报，2010，34（01）：6-12.

[2]苏亚红.我国冷轧板带生产状况及展望[J].冶金信息导刊， 2007（05）：44-48.

[3]王延溥，齐克敏.金属塑性加工学――轧制理论与工艺[M].北京： 冶金工业出版社，2006.

[4]SUN Jianliang，PENG Yan，LIU Hongmin.Non-linear vibration and stability of moving strip with time-dependent tension in rolling process[J].Journal of Iron and Steel Research，2010， 17（06）：11-15.

[5]薛涛，杜凤山，孙静娜.基于有限元与神经网络的板形调控功效[J].钢铁，2012，47（03）：56-60.

[6]徐乐江.板带冷轧机板形控制与机型选择[M].北京：冶金工业出版社，2007.

[7]赵丽娟，高丹，周宇.神经网络与有限元结合在轧机板形预报中的应用研究[J].重型机械，2007，6（03）：5-8.

神经网络原理篇2

关键词：BP神经网络；入境旅游；预测

收稿日期：2006-06-07

基金项目：国家自然科学基金项目(40371044)。

作者简介：邓祖涛(1972-)，男，湖北经济学院旅游学院讲师，博士。研究方向：区域发展与旅游规划。陆玉麒（1963-），男，南京师范大学地理科学学院教授，博导。研究方向：空间结构与区域规划研究。

中图分类号F59文献标识码A文章编号1006-575(2006)-04-0049-05

一、BP神经网络原理及预测模型

1.BP神经网络原理

BP（Back-Propagation）神经网络，是人工神经网络中最具代表性和应用广泛的一种，通常由具有多个节点的输入层（input layer）、隐含层（hidden layer）和多个或一个输出节点的输出层（output layer）组成，其学习过程分为信息的正向传播过程和误差的反向传播过程两个阶段。外部输入的信号经输入层、隐含层的神经元逐层处理，向前传播到输出层，给出结果。如果在输出层得不到期望输出，则转入逆向传播过程，将实际值与网络输出之间的误差沿原连接通路返回，通过修改各层神经元的连接权重，减少误差，然后再转入正向传播过程，反复迭代，自到误差小于给定的值为止[1][2]。BP神经网络以3层最为常用，也最为成熟。理论上已证明，一个3层的BP网络能够实现任意的连续映射[3]，可以以任意精度逼近任何给定的连续函数。其拓扑结构如下图所示（见图1）。

2.入境旅游人数神经网络模型的建立

根据我国入境旅游人数的实际情况，建立由一个输入层、一个隐含层、一个输出层构成的三层BP网络模型（见图2）。

（1）网络层节点数的确定

Tourism Science旅游科学BP神经网络在我国入境旅游人数预测中的应用时间序列数据输入层节点数是人为确定的，输入层节点数过多，造成网络学习次数较大；输入层节点数过少，不能反映后续值与前驱值的相关关系。经反复试验最终确定为4个，且输出层节点数为1[4]。隐含层节点数的选择在所有BP网络中目前还没有理论上公认的推导方法。考虑到单隐含层网络的非线性映射能力较弱，为了达到预定的映射关系，隐含层节点宜适量增加，以增加网络的可调参数，最终确定隐含层节点数为6个。

（2）网络函数的确定

传递函数的第一层选用TANSIG函数，第二层则选用PURELIN函数；训练函数采用trainlm函数，仿真网络函数采用simuff函数。目标误差Err定为0.00001，学习率lr定为0.01。

二、样本数据的归一化处理和网络训练

1.样本数据的归一化处理

由于BP神经网络要求输入的数据范围一般在[01]。因此对1986-2005年样本数据进行归取一个比较大的值，保证预测年的数据小于该数值，取一个小于样本数据序列中最小值的值，保证归一化后的数据不太接近于0。

2.训练样本和检验样本的确定

由于历年入境旅游人数是一维时间序列，但BP神经网络要求用多维输入来训练网络，为此，根据上述已确立的网络层节点数以及BP神经网络一般所遵循的原则（即输入层和输出层节点数分别和输入和输出神经元数相等），确定我国入境旅游人数网络模型的输入神经元为4个，输出神经元为1个。具体操作如下：输入神经元P=[p'(t-4)，p'(t-3)，p'(t-2)，p'(t-1)]；输出神经元T=[p'(t)]，其中t=1990年，1991年，…2005年，p'(t)表示t年归一化的入境旅游人数（见表1）。为了检验该网络的精确性和有效性，选择第1组―第11组的数据作为学习样本集，第12组―第16组的数据作为检验样本集，且利用完成训练的神经网络进行模拟。

三、BP模型的实现及几种模型的对比分析

1.网络模拟预测结果分析

采用MATLAB 6.5人工神经网络工具箱，将第1组―第11组学习样本输入网络进行训练学习，训练结果为Epoch 25/120，SSE 1.05994e-005，表明网络能较快的收敛，然后再将第12组－第16组样本代入训练好的网络进行检验，模拟结果表明BP网络可信度高。图3为网络输出值与实际值的比较，图4为BP网络拟合误差曲线图。可以看出，BP神经网络能以较高的精度对原来的数据进行拟合。图3BP网络拟合结果图4BP网络拟合误差曲线图根据训练好的网络，可输入P=[p(2002) p(2003);p(2003) p(2004);p(2004) p(2005);p(2005) p(2006)]，即P=[0.599295 0.551247;0.551247 0.684923;0.684923 0.769231;0.769231 0.810377]，便可得到2006年和2007年入境旅游人数预测值为0.810377和0.874423，经还原，2006年、2007年入境旅游人数分别为12942.70万人和14156.80万人。

2.几种模型模拟结果的比较

借助SPSS软件，对1990-2005年我国入境旅游人数[5][6][7]分别采用Logistic、指数平滑和自回归模型进行模拟和预测[8][9][10]（见表2）。从相对平均误差（AARE）、泰尔（THEIL）不等系数（μ）、误差平方和（SSE）3个角度来比较几种模型的精确度（见表3）。它们分别可以用下列公式求得。

由表3可以看出，BP神经网络的相对平均误差为0.00840，泰尔不等系数为0.000951，误差平方和为1619131.17，比上述几种模型模拟的结果都要小得多，这表明，采用BP神经网络算法进行预测的精确度较其他方法高，能为实际工作提供更准确的信息。

四、结论

1.BP神经网络模型是由输入层、隐含层和输出层组成。一旦网络建立后，只需输入相应的神经元，便可得到输出神经元（即入境旅游人数网络输出值）。所以，BP神经网络的最大优点是操作简单，应用广泛，便于监测。

2.基于MATLAB平台，采用BP神经网络方法对20世纪90年代以来我国入境旅游人数进行了模拟和预测。经比较，证明BP神经网络预测方法具有比Logistic、指数平滑和自回归模型等传统人口预测方法更好的效果。这一方法的运用为旅游学的模拟预测研究提供了一种新的思路，为今后旅游业的可持续发展（包括旅游基础设施的建设和旅游产品的开拓）提供了一种更为科学的预测方法，同时，也对旅游管理部门、政府部门有一定的参考与借鉴作用。

3.尽管BP神经网络在入境旅游人数的预测中效果最好，但也不排除偶然因素对其预测趋势的较大影响。如2003年，受SARS的影响，我国入境旅游人口为9166.21万人，但通过网络模拟的结果却达到了10350.0万人，误差达0.129％。

参考文献

[1]张建民，王涛，王忠礼.智能控制原理及应用[M].北京：冶金工业出版社，2003：90-105.

[2]魏海坤.神经网络结构设计的理论与方法[M].北京：国防工业出版社，2005：25-36.

[3]Kitahara M, Achenbach J D, Guo Q C. Neural network for Crack-depth Determination from Ultrasonic Back-Scattering Data[J]. Review of Progress in Quantitative Evaluation, 1992(11):701-708.

[4]罗荣桂，黄敏镁. 基于BP神经网络的长江流域人口预测研究[J].武汉理工大学学报，2004（10）:91-92.

[5]中国旅游年鉴（1991年-2004年）[M].北京：中国旅游出版社，1991-2004.

[6]2004年中国入境旅游人数首次突破一亿人次[EB/OL]..cn/2005fbh/article.phpid=9281.

[7]2005年中国入境旅游人数达1.2亿人次[EB/OL]./ReadNews.aspNewsID=4510&BigClassID=11&SmallClassID=31.

[8]Hill T, Marquez O' Connor M, Remus W. Artificial Neural network Models for Forecasting and Decision Making[J]. International Journal of Forecasting, 1993(3):5-15.

[9]Carey K. Estimation of Caribbean Tourism Demand: Issues in Measurement and Methodology [J]. Atlantic Economic Journal, 1991(3): 57-80.

[10]张文彤. SPSS11 统计分析教程[M].北京:北京希望电子出版社，2002：269-274.

神经网络原理篇3

 

通信技术和计算机技术得到不断的发展和进步过程中，网络资源也逐渐实现了共享，全球信息化顺势成为当今社会的发展潮流。计算机网络是信息传播的主要形式，也是全球范围内数据通信的主要方式，具有方便、快捷，经济等特点。除了日常的信息交流和沟通之外，重要部门需要加密的内部文件、资料、执行方案和个人隐私等信息内容也会通过网路系统实现传输，但是网络数据给人们带来方便的同时，自身也存在极大的风险，因此，如何有效应用信息网络，并保证网络信息传输的安全，是网络安全建设的主要内容之一。

 

1 BP神经网络中间形式通信方式

 

文中主要对安全通信的中间形式以达到信任主机间安全通信的目的，在系统中的位置属于安全通信层，该通信层位于系统中网络结构组织的最底层，位置越低，具备的安全性能越高，稳定性更强，不轻易受到干扰，从而在一定程度上增加了技术的实行难度。

 

如图1所示。安全通信层的插入点是与网卡相接近的位置，即NDIS层。安全通信层中具有明显的优势对数据包进行截获，数据包的类型有FDDI、EtherNetS02.3或者EtherNetS02.5等，建立其完整的网络协议，数据包实行过滤、加解密或者分析等。并保证上层的协议得到完整的处理。安全通信的中间形式具有的主要功能包括：

 

(1)根据上层协议发出的数据实行加密处理后，将特征进行提取，并根据网卡从信任主机所接收到的数据实行解密后，对待数据进行还原。

 

(2)以相关的安全准则为基础，对各种存在的网络协议数据实行具体的过滤和分析。

 

(3)不同的用户实行相应的身份识别和校验。当前网络环境中，对数据包的过滤分析的技术和身份认证技术相对成熟，进而有效提升安全准则的定义。文中将省略安全通信中间形式的协议的过滤分析、安全准则定义和用户认证工作等内容，注重对BP神经网络模型在实行数据特征提取和数据还原等方面进行分析，并与其他的加密算法相结合，从而达到增大数据通信保密性的目的。

 

2 BP神经网络模型

 

人工神经网络是近年来逐渐兴起的一门学科，该网络主要是由具有适应性的简单单位组成，且具备广泛特点，实现互相连接的网络系统，且能够模仿人的大脑进行活动，具备超强的非线形和大数据并行处理、自训练与学习、自组织与容错等优势。尤其是由Rumelhart指出的多层神经网络，即BP算法，得到多数的研究学者所重视。

 

BP网络是利用多个网络层相结合而成，其中有一个输入层和输出层、一个或者多个隐层，每一层之间的神经单位并不存在相关的连接性。

 

BP网络是通过前向传播和反向传播相结合形成，前向传播表现为：输入模式通过输入层、隐层的非线形实行变换处理;而传向输出层，如果在输出层中无法达到期望的输出标准，则需要通过转入反向传播的过程中，把误差值沿着连接的通路逐一进行反向传送，进而修正每一层的连接权值。

 

实现规范的训练方式，通过同一组持续对BP网络实行训练，在重复前向传播与误差反向传播的过程中，需要保证网络输出均方误差与给定值相比下，数值较小。

 

以第四层的BP网络系统进行分析，即具体的算法实现和学习过程。假设矢量X=(X0，X1…Xn-1)T;第二层有n1个神经元，即X’=(X’0，X’1，…X’n1-1)T第三层有n2个神经元，Xn=(Xn0，Xn1，…，Xnn2-1)T;输出m个神经元，y=(y0，y1，…，ym-1)T。设输入和第二层之间的权值为Wab，阈值为θb;第二层与第三层的权值为Wbc，阀值为θc;第三层与输出层的权为Wcd，阈值为θd。正常情况下会使用非线性连续函数作为转移函数，将函数设为：

 

3 BP神经网络的数据安全通信设计

 

当前，数据包过滤和分析的技术、安全准则制定和身份认证技术均达到一定 发展程度，因此，文中主要对安全通信的中间形式，以BP神经网络为实验模型，对网络数据特征的提取和原有数据还原等方面内容实行分析。在BP神经网络发展的基础上，与相关的认证系统，安全准则和加密算法等技术相结合，能在一定程度上提升数据通信保密性、整体性和有效性，从而达到促进数据传输速度的目的。

 

BP网络中含有多个隐层，经过相关的研究证明，无论是处于哪一个闭区间之间的连接函数都能利用一个隐层的BP网络来靠近，因此，一个3层的BP网络能够随意完成n维到m维的映射变化。如果网络中含有的隐层单位数较多，具有较多的可选择性，则需要进行慎重考虑;如果隐层中的单元数过少，极有可能会导致训练失败，影响到网络系统训练的发展，因此网络训练所拥有的容错性不强;如果隐层中的单元数过多，则需要花费更长的时间进行学习，得到误差结果也较大，因此为了有效提升训练结果误差的准确性，建议在实际操作过程中，可以依照公式n1=log2n，公式中的n是输入神经的元数值，n1表示的是隐层的单位元数值。

 

对网络传输数据实行特征提取和数据的还原过程中，详见图2所示。

 

如图2中所示，三层神经元结合而成的BP网络，所具有的输入层和输出层每个神经元的个数全部相同，设定个数为n个，中间所隐藏的单元个数为n1=log2n，当输入了学习的样本内容后，利用BP网络的学习，让输入和输出层保持一致，因为隐层的神经元个数明显小于进入输入层的原始网络数据，而将隐层神经元作为原始网络数据特征的样本。在实行网络传输过程中，只需要将隐层神经元的数据进行传输。作为数据的接收方，收到的数据应该是隐层的神经元数值，如果在此基础上，将数据乘上隐层至输出层的权值即可根据发送方提供的原始网络数据实行还原。通过这一计算法积累的经验，合理与相关的加密算法相结合进行计算，具体如：RSA、DES等，最大限度降低了网络的总流量，进而提升了数据通信的保密性。

 

4 结论

 

将特定的网络数据作为具体的训练样本，开展BP网络训练，把一串8个bit位的代码作为输入样本，在隐层中含有3个神经元，通过BP网络的学习过程中，需要保证输出与输入数据相一致。实行网络数据传输过程中，接收方应该以事前获得的隐层与输出层之间存在的不同的权系数，使用该系数与接收的隐层神经元数据相乘计算，就能有效恢复原先的网络数据，以及8个bit位的输入层。

 

因为人工神经网络拥有明显的自学习和自适应、联想与记忆、并行处理以及非线形转换等优势，无需进行复杂数学过程，并能够在样本缺损、资料不完备和参数出现漂移的状态下继续保持稳定的输出模式，基于此，文中主要使用一个3层的BP网络有效对网络数据实行特征提取和数据还原工作，并以该工作为基础，与相应的加密算法和认证体系相联系结合，通过中间件的形式贯穿在整体系统的主要核心内容，从而不仅能够实现对网络通信技术的过滤和分析，还能够在另一方面保障了数据通讯的完整安全性。

 

神经网络原理篇4

中图分类号：TP391文献标识码：A文章编号：1009-3044(2012)11-2599-05

License Plate Recognition Based on Synergetic Neural Network

ZHANG Mei-jing

(Fujian Jiangxia College，Fuzhou 350108,China)

Abstract: Feature losses and noise are major barriers for license plate recognition. Because of outstanding properties in association and rec? ognition, Synergetic Neural Network is used to process the binary character image to regain the legibility and completion. According to the result of experiment, Synergetic Neural Network is proofed to be an excellent algorithm in Recognition.

Key words：synergetic neural network；license plate recognition；character recognition

字符识别属于模式识别领域的重要组成部分，是文字自动输入的一种方法。它通过扫描和摄像等输入方式获取媒介上的文字图像信息，利用各种模式识别算法分析文字形态特征，判断出字符的标准编码，并按指定格式存储在文该文件。字符识别的过程如图1。

1车牌字符识别原理

车牌字符识别是字符识别技术的一个分支，是智能交通系统的重要组成部分。车牌字符识别的任务是将车牌图片上的7个由汉字，数字和大些英文字符组合而成的字符图片识别成字符，相关字符如图2。[1](a)汉字样本(b)字母样本(c)数字样本

图2车牌字符样本

车牌字符识根据识别对象分类属于有限样本的印刷体脱机字符识别，常用的方法有模板匹配字符识别法，人工神经网络字符识别和特征统计匹配法等。[2]模板匹配字符识别算法是将待识别字符与系统中已收录的标准字符样本进行像素级别的逐一匹配，通过匹配度的高低判定待识别样本。字符特征识别对待识别字符进行字符布局，结构，笔划等特征进行分析，通过特征的分析结果与系统字符库中的样本进行比对，得出识别结果。人工神经网络以人脑识别物体的原理为依据，构建一个与人脑识别过程相似的网络系统。该网络经过训练后对各字符样本的特征极为敏感，能够对待识别对象在较短时间能做出判断，得出识别结果。

在实际应用中，车牌识别算法远达不到理想状态下的性能，单独采用上述算法中的任何一种均难以取得较好的效果，个别情况乃至各种技术的组合都难以奏效。车牌识别率不高的主要原因是有效信息不足或缺失和噪声太大等失真，原因包括由天气、光线、背景环境、摄取角度、车牌污损等，图像在采集过程中存在不同程度的信息损失和图像变形；个别字符间的高相似度严重使得样本特征不易提取和区分；图像预处理导致的图像有效信息弱化，乃至消失等，如图3。因此，如何保证待识别图像信息的完整性是高效识别字符的关键。

2协同神经网络

20世纪70年代，德国科学家H.Haken教授在斯图加特大学冬季学期演讲中首次引入协同学（Synergetic）的概念。20世纪80年代末，协同学原理被引入计算机科学和认知科学，基于协同学的神经网络正式提出。[3]

2.1协同神经网络原理

协同神经网络（Synergetic Nerural Network, SNN）是一种竞争性网络。根据协同学将模式识别过程与模式形成过程视为同一过程的原理[3]，系统将根据待识别对象q和样本构造一系列的序参量，让序参量在一个动力学过程中进行竞争，最终取胜的序参量将驱使整个系统进入一个特定的有序状态，使得q从中间状态进入某个原型模式止中，完成整个系统的宏观质变。整个过程可描述为q(0) q(t) vk。忽略涨落力( )F t和暂态量，势函数表达式如式（1）， l为注意参数，其值为正数时可q指数增长；kv为原型模式向量，满足归一化和零均值条件，即式（3）和式（4）； x，用于描述q在最小二乘意义下kv上的投影，即可把q分解为原型向量kv和剩余向量w，如式（5）

2.2协同神经网络的构建

根据上述协同神经网路的原理，构造Haken网络结构，将序参量的动力学方程离散化为式（12）=，离散系统神经网络的稳定性主要取决于r的大小。通过上述处理，Haken网络转化为三层前向网络的形式，如图4所示。图4协同神经网络结构

设原型模式数为M，状态向量与特征向量的维数为N，为满足原型模式之间线性无关条件，MN￡，则网络输入层的神经元数为N，输出层的神经元个数为N，中间层的神经元个数为M。从网络的输入单元j到中间层k的连接权值，为伴随向量kjv+，该伴随向量kjv+通过网络的训练获得；中间层k到输出层单元l的连接权值，为原型向量lk v，通过网络的训练获得[4]。

协同神经网络的运行过程分为两个阶段：首先是网络学习阶段，然后是网络识别阶段，其运行步骤包括以下八步：

1)网络学习阶段

①选择网络的训练模式，将训练模式向量化；

②计算出满足归一化和零均值条件的原型模式向量kv，即网络中间层到输出层的连接权值；

③求出原型向量kv的伴随向量kv+，并存储伴随向量矩阵，从而获得网络输入层到中间层的连接权；

2)网络识别阶段

④网络输入层读入待识别模式的特征向量(0)q，输入模式的特征向量(0)q满足归一化和零均值条件；

⑤输入层模式特征向量(0)q与网络权值相乘，即(0)(0)

3识别实验

我国现行的02式车牌字库样本包含40个汉字，26个大写英文字母和10个数字，总共76个，样本如图5所示。相对于数字和字母而言，汉字结构比较复杂，以脱机方式识别难度较大，且识别原理相同，故以34个省、自治区、直辖市简称的字符为识别样本进行实验，实验的软件平台采用Matlab2009a，实验结果将分别与BP神经网络（BPNN）和Hopfield神经网络（HNN）的识别效果进行比较。=，1B C==；求得各序参量初值ξ(0)如下：

-0.06867057433020530.01568406876894620.05013376633354150.0631045313417070-0.0274198021611342 0.03373680640883180.1625299254749570.03986166655208920.06608181151017900.0593773160644256 0.0189960079554657-0.03124887237908740.0252495395456835-0.1715844592494780.0661238836233446 0.0681958334905401-0.09422390281760170.137104511398972-0.0371544780361387-0.0206758647343073 0.0204453344805276-0.07415745082880180.335697288112717-0.0827516059489237 0.0749152803026763 0.03887147948484890.149771923460272-0.06972351567272020.09636195429090890.0897441258906458-0.109678771470029-0.1227450763021440.119589618251446-0.0596355107322448

3.1信息缺失字符的识别实验

信息缺失是干扰识别效果的极为重要的因素，主要表现为字符不完整，多数由于图像采集和字符分割预处理过程所导致的，如图6。该待识别样本由于车牌的倾斜校正处理使得走字底部分造成残缺。经过约110轮的迭代，获胜模式为“辽”，识别所需时间为0.036287秒，迭代过程如表1，图7显示了竞争过程中各序参量的变化，识别结果图8，各神经网络的识别结果及开销对对比如表2。

3.2噪声干扰字符的识别实验

噪声干扰也是图像识别中主要的干扰因素，主要源于图像采集和二值化预处理过程，如图9，该字符由于车牌污损导致字符布满噪声。经过约96轮的迭代，获胜模式为“浙”，识别所需时间为0.035126秒，迭代过程如表3，图10显示了竞争过程中各序参量的变化，识别结果图11，各神经网络的识别结果及开销对比如表4。

结果表明，协同神经网络识别效果最好，与原型模式完全一致；Hopfield神经网络虽也识别，但识别结果存在少许失真；BP神经网络则识别错误。在时间开销方面，协同神经网络需要迭代的次数较多，但用时最短，Hopfield神经网络迭代的次数较少，但用时较多。

经过对400个车牌样本的识别，识别结果的统计如表5，各项数据充分表明了协同神经网络优异的识别性能。

表5 400图片测试结果对比

4结束语

协同神经网络是协同学在模式识别方面的重要应用，该文介绍了协同神经网络的原理，以Matlab为平台实现了网络模型，并以车牌汉字为例进行实验。大量的实验结果表明，Haken协同神经网络比BP神经网络和Hopfield神经网络具有更好的识别效果，充分表明了协同神经网络在字符识别方面的有效性。但是，实验结果也表明，经典的Haken神经网络对于外形酷似的字符，如字符“0”与字符“O”、字符“O”与字符“Q”等，仍不能进行有效精确识别，有待进一步的挖掘和提高。

参考文献:

[1]公安部.GA36-2007,中华人民共和国公共安全行业标准—中华人民共和国机动车号牌[S],2007.

[2]刘静.几种车牌字符识别算法的比较[J].电脑与电信,2008(8):72-73.

[3] Haken H.Synergetic computers and cognition: a top-down approach to neural nets[M]. Berl in:Springer-Verlag Berlin and Heidelberg GmbH & Co. K,1991.

神经网络原理篇5

摘要:常规PID控制器以其算法简单、可靠性高等优点,在工业生产得到了广泛应用。但是,PID控制器存在控制参数不易在线实时整定、难于对复杂对象进行有效控制等不足。利用神经网络自学习、自适应和非线性映射等特点,将神经网络和PID控制相结合,形成一种PID神经网络控制系统,可对工业中使用的具有大时滞、慢时变、非线性特点的电炉系统进行有效辨识与控制。

关键词:PID神经网络;智能控制器;滞后系统;时变系统;电炉控制系统

中图分类号:TP18文献标识码:A文章编号:1009-3044(2009)28-8028-03

Application of PID Neural Network in Electric Cooker Controlling Systems

REN Hui, WANG Wei-zhi

(Institute of Automation, Fuzhou University,Fuzhou 350002, China)

Abstract: General PID controller, because its algorithm is simple and high reliability,so has been widely used in industrial production. However, PID controller, there is not easy to line real-time control parameter tuning, is difficult for complex objects such as lack of effective control. Using neural network self-learning, adaptive and nonlinear mapping characteristics of neural network and PID control combined to form a PID neural network control system can be used in industry with a large time lag, slow time-varying, nonlinear characteristics of electric systems for effective identification and control.

Key words: PID neural network;intelligent controller;time lag system;time-varying system;electric cooker systems

近年来,随着神经网络理论的发展,将控制中应用最广泛的PID的控制器与具有自学习功能的神经网络相结合,已成为智能控制研究的一个新方向。并且,在这个方向上已取得了一些研究成果 。其主要的结合方式是在常规PID控制器的基础上增加一个神经网络模块,利用神经网络来在线调节 PID参数,但缺点是结构较复杂。本文介绍的PID神经网络是将PID控制规律融进神经网络之中构成的,实现了神经网络和PID控制规律的本质结合。它属于多层前向网络,但是它与一般的多层前向网络又不完全相同,一般的多层前向网络中的全部神经元的输入输出特性都是相同的,而PID-NN的隐含层是由比例、积分、微分三个单元组成,是一种动态前向网络,更适合于控制系统。各层神经元个数、连接方式、连接权值是按控制规律的基本原则和已有的经验确定的,保证了系统稳定和快速收敛。由于PID神经网络控制器是将神经网络和PID控制规律融为一体,所以其既具有常规PID控制器结构简单、参数物理意义明确之优点,同时又具有神经网络自学习、自适应的功能,可将PID神经网络应用于对工业控制领域的复杂非线性对象的控制。

本文提出一种基于PID神经网络的控制方案,用来对大时滞、慢时变、非线性的电炉系统进行辨识与控制。

1 PID神经网络控制系统

1.1 PID神经网络的结构

PID神经网络是一个 3层的前向网络,包括输入层、隐含层和输出层,其结构如图1所示。网络的输入层有2个神经元,分别对应系统的输人和输出;隐含层有3个神经元,各神经元的输出函数互不相同,分别对应比例(P)、积分(I)、微分(D)3个部分;网络的输出层完成PID-NN控制规律的综合。网络的前向计算实现PID神经网络的控制规律,网络的反向算法实现PID神经网络参数的自适应调整。

1.2 控制系统结构及其工作原理

PID神经网络控制系统结构如图2所示。控制系统包含PID神经网络辨识器(PID-NNI )和PID神经网络控制器((PID-NNC )。其中r(k)为系统的设定输入,y(k)为被控对象的实际输出,y~(k)为PID-NNI的输出,u(k)为PID-NNC的输出。系统的工作原理是:利用神经网络的非线性函数逼近能力和学习记忆功能,由PID-NNI在线对被控对象模型进行辨识。它利用输出偏差(e1(k)=y(k)-y~(k) ),修正网络权值,使之逐步适应被辨识对象的特性。当它学习到与被控对象基本一致时,PID-NNC利用系统偏差 (e2(k)=r(k)-y~(k)),通过反传算法实时调整自身权值,以跟上系统的变化,达到有效控制的目的。

2 PID神经网络学习算法

2.1 PID-NNI(PID神经网络辨识器)学习算法

神经网络原理篇6

关键字：数控机床；机械故障；专家系统；神经网络；网络化

1 引言

由于数控机床具有提高零件的加工精度、稳定产品的质量、提高产品的生产率、可适应不同品种及尺寸规格零件的自动加工等优点，因此其运用越来越广泛，已经成为一个国家工业水平和综合科技水平的重要标志。数控机床对大中型企业来说，是其最重要的设备，如果其任何部分出现故障，其就会导致精度减低，严重的话，使企业停顿，企业的经济损失更大，进而对相关人员的安全造成危害。在一方面，数控机床特点就是先进、复杂和智能化，当其出现故障后，维修也相对困难，因此对数控机床机械故障诊断进行分析研究就显得非常迫切。

2 诊断故障系统的网络化管理

2.1专家系统和神经网络内涵

1）专家系统的基本原理；具有获取、处理、存储和使用知识的特点的系统叫做专家系统（可以进行知识处理），其主要包括知识库、推理机、数据库、知识获取模块、解释程序和人机接口等方面组成。

2）专家系统和神经网络的结合；尽管在运用方面，专家系统取得了不小的成就，但是，其在模拟人类抽象思维方面也有着明显的缺陷，这些缺陷主要有：（1）存在“瓶颈”问题；（2）推理能力弱；（3）自学习能力差；（4）存在“窄台阶效应”。

3）神经网络的基本结构；神经网络的基本结构主要有以下七部分组成，具体如：（1）一组处理单元（让相关单元可以激活）；（2）输出函数（由处理单元进行输送）；（3）衔接模式（主要处理单元之间的链接问题）；（4）一定规则进行传递；（5）一定规则进行激活（输入处理单元和当前状态结合规则）；（6）一定的学习规则（根据经验进行联接）；（7）系统所需要的环境。

2.2专家系统和神经网络的结合

2.2.1对专家系统和神经网络进行比较

根据其二者不同的定义、结构及工作原理，神经网络与专家系统是两种截然不同的技术：其主要区别有：（1）知识获取不同；（2）知识表示不同；（3）推理形式不同。

2.2.2 对专家系统和神经网络的相关性进行分析

二者存在的特点各不相同，神经网络和专家系统在其各自的领域都运用较为广泛，但同时在满足设备故障诊断任务方面又各自存在着的局限性，因此就需要让其二者有效结合起来，其结合方式主要有：（1）神经网络与专家系统共存于一个系统中；（2）使用神经网络来构造专家系统。

2.3 神经网络的类型选择及结构设计

2.3.1 神经网络不同选择类型

由于径向基函数网络具有确定自适应、输出与初始权值无关等各种优点，因此其在拟合多维曲面、重构自由曲面和故障诊断等方面有着巨大的运用。因此认为径向基函数神经网络是最好的。

2.3.2 隐层神经元的设计

提取并存储内在规律，使每个隐层神经元都有不同的权值，同时每个权值都相对应着一个参数（增强网络映射能力）。

2.4基于web的神经网络专家系统

对现代信息传输载体（比如Internet）进行有效利用，可以较快地传递和收集相关故障信息，高效提高诊断故障的能力，使数控机床设计者和使用者更好地参与进来，以期得到更合理的措施。

3 系统的总体设计原则

3.1网络化专家系统的设计原则

其设计的原则主要有以下几方面，具体如下：（1）模块化原则。（2）实用性原则。（3）可扩充原则。（4）安全性原则。（5）统一性与简单性原则。

3.2专家系统的功能模块设计

新用户首次登陆必须要通过注册模块先进行注册，老用户可以直接登陆，登陆又分为管理员和普通用户登陆，只有管理员有权利处理系统的数据库。通过故障诊断模块对相应故障进行诊断，其功能模块主要主轴、进给系统、刀库刀和辅助装置等几部分组成。

3.3系统运行的环境

1）Web服务器的选取；通过Windows操作系统，发挥在PC界的优势，推出的IIS成为目前运用最广泛的服务器，经过验证，也是目前用户最好的选择。

2）后台数据库的选取；通过分析研究，同时结合Access的特性、相关程序的匹配性和开发者的业务水平，本文的系统选取Access最为合适。

3.4系统的软件开发环境

3.4.1 服务器相应的软件环境

操作系统：Windows XP Server/Professional；服务器：IIS6.0；数据访问：ADO -ActiveX Data Objects；数据库系统：ACCESS

3.4.2 客户自己机器所对应的软件

操作系统：Windows 98/2000/xp，浏览器：IE5.0以上，MATLAB6.5以上版本。

3.5开发相应工具分析

目前开发工具主要有以下两种形式：（1）网络化专家系统开发工具：具体采用FrontPage。（2）径向基函数神经网络开发工具：具体采用MATLAB程序控制。

4 系统的研究与实施

4.1总体结构设计

该系统的总体结构主要采用一个并列协调式（神经网络和专家系统并存）。两者分别处理各自不同的知识，管理着不同的模块，分别处理各自不同的功能，但是也可以进行联合诊断。

4.2知识库的设计与实现

本系统直接把数据库和数据库管理系统作为知识库的重要组成部分，一方面通过数据对象来处理知识，另一方面，用数据库来对相关知识的存储、编辑、删改、更新查询和安全保护等功能进行有效管理。

4.3推理机的研究与实实施

通过模拟专家的思维模式，对相应问题进行控制和研究，这是推理机的主要功能。结合目前已知的事实，通过知识库，按照一定的规则和方法，进行推理分析，再对其修正，得到最终的结果。

4.4解释模块及人机界面

解释功能作为数控机床机械故障诊断系统最主要的功能，其主要具有向用户、远程用户、领域专家和知识工程师解释相关的问题的优点。目前的人机界面都需要通过ASP编程来实现，主要采用中文视窗的的模式，这样比较简单明了，更容易实现人机交互。

4.5径向基函数神经网络故障诊断

当专家系统部分得出的初期诊断结果不能使用户满意那么就需要进行进一步的深层次诊断。采用径向基函数神经网络进行深层次的定量诊断。

5 结论

由于现在数控机床的技术和水平的快速提高，其相应结构复杂程度进一步提高，功能也越来越多，这样就是的设备出现的问题概率大大增加，因此针对数控机床存在的机械故障进行分析研究，提出采用网络化对其故障进行控制的方法，以期更好地服务相关公司，为之后出现的机械故障提供一定的参考。

参考文献

（1） 李晓峰.数控机床远程故障诊断专家系统的研究（D）.辽宁：沈阳工业大学，2005.

（2） 赵中敏.数控机床故障诊断技术的发展和关键诊断技术（J）.中国设备工程，2007 6： 5152.

（3） 朱文艺，李斌.基于Internet的数控机床远程故障诊断系统的研究（J）.机床与液压，2005-9：176178.

（4） 李美华.神经网络专家系统在汽车故障诊断中的应用研究田（D）.东北：东北林业大学，2006.

神经网络原理篇7

[关键词]神经网络；燃气调压器；故障识别

中图分类号：TM645.11 文献标识码：A 文章编号：1009-914X（2015）41-0212-01

引言

神经网络也简称为人工神经网络（简称ANN）或称作连接模型，它是一种以模仿动物神经网络行为特征的数学模型，这种数学模型可以进行分布式并行信息处理。ANN经过几十年的研究和发展，已经形成一套严密的、系统的理论，广泛应用于国防、电子、化工、机械和电力等多种行业和部门，成为处理问题的强有力工具之一。下面笔者探讨了神经网络在燃气调压器故障识别中的应用。

1 神经网络的基本原理

1.1 神经元模型

神经网络以计算机仿真的方法从物理结构上模拟人脑，使系统具有人脑的思维特性，是由大量简单处理单元广泛连接形成的以模拟人脑行为为目的复杂网络系统，该系统是靠其状态对外部输入的信息动态处理信息的。神经网络中的节点称为神经元。常用人工神经元模型主要是基于模拟生物神经元信息的传递特性，即输入、输出关系，神经元信息传递的主要特征可以用图1的模型来模拟。

1.2 神经网络的学习方式

神经网络的学习又可以称之为训练，是指在受到外部环境刺激下神经网络调整自身的参数，使得神经网络用一种新的方式对外界环境做出反应的一个过程。

神经网络可以从外界环境中学习以及在学习中提高自身的性能，这是神经网络最有意义的性质，通过反复学习样本达到对环境的了解。常见神经网络的学习方式有3种：有导师学习、无导师学习和再励学习。其中，有导师学习也称之为监督学习，是指组织一批正确的输入输出数据对，将输入数据加载到网络输入端后，把网络的实际输出与理想的输出相比较得到误差，然后根据误差的情况修改各连接权，使网络朝着能正确响应的方向不断地变化下去，直到实际响应输出与理想的输出之差在允许范围之内。这种学习算法通常称误差修正算法。BP算法就是这类算法的典型代表。而无导师学习亦称为无监督学习，这时仅有一批输入数据，待诊断的模式类别未知，网络结构和连接权值根据某种聚类法则，自动对模式样本进行学习和调整，直至网络的结构和连接权值能合理地反映训练样本的统计分布。再励学习亦称强化学习，介于上述两种情况之间，外部环境对系统输出结果只给出评价（奖和罚）而不是给出正确答案，学习系统通过强化那些受奖励的动作来改善自身性能。

1.3 神经网络的故障诊断能力

现行的故障诊断系统均具有以下两个特点：一是需要构造专门的庞大的知识库和数据库以集中专家经验；二是具有串行运行的处理方式。神经网络具有一些传统的线性系统所没有的如下优点：

（1）具有学习能力训练过地神经网络能存储有关过程的信息，能直接从定量的、历史的故障信息学习。可以根据对象的历史数据进行训练，然后将此信息与当前测量数据进行比较以确定故障。

（2）在神经网络中，信息分散在神经元的连接上，单个的神经元和连接权值都没有很大用途，单个的神经元和连接权值地损坏也不会对信息造成太大地影响，表明神经网络具有较强地兽棒性（受干扰时自动稳定的特性）和容错能力。

（3）并行性各个神经元在处理信息时是各自独立的，分别接受输入产生输出，这种并行处理能力，使神经网络有可能用于实时快速信息处理。

（4）非线性神经网络因具有较好的非线性拟合能力，能够有效地实现输入空间到输出空间的非线性映射，成为非线性系统研究地重要工具，也成为故障诊断的一种有效方法。

2 基干小波包的神经网络在燃气调压器故障识别中的应用

2.1 基于小波包的神经网络故障识别的原理

燃气调压器出口压力作为故障特征提取的原始信号，对出口压力进行小波包分解后，取适当的子频带的小波包能量函数作为神经网络的输入向量，利用神经网络进行故障诊断。神经网络选用BP网隐含层激发函数采用正切S形函数，输出层激发函数采用线性函数，网络训练函数为自适应学习率算法。输入层节点数等于调压器原始出口压力信号的小波包分解子频带能量函数的向量维数，输出层的节点则由故障分类器的类型决定，主要有3类，分别为调压器正常运行、调压器阀头有污物和调压器阀口堵塞。

2.2 经网络在燃气调压器故障识别中的应用

2.2.1 实验数据来源

燃气调压器作为燃气输配系统的重要部件，其安全运行情况影响着整个燃气输配系统的可靠性和安全性。笔者使用SCADA系统对城市燃气管网进行数据采集和监测，通过SCADA系统实现对燃气输气管网的全线远程监控，不仅可以实现对控制工艺的改进，提高企业管理水平，而且将在确保安全生产基础上获得更大的经济效益。

SCADA监控系统中燃气调压器的监测内容和控制对象是分离的，监视发现问题，经过人的主观判断找出问题原因，决定解决问题的办法，通过远程对现场设备的控制而达到解决问题的目的，这种管理方式通常用于分散监控点和过程控制要求一般的现场。集团下属分公司每天根据压力自动记录纸反映的燃气调压器出口压力的情况来判断调压器是否出现故障，若下属公司工作人员发现压力自动记录纸的压力波动异常或是例行检修，则通知集团总部监控部门关闭调压器前后阀门后进行检修。

2.2.2 燃气调压器故障识别

为了验证小波包能量检测技术在燃气调压器特征提取的有效性，本文对燃气调压器在无故障、调压器阀口堵塞、调压器阀头有污物这三种不同状态15天SCADA系统所检测调压器实际出口压力值进行特征信号提取，调压器出口压力值为一天内每五分钟取一个数，一天共取288点作为分析信号。

为了验证小波包能量检测技术在燃气调压器特征提取的有效性，对分别采集的燃气调压器在无故障、调压器阀口堵塞、调压器阀头有污物三种不同状态出口压力信号，利用小波包基函数db4分别对其进行3层小波包分解，分别提取第三层从低频到高频成分的信号特征，每个节点都代表一定的信号特征，共得到8个频带。每种燃气调压器状态15组出口压力数据，其中10组作为训练样本，5组数据作为测试样本。考虑到篇幅有限，这里不全部列出。表1为燃气调压器不同状态测试样本归一化数据。

结论

比较测试结果与理想输出状态值可以看出，诊断结果较为准确，可以证明神经网络对燃气调压器故障识别的可行性和有效性。

参考文献

[1] 仲京臣.基于小波神经网络的故障诊断研[D].青岛：中国海洋大学，2004.

神经网络原理篇8

关键词：BP神经网络；数字识别；特征提取

中图分类号：TP183 文献标识码：A 文章编号：1009-3044（2013）14-3362-04

1 概述

数字识别在车辆牌照识别、银行支票识别和邮政储蓄票据识别等领域有着广泛的应用，因而成为研究人员近年来研究的一个焦点[1]。而人脑神经系统模型的建立为人工神经网络的产生提供了理论模型依据， 使其具有模拟人脑部分形象思维的能力[2]，因而使其成为人工智能技术的重要组成部分和常用方法。人工神经网络由简单信息处理单元相互连接组成，通过简单处理单元间的相互作用来实现对其所接收信息的处理。而随着人工神经网络技术的快速发展，其为解决模式识别邻域的相关问题提供了新的解决思路和方法，其突出的优点在于它具有对接收信息可进行并行分布式处理能力和自我学习反馈能力，因而吸引了众多研究人员对其进行广泛和深入的研究。而误差反向传播网络（Back-Propagation），即BP神经网络，是一种典型的人工神经网络，它具有人工神经网络的所有优点，因而在众多技术邻域有着广泛的应用[3]。该文首先对BP神经网络的基本原理进行了详细介绍，在分析了其基本原理的基础上，针对数字识别问题，设计了一种利用BP神经网络技术进行数字识别的方法。经实验表明，该方法合理可行，且其识别效果正确有效。

2 相关原理与知识

由于本文针对数字识别问题，利用BP神经网络技术对其进行方法设计和实现，首先必须了解BP神经网络的基本原理，即了解其具体构成形式、模型分类和其功能特点。其次，在了解了BP神经网络基本原理的基础上，进一步了解其所处理数据的特点和组成形式，并根据处理数据的特点和其数据结构设计相应的数字识别方法。下面分别对它们进行详细的介绍。

2.1 BP神经网络基本原理

BP神经网络算法由数据信息流的前向计算，即正向信息流的正向传递，误差信息的反向回馈两个部分组成。当信息流进行正向传递时，其传递方向为从输入层到隐层再到输出层的顺序，器每层神经元所处的状态只会影响下一层神经元的状态。若在最后的输出层没有得到理想的输出信息，则应立即进入误差信息的反向回馈过程[6]。最终经过这两个过程的相互交替运行，同时在权向量空间使用误差函数梯度下降策略，动态迭代搜索得到一组权向量，使得该BP神经网络的误差函数值达到最小，从而完成对信息提取和记忆过程[7]。

2.2 BMP二值图像文件数据结构

由于本文处理的数据源为BMP二值图像，则必须了解其数据结构，才能对其进行进一步的识别方法设计。由数字图像处理基础知识可知，常见BMP二值图像文件的数据结构由以下三部分组成：（1）位图文件头，其包含了BMP二值图像的文件类型、文件大小和位图数据起始位置等信息；（2）位图信息头，它包含了BMP二值图像的位图宽度和高度、像素位数、压缩类型、位图分辨率和颜色定义等信息；（3）位图数据体，其记录了位图数据每一个像素点的像素值，记录顺序在扫描行内是从左到右，扫描行之间是从下到上。因此，根据BMP二值图像数据结构信息，读出所需要的图像数据，并对这些图像数据做进一步的处理。在本文给定的训练图像中，图像数据大小为80个字节，而图像数据体距离其文件头的偏移量为62个字节。但为了减少数据处理数量，该文在进行实验时直接使用位图数据体中的数据，没有通过读出位图文件头来得到位图数据体中的数据。

3 数字识别具体设计方法

由上文可知，该文使用数据源为图像大小为20*20的BMP二值图像，由于是对位图数据体的数据直接进行操作，因此省去了对图像其他数据结构数据的繁杂处理过程，将问题的核心转向BP神经网络的设计方法步骤。

4 实验结果

图4所示为BP神经网络训练及测试结果图。该文选择10个训练样本，通过实验结果可以看出，由这10个训练样本训练出来的BP神经网络对于训练样本中的图像数值识别率达100%，训练时间也比较短，其迭代次数大概为700次左右。对于一些含有噪声的图片，只要噪声系数小于0.85个字符，其数字识别率可达96%。

5 结束语

针对二值图像数字识别问题，该文在对BP神经网络的基础理论进行分析后，设计了一种基于BP神经网络的数字识别方法，并通过实验验证了该BP神经网络用于数字识别的可行性和有效性。而对于BP神经网络存在的收敛速度慢、易陷入局部最优和学习、记忆具有不稳定性等问题，还有待于对其进行一步研究。

参考文献：

[1] 韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，2006.

[2] 吕俊，张兴华.几种快速BP算法的比较研究[J].现代电子技术，2003，24（167）：96-99.

[3] 陆琼瑜，童学锋.BP算法改进的研究[J].计算机工程与设计，2007（10）：96-97.

[4] Sven Behnke，Marcus Pfister.A Study on the Combination of Classifiers for Handwritten Digit Recognition，2004.

[5] 马耀名，黄敏.基于BP神经网络的数字识别研究[J].信息技术，2007（4）：87-88.

[6] Hasan soltanzadeh.Mohammad Rahmati.Recogniton of Persian Handwritten Digits Using Image Profiles of Multiple Orientations[J].Pattern Recognition Leaers，2004（15）.

[7] 吴成东，刘文涵.基于粗网格神经网络的车牌字符识别方法[J].沈阳建筑大学报，2007，23（4）：694-695.

[8] 曾志军，孙国强.基于改进的BP网络数字字符识别[J].上海理工大学学报，2008，30（2）.