CNN神經網絡給圖像分類（Matlab）

你要看你的圖像是什么。如果是彩色數字，先轉成灰度。用MNIST訓練網絡。如果是各種主題，用彩色的imageNET訓練。如果你的數據量大到足以與數據集媲美，那么直接用你的數據訓練網絡即可。

在流行的數據集上訓練完，你需要固定卷積池化層，只訓練后面的全連接層參數，用你自己的數據集。CNN一是調整網絡結構，幾層卷積幾層池化，卷積的模板大小等。

而是在確定結構上調整參數，weightscale，learningrate，reg等。

你用CNN做圖像分類，無非是把CNN當成學習特征的手段，你可以吧網絡看成兩部分，前面的卷積層學習圖像基本-中等-高層特征，后面的全連接層對應普通的神經網絡做分類。

需要學習的話，首先你去看UFLDL教程。然后cs231n與其問別人，首先你看了imageNet數據集了嗎？對于把流行數據集與自己數據混合訓練模型的方法。如果兩種數據十分相似，也未嘗不可。

但是對于流行數據集而言，自己的標注數據量一般不會太大，如果是1：1000，1:100這種比例，那么可能不加自己的數據，完全用數據集訓練的模型就能得到一個還好的結果。

如果自己的數據和數據集有些差別，那混在一起我認為自己的是在用自己的數據當做噪聲加到數據集中。

cnn認為圖像是局部相關的，而欺騙CNN的方法則主要出于，自然圖像分布在一種流形結構中，訓練的模型需要這種流形假設，而人工合成的圖像由于添加非自然噪點，不滿足模型假設，所以能用肉眼難分辨的噪聲嚴重干擾分類結果。

如果二者相差過大，數據集是一種分布，你的數據是另一種，放到一起訓練，我沒試過，但我認為結果不會太好。這時候只能把數據集用來訓練cnn的特征提取能力。而后用于分類的全連接層，視你的數據量調整規模。

谷歌人工智能寫作項目：神經網絡偽原創

模糊照片修復app

1、VSCO擁有著超級豐富的濾鏡庫，讓許多人一提起手機濾鏡就會想到這個APP，簡直成為了VSCO的代名詞寫作貓。不過它的功能可不止是加濾鏡，還可以套上個濾鏡直接拍照，然后分享到社區里去。

2、黃油相機文藝青年最愛的修圖APP，沒有之一。想打造出電影大片對白的圖片效果，找黃油相機就是了。它的文字庫很是豐富，先在照片上加個復古濾鏡，再用那些漂亮的字體寫上一兩句話，效果就倆字：好看！

3、相機360很多人都會裝的一個拍照修圖APP，和系統自帶的相機相互補充吧，畢竟系統的相機沒有它那么多的特效和美顏~~~作為一款修圖APP，相機360也是有不少工具的，雖然大多數是用在修顏上的。

4、美圖秀秀這個就不用多說了吧，用過PC端的朋友應該有很多，APP版的重點放大了它的美顏功能，比如這個“美顏黑科技”，上傳自己的照片后可以生成一張手繪，棒棒噠。

5、Snapseed越來越多人在用的修圖APP，可以說是手機版的PS。曲線調整、色調對比度、細節調整等原本要到電腦才能進行的操作，都可以在Snapseed上完成。

還有一些特殊合成效果，比如雙重曝光、魚眼等等。

人工神經網絡會秒殺人類哪6大領域？

1.圖像和物體識別記錄表明，機器在圖像和物體識別方面的能力遠遠超過了人類。在一次測試軟件識別玩具的能力的實驗中，GeoffHinton發明的Capsule網絡的錯誤率幾乎只有之前最低錯誤率的一半。

在不同的掃描過程中，增加這些膠囊的數量可以讓系統更好地識別一個物體，即使這個視圖與之前分析的不同。

另一個例子來自于一個最先進的網絡，它是在一個有標簽的圖片數據庫上訓練的，并且能夠比一個博士生更好地對物體進行分類，而這些博士生在相同的任務上接受了超過100個小時的訓練。

2.電子游戲谷歌的DeepMind使用一種被稱為“深度強化學習”的深度學習技術，研究人員用這種方法教電腦玩雅達利的打磚塊游戲Breakout。他們沒有以任何特定的方式對這臺電腦進行教學或編程。

相反，它在看分數的同時還控制了鍵盤，它的目標是得到盡可能高的分數。玩了兩個小時后，電腦就成為了這個游戲的專家。

深度學習社區正在進行一場競賽，訓練計算機在幾乎所有你能想到的游戲中擊敗人類，包括太空入侵者、末日、Pong和魔獸世界。在大多數游戲中，深度學習網絡已經勝過有經驗的玩家。

電腦并不是通過編程來玩游戲的，他們只是通過玩游戲來學習。3.語音生成和識別去年，谷歌發布了WaveNet，百度發布了DeepSpeech。兩者都是深度學習網絡，能自動生成語音。

這些系統學會了模仿人類的聲音，并且它們的水平隨著時間的推移不斷提高。將他們的演講與真實的人區別開來，要比人們想象的要難得多。

牛津大學和谷歌公司DeepMind的科學家們創造了一個深度網絡，LipNet，在閱讀人們的唇語上達到了93%的正確率，而普通的人類唇語閱讀者只能達到52%的正確率。

來自華盛頓大學的一個小組利用唇形同步創建了一個系統，將合成音頻與現有視頻實現同步。4.藝術品和風格的模仿神經網絡可以研究某一特定藝術作品的筆觸、顏色和陰影的圖案。

在此基礎上，它可以根據分析將原始的藝術作品轉化為新的圖像。就是一個例子，這家公司開發的應用可以使用深度學習來學習數百種不同的風格，你可以將它們應用到你的照片中。

藝術家和程序員GeneKogan也運用了風格轉換，基于算法從埃及象形文字中學習的風格來修改蒙娜麗莎畫像。

5.預測斯坦福大學的研究人員TimnitGebru選取了5000萬張谷歌街景圖片，探索一個深度學習網絡可以做些什么。結果是，計算機學會了定位和識別汽車。

它檢測到超過2200萬輛汽車，包括它們的制造、型號、體型和年份。這一系統獲得的洞見之一就是，選民隊伍的起點和終點在哪里。

根據這一分析，“如果在15分鐘車程中遇到的轎車數量高于皮卡車的數量，那么這座城市可能會在下次總統選舉中投票給民主黨人（88%的幾率），”TimnitGebru和他的合著者寫道。

另一個機器提供比人類更準確的預測的例子來自谷歌的Sunproof項目，這項技術使用了來自谷歌地球的航拍照片來創建一個你的屋頂的3D模型，將它與周圍的樹木和陰影區分開。

然后，它利用太陽的軌跡，根據位置參數來預測你屋頂的太陽能電池板能產生多少能量。6.網站設計修改在網站生成器中集成的人工智能可以幫助網站更新，并對網站進行有用的修改，比人類更快速、更準確。

這種系統的基本技術提供了關于網站外觀的普通用戶的意見，這可以告訴設計師網站設計的好壞。如今，網站建設者們要么利用深層網絡來修改設計，要么計劃在不久的將來使用它們。

該技術可以分析不同的模式，并根據以前的轉化率和其他重要指標，創造更好的結果。雖然我們距離實現矩陣級別的人工智能還差得很遠，但企業正在努力快速提高神經網絡的智能化水平。

上面提到的項目只是這項技術的淺層次應用，新的想法和改進不斷涌現，證明機器在完成任務方面正在不斷超越人類的表現。

人工智能的應用領域有哪些？

人工智能是研發模擬、擴展和擴展人的智能理論、方法、技術和應用系統的新技術科學，是認知、決策、反饋的過程。

人工智能技術應用的細分領域:深入學習、計算機視覺、智能機器人、虛擬個人助理、自然語言處理-語音識別、自然語言處理-通用、實時語音翻譯、情況感知計算、手勢控制、視覺內容自動識別、推薦引擎等。

人工智能是研發模擬、擴展和擴展人的智能理論、方法、技術和應用系統的新技術科學，是認知、決策、反饋的過程。

人工智能技術應用的細分領域:深入學習、計算機視覺、智能機器人、虛擬個人助理、自然語言處理-語音識別、自然語言處理-通用、實時語音翻譯、情況感知計算、手勢控制、視覺內容自動識別、推薦引擎等。

人工智能是研發模擬、擴展和擴展人的智能理論、方法、技術和應用系統的新技術科學，是認知、決策、反饋的過程。

人工智能技術應用的細分領域:深入學習、計算機視覺、智能機器人、虛擬個人助理、自然語言處理-語音識別、自然語言處理-通用、實時語音翻譯、情況感知計算、手勢控制、視覺內容自動識別、推薦引擎等。

人工智能是研發模擬、擴展和擴展人的智能理論、方法、技術和應用系統的新技術科學，是認知、決策、反饋的過程。

人工智能技術應用的細分領域:深入學習、計算機視覺、智能機器人、虛擬個人助理、自然語言處理-語音識別、自然語言處理-通用、實時語音翻譯、情況感知計算、手勢控制、視覺內容自動識別、推薦引擎等。

人工智能是研發模擬、擴展和擴展人的智能理論、方法、技術和應用系統的新技術科學，是認知、決策、反饋的過程。

人工智能技術應用的細分領域:深入學習、計算機視覺、智能機器人、虛擬個人助理、自然語言處理-語音識別、自然語言處理-通用、實時語音翻譯、情況感知計算、手勢控制、視覺內容自動識別、推薦引擎等。

人工智能是研發模擬、擴展和擴展人的智能理論、方法、技術和應用系統的新技術科學，是認知、決策、反饋的過程。

人工智能技術應用的細分領域:深入學習、計算機視覺、智能機器人、虛擬個人助理、自然語言處理-語音識別、自然語言處理-通用、實時語音翻譯、情況感知計算、手勢控制、視覺內容自動識別、推薦引擎等。

人工智能是研發模擬、擴展和擴展人的智能理論、方法、技術和應用系統的新技術科學，是認知、決策、反饋的過程。

人工智能技術應用的細分領域:深入學習、計算機視覺、智能機器人、虛擬個人助理、自然語言處理-語音識別、自然語言處理-通用、實時語音翻譯、情況感知計算、手勢控制、視覺內容自動識別、推薦引擎等。

硅谷“封城”前夜，輕舟智航無人車挑戰Drive-through

輕舟智航所追求的，是建立自動化規模生產的工廠，相比原本的“造梯子”，他們更希望“造火箭”，為此，就要建立大量的工具鏈以及仿真測試環境。

文丨AutoR智駕?明陽相比傳統自動駕駛公司的“造梯子”路徑，輕舟智航是在“造火箭”，3月21日無人駕駛公司輕舟智航CEO于騫在其舉辦的線上分享會上說道。

作為一家成立不到一年的無人駕駛初創公司，這次線上分享會輕舟智航首次公開分享了其基于大規模智能仿真系統及可自主學習決策規劃框架的技術路徑，并介紹了大規模智能仿真系統的具體應用。

其目標是打造適應城市復雜交通環境的“老司機”，其業務模式是為合作伙伴提供可量產的無人駕駛解決方案。

對此，輕舟智航決定從兩個方面來解決自動駕駛實際落地問題：一方面，基于大規模仿真技術應用來解決規劃決策問題是當前無人駕駛技術領域的關鍵課題，以Waymo為代表的無人駕駛公司正在通過大規模的仿真測試改進規劃決策技術。

另一方面，通過建立大量的工具鏈以及仿真測試環境，可以實現技術迭代的自動化，以更快的速度、更高效的方式應對自動駕駛的邊界化難題，應對自動駕駛行業存在的長尾效應。

相比原本的“造梯子”，輕舟智航更希望“造火箭”我們知道，自動駕駛關鍵因素包括感知、決策和規劃，其中，感知是一個比較確定性的問題，如何測試和評價是非常明確的，整體的方法論也是比較清楚，所以業內開始把注意力集中在規劃決策技術上，把規劃決策視為目前最具挑戰性的問題。

規劃決策的挑戰性可以從兩點來看：第一，不確定性難以衡量，現有判斷規劃決策做得好壞的指標是舒適度和安全性，但這兩項指標都是比較偏主觀。

一方面，不同人開車有不同的行為喜好，有人激進一些，有人保守一些，舒適程度本身是很主觀的一個判斷。

另一方面，在安全性上，簡單的安全性指標是不碰撞，但即使是不碰撞，要是你的車總是離旁邊車就差1厘米，你也會覺得不安全。

第二，從方法論的角度來說，行業里占主流位置的規劃決策方法論，整體上看與20年前相比并沒有大的突破，模仿學習或強化學習的方法，在大規模實際應用時也仍然存在眾多問題。

于騫認為，“仿真技術的出現，其出現很大程度上是為了幫助規劃決策進行更好的測試——畢竟不能每修改一次算法就部署到車上進行測試。隨著仿真技術的采用，行業又進入一個快速的發展軌道。

”與大部分自動駕駛從無到有的技術構建過程——先做好建圖和定位，再做好感知，最后再開始做規劃決策和仿真不同，對于輕舟智航而言，從一開始便把仿真測試平臺作為關鍵核心能力，與其他模塊一同建設起來，使開發達到了十分高效的狀態。

除此之外，自動駕駛技術存在突出的長尾效應，技術上已經解決了90%的問題，但剩下的10%卻可能要花費同樣多甚至更多的精力，這10%包括很多邊界化難題。

于騫對無人駕駛為何遲遲未落地進行分析，他說，“邊界化難題的發現和解決除了需要收集大量的數據，更重要的是建立自動化生產的工廠，將源源不斷收集來的有效數據，通過自動化的工具，加工成可用的模型。

以更快的速度、更高效的方式應對邊界化難題。”上圖便是一個典型的邊界化難題，在你遇上野鴨子之前，你甚至不知道會有野鴨子的問題，所以邊界化難題是需要去發現，并且解決的。那么邊界化難題怎樣去發現并解決呢？

除了收集大量的數據，更重要的是建立自動化生產的工廠，將源源不斷收集來的有效數據，通過自動化的工具，加工成可用的模型。以更快的速度、更高效的方式應對邊界化難題。

以上面野鴨子的場景為例，如果需要專門針對這些場景去開發特殊的模型，那會有無窮無盡的場景需要處理。但借助自動化的辦法，只要數據標注好了，下次系統更新時便可以更好處理這種情況，省下大量工程師的時間。

以感知舉例是比較容易理解的，但其實規劃技術也一樣，要想讓車做出準確的規劃，最原始的方法是工程師寫規則——大量的工程師寫出大量的規則，但這種方式維護性很差還不能滿足需求。

再進一步便是設計獎勵函數——設計獎勵函數比寫規則要簡單的多；再往后則是利用數據自動學習獎勵函數。這個過程便是往自動化方向發展的過程。

于騫說，“輕舟智航所追求的，是建立自動化規模生產的工廠，相比原本的“造梯子”，我們更希望“造火箭”，為此，就要建立大量的工具鏈以及仿真測試環境。

”對此，輕舟智航將有效數據、智能仿真系統以及決策規劃框架這三點視為推動技術向前轉動的齒輪。

借助大規模智能仿真系統和可自主學習決策規劃框架，輕舟智航可做到最大化地利用有效數據，大幅降低測試成本，提升開發效率，保證解決方案的可拓展性。

于騫表示，“過去的一年，輕舟智航不希望通過見招拆招的方式進入到某個具體的小應用場景，變成一家靠堆人來解決問題、無法規模化的工程公司，而是專注于修煉內功，在做到主線夠深入、橫向可擴展之后，再以輕、快的方式實現真正的無人駕駛。

”拒絕“華而不實”，輕舟智航仿真系統架構首次揭秘當前，市面上有許多仿真軟件，最流行的是基于游戲引擎開發的仿真軟件，這種仿真軟件從界面的角度來說是比較好看的，像一個模擬城市，場景很真實。

與這種主流的仿真軟件不同，輕舟智航的仿真軟件界面很簡單的，拋棄了復雜的渲染工作，僅保留了感知結果，包括3D?Box和雷達點的疊加。輕舟智航為什么不利用游戲引擎，造一個好看的模擬城市呢？

輕舟智航的聯合創始人汪堃總結了基于游戲引擎開發的仿真系統的三大特點：第一，在使用游戲引擎的情況下，其本身的圖像渲染工作對感知的提升是很有限的，因為其中的渲染效果和真實物體是有一定差別的。

第二，在自動駕駛領域，這種Re-build軟件（基于第三方軟件開發）是缺乏測試確定性的。仿真軟件在自動駕駛領域的重要應用，就是復現某一次的路測效果。

但由于這種第三方軟件的開發與自動駕駛軟件的開發是相互獨立的，很難保證其中各個模塊的確定性，導致整個仿真軟件存在不確定性，最終影響可用性。

第三，基于游戲引擎開發的仿真器會消耗大量額外計算資源做圖像渲染，不利于大規模應用，這也影響到本身的實用性。基于以上考慮，輕舟智航制定了獨特的仿真系統。

輕舟智航仿真系統的系統架構可以分為5層：最底層的是輕舟智航自研的Car?OS，借助底層的通訊系統來保證模塊之間的高效通訊。

Car?OS與仿真器是高度整合的系統，核心仿真器及評估器，是基于底層的Car?OS接口開發的，能保證仿真系統的確定性。

再往上一層是仿真周邊工具鏈和基礎架構，可保證整個數據閉環的有效性，將全部數據高效利用起來；第四層是大規模場景庫構建。最頂層則是分布式系統仿真平臺，支持快速、大規模的仿真應用，在短時間內得出正確評估。

輕舟智航的仿真評估器也可以分為5類：第一類是安全性評估器（Safety?Evaluator），包含是否碰撞、是否壓到路邊、是否撞到行人等評估。

第二類是真值評估器（Ground?Truth?Evaluator），可通過人工標注或自動標注的方式對仿真結果進行檢測對比，及時反饋給工程師。

第三類是法規評估（Law?Evaluator），指的是根據交通規則進行評估，例如是否闖紅燈、是否逆行等；第四類是舒適度評估（Comfort?Evaluator），指是否有急剎等帶來不舒適感的等行為。

第五類是狀況評估（Stats?Evaluator），相對比較底層一些，指根據模塊生成的中間結果，進行縱向比較得到評估的結果。汪堃表示，“我們認為仿真是達到規模化無人駕駛技術的唯一路徑。

首先，借助仿真及相關工具鏈，能形成高效的數據測試閉環，支持算法的測試和高效迭代，取代堆人或堆車的方式；其次，只有經過大規模智能仿真驗證過的軟件，才能夠保證安全性和可用性。

以一個比喻作為結尾，如果無人駕駛是個賽跑，那么仿真便是助推器，助推完全無人駕駛的實現。

”一鏡到底，輕舟智航硅谷“封城”前夜展示無人車真實力加州“在家隔離”強制執行令發布后的3個小時，對輕舟智航來說是難忘的3個小時。

硅谷時間3月16日下午4點23分，輕舟智航收到加州相關政府發布的正式強制性命令，所有居民必須在家隔離，除非采購食物，就醫或者其他緊急情況才允許離開住所，強制性命令于當天午夜12點生效。

這一天，輕舟智航要進行試乘直播活動。

于騫表示，“收到這個通知時，離生效只剩下8個小時，我們沒有放棄，而是在第一時間聯系了硅谷風險投資BoomingStar?Ventures管理合伙人Alex?Ren作為第三方見證者，在當天晚上7點多緊急錄制了路測視頻。

”由于時間緊張，輕舟智航只有一次機會，所以接下來的測試視頻是一次性錄制完成。

本次輕舟智航試乘路線首先將開到一個商業區周邊的麥當勞，經過一個汽車穿梭窗口（Drive-through，不必下車即可得到服務的餐館），隨后穿過一個大超市和其停車場，回到公司。

Drive-through?是美國很常見的一種點餐方式，是典型的城市復雜交通環境之一，從技術上角度來看，Drive-through場景也是很有挑戰性的。

首先，其車道比單車道更窄，對定位和控制的要求都比較高，如果橫向定位和控制不精確，就會軋到路沿或蹭到建筑物，如果縱向不準，就會對不準點餐窗口。

其次，在出口處便是停車場，是非結構化道路，要應對人車混雜的情況，還要通過無保護右轉進入道路主路。

最后，更有挑戰性的是這里是正常營業的地方，不像開放道路般可以重復進行路測，據悉，輕舟智航通過大量的仿真測試，做到了第一次上路就非常安全可靠。

通過視頻來看，Star?Ventures管理合伙人Alex?Ren乘坐輕舟智航無人車經過一個汽車穿梭餐廳，完成訂餐、支付、取餐的全過程，隨后，還在一間大型超市周圍遇上了由于搶購物資引起的復雜道路場景，但無人車實現了很好的應對。

接下來我們再從仿真角度來看，在真實影像中，我們可看到前方是沒有車輛的。但借助仿真，我們在場景中產生了兩輛綠色的虛擬車輛，測試車輛能否對虛擬車輛進行準確的避讓。

同樣，也產生了黃色框的行人來進行測試，視頻中的白色邊框則是當時的實際行駛軌跡。

汪堃稱，“由于麥當勞這種場景是不允許多次實際測試的，這個視頻只是眾多例子中的一個，實際上生成了非常多個這種類似的場景，在仿真測試中評估器，都得到不錯的結果后，才讓車輛到實際場景中測試。

”此外，以上視頻也展示了仿真場景庫的自動生成的相關工作，視頻中紅色和綠色的兩個點，分別代表兩輛車的運動軌跡，這些軌跡的生成和變化，是在真實的交通數據集上，利用深度學習的方法進行訓練，再使用訓練好的深度神經網絡合成大規模的互動車輛的軌跡。

大家可以看到互動車輛的運動軌跡在不斷變化，這個變化是由于輕舟智航借助生成模型在互動車輛的運動行為空間進行隨機抽樣而產生的。

該生成模型支持在不同地圖上合成不同的場景庫，具有真實有效，多樣豐富，以及規模擴展等諸多特性。

視頻中的兩個點或者兩輛車，是具有交互性的，它們之間可以進行正確的互動，這種互動行為不是人工手動創制，而是從真實車與車之間的互動數據中通過深度學習的方法學習而來的。

關于輕舟智航：作為一家年輕的初創公司，輕舟智航的的核心團隊成員來自Waymo、特斯拉、Uber?ATG、福特、英偉達、Facebook等世界頂級自動駕駛公司和科技公司。

目前在美國硅谷、中國北京、深圳、蘇州等多個城市都設有辦公室。

其聯合創始人、CEO于騫是頂尖核心感知算法和地圖專家，曾任Waymo感知關鍵模塊的機器學習算法研發負責人，在計算機視覺和機器學習領域擁有十多年經驗。

本文來源于汽車之家車家號作者，不代表汽車之家的觀點立場。

基于優化的BP神經網絡遙感影像分類

。

羅小波1劉明培1，2（1.重慶郵電大學計算機學院中韓GIS研究所，重慶，400065；2.西南大學資源環境學院，重慶，400065）摘要：在網絡結構給定的情況下，利用遺傳算法的全局尋優能力得到一組權值和閾值作為BP神經網絡的初始權值和閾值，來避免BP神經網絡易陷入局部極小的缺陷，同時也可以提高網絡的收斂速度。

然后再利用BP神經網絡的局部尋優能力，對權值和閾值進行進一步的精細調整。實驗結果表明，把這種基于遺傳算法的BP神經網絡應用于遙感影像監督分類，具有較高的分類精度。

關鍵詞：BP神經網絡；遺傳算法；遙感影像分類1引言隨著遙感技術的快速發展，遙感技術已經廣泛應用于各個領域。其中，遙感影像分類是其重要組成部分。

近年來，隨著人工神經網絡理論的快速發展，神經網絡技術日益成為遙感影像分類中的有效手段，特別是對高光譜等影像數據，更是具有許多獨特的優勢。

一般我們把采用BP（Back-propogation）算法的多層感知器叫做BP神經網絡，它是目前研究得最完善、應用最廣泛的神經網絡之一。

與經典的最大似然法相比，BP神經網絡最大的優勢就是不要求訓練樣本正態分布。但是，它具有結構難以確定、容易陷入局部極小、不易收斂等缺陷。在本文中，網絡的結構由用戶根據問題的復雜度確定。

在進行網絡訓練之前，利用遺傳算法的全局尋優能力確定網絡的初始權值和閾值；然后利用BP學習算法的局部尋優能力對網絡進行進一步的精細調整。最后利用訓練后的網絡進行遙感影像監督分類。

結果表明，基于遺傳算法的BP神經網絡進行遙感影像監督分類，具有較高的分類精度。2BP神經網絡2.1網絡結構BP神經網絡的結構一般包括輸入層、中間隱層、輸出層。

在模式識別中，輸入層的神經元個數等于輸入的特征個數，輸出層的神經元個數等于需要分類的類別數。隱層可以為一層或多層，但一般的實際應用中一層隱層就可以滿足要求。

而各隱層的神經元個數需要根據實際問題的復雜度而定。以單隱層為例，其結構示意圖如圖1。

為了實現一種通用的遙感影像分類手段，除了提供默認的網絡結構外，還為使用者提供了根據實際問題的復雜度自行確定網絡隱層數與各隱層神經元數的功能。

這為一些高級用戶提供了靈活性，但這種靈活性在一定程度上增加了使用的難度，有時也需要一個實驗的過程，才能取得滿意的效果。

圖1BP神經網絡結構2.2BP學習算法算法的基本步驟如下：（1）將全部權值與節點的閾值預置為一個小的隨機數。（2）加載輸入與輸出。在n個輸入節點上加載一n維向量X，并指定每一輸出節點的期望值。

每次訓練可以選取新的同類或者異類樣本，直到權值對各類樣本達到穩定。（3）計算實際輸出y1，y2，…，yn。（4）修正權值。

權值修正采用了最小均方（LMS）算法的思想，其過程是從輸出節點開始，反向地向第一隱層傳播由總誤差誘發的權值修正。

下一時刻的互連權值Wij（t＋1）由下式給出：土地信息技術的創新與土地科學技術發展：2006年中國土地學會學術年會論文集式中，j為本節點的輸出；i則是隱層或者輸入層節點的序號；或者是節點i的輸出，或者是外部輸入；η為學習率；α為動量率；δj為誤差項，其取值有兩種情況：A.若j為輸出節點，則：δj＝yj（1－yj）（tj－yj）其中，tj為輸出節點j的期望值，yj為該節點的實際輸出值；B.若j為內部隱含節點，則：土地信息技術的創新與土地科學技術發展：2006年中國土地學會學術年會論文集其中k為j節點所在層之上各層的全部節點。

（5）在達到預定的誤差精度或者循環次數后退出，否則，轉（2）。2.3基于遺傳算法的網絡學習算法遺傳算法具有全局尋優、不易陷入局部極小的優點，但局部尋優的能力較差。而BP學習算法卻具有局部尋優的優勢。

因此，如果將兩種算法結合起來構成混合訓練算法，則可以相互取長補短獲得較好的分類效果。

主要思路如下：（1）利用遺傳算法確定最優個體A.把全部權值、閾值作為基因進行實數編碼，形成具有M個基因的遺傳個體結構，其中M等于所有權值、閾值的個數。

B.設定種群規模N，隨機初始化這N個具有M個基因的結構。C.適應度的計算：分別用訓練樣本集對N組權值、閾值進行訓練，得出各自網絡期望輸出與網絡實際輸出的總誤差e，適應度f＝1.0－e。

D.進行遺傳算子操作，包括選擇算子、交叉算子和變異算子，形成新的群體：其中，選擇算子采用了輪盤賭的方法，交叉算子采用了兩點交叉。E.反復進行C、D兩步，直到滿足停止條件為止。

停止條件為：超出最大代數、最優個體精度達到了規定的精度。（2）把經過GA優化后的最優個體進行解碼操作，形成BP神經網絡的初始權值和閾值。（3）采用BP學習算法對網絡進行訓練，直到滿足停止條件。

停止條件為：①達到最大迭代次數；②總體誤差小于規定的最小誤差。網絡訓練結束后，把待分數據輸入訓練好的神經網絡，進行分類，就可以得到分類結果影像圖。

3應用實例實現環境為VC＋＋6.0，并基于Mapgis的二次開發平臺，因為二次平臺提供了一些遙感影像的基本處理函數，如底層的一些讀取文件的基本操作。

實驗中使用的遙感影像大小為500×500，如圖1所示。該影像是一美國城市1985年的遙感影像圖。

根據同地區的SPOT影像及相關資料，把該區地物類別分為8類，各類所對應的代碼為：C1為水體、C2為草地、C3為綠化林、C4為裸地、C5為大型建筑物、C6為軍事基地、C7為居民地、C8為其他生活設施（包括街道、道路、碼頭等）。

其中，居民地、軍事設施、其他生活設施的光譜特征比較接近。

圖1TM原始影像（5，4，3合成）在網絡訓練之前，經過目視解譯，并結合一些相關資料，從原始圖像上選取了3589個類別已知的樣本組成原始樣本集。

要求原始樣本具有典型性、代表性，并能反映實際地物的分布情況。把原始樣本集進行預處理，共得到2979個純凈樣本。這些預處理后的樣本就組成訓練樣本集。

網絡訓練時的波段選擇為TM1、TM2、TM3、TM4、TM5、TM7共6個波段。

另外，由于所要分類的類別數為8，因此，網絡結構為：輸入層節點數為6，輸出層節點數為8，隱層數為1，隱層的節點數為10，然后用訓練樣本集對網絡進行訓練。

在訓練網絡的時候，其訓練參數分別為：學習率為0.05，動量率為0.5，最小均方誤差為0.1，迭代次數為1000。把訓練好的網絡對整幅遙感影像進行分類，其分類結果如下面圖2所示。

圖2分類結果為了測試網絡的分類精度，在分類完成后，需要進行網絡的測試。

測試樣本的選取仍然采用與選取訓練樣本集一樣的方法在原始影像上進行選取，即結合其他資料，進行目視判讀，在原始圖像上隨機選取類別已知的樣本作為測試樣本。

利用精度評價模塊，把測試樣本集與已分類圖像進行比較，得到分類誤差矩陣以及各種分類精度評價標準，如表1所示：表1分類誤差矩陣總體精度：0.91，Kappa系數：0.90。

從表1可以看出，采用測試樣本集進行測試，大部分地物的分類精度都達到了0.9以上，只有居民地和其他生活設施的精度沒有達到，但也分別達到了0.89和0.77，總的分類精度為0.91。

Kappa系數在遙感影像分類精度評價中應用極為廣泛，在本次測試中其值為0.90。從上面的分析可以看出，利用基于遺傳算法的BP神經網絡進行遙感影像分類，其分類精度較高，取得了令人滿意的效果。

4結論與傳統的基于統計理論的分類方法相比，BP神經網絡分類不要求訓練樣本正態分布，并且具有復雜的非線性映射能力，更適合于日益激增的海量高光譜遙感數據的處理。

但BP神經網絡也有易陷于局部極小、不易收斂等缺陷。初始權值和閾值設置不當，是引起網絡易陷于局部極小、不易收斂的重要原因。

在實驗中，利用遺傳算法的全局尋優能力來確定BP網絡的初始權值和閾值，使得所獲取的初始權值和閾值是一組全局近似最優解。然后，利用BP學習算法的局部尋優能力對網絡權值和閾值進行精細調整。

這樣，訓練后的穩定網絡，不但具有較強的非線性映射能力，而且總可以得到一組均方誤差最小的全局最優解。

實驗表明，利用上述的基于遺傳算法的BP神經網絡進行遙感影像分類，只要所選取的訓練樣本具有代表性，能反映實際地物的分布情況，就能夠得到較高的分類精度，具有較強的實際應用價值。

參考文獻H.Yangetal，ABack-propagationneuralnetworkmformineralogicalmappingfromAVIRISdata，Int.J.Remotesensing，20（1）：97～110ArdutiAlessandro，etal.Speeduplearningandnetworkoptimizationwithextendedbackpropogation.NeuralNetworks，1993，6：365～383PatrickP.Minimizationmethodsfortrainingfeedforwardneuralnetworks.NeuralNetworks，1994，7：1～12GoldbergDE.GeneticalgorithmsinSearchOptimizationandMachine：Addison-Wesley，1989RudolphGunter.ConvergenceanalysisofcanonicalgeneticTransactionsonNeuralNetworks，1994，5（1）；102～119FangJ，XiY.Towarddesignbasedonevolutionary.，1997，11（2）：155～161ParkYR，etal.PredictionsunspotsusinglayeredperceptionneuralNeuralNetorks，1996，7（2）：501～505楊行峻、鄭君里.人工神經網絡與盲信號處理［M］.北京：清華出版社，2003，23～40周成虎、駱劍成等.遙感影像地學理解與分析［M］.北京：科學出版社，2001，228～238王耀男.衛星遙感圖像的神經網絡自動識別［J］.湖南大學學報，1998，61～66江東，王建華.人工神經網絡在遙感中的應用與發展.國土與資源遙感，1999，13～18。

opencv的人臉識別基于什么特征

。

基于幾何特征的人臉識別方法基于特征的方法是一種自下而上的人臉檢測方法，由于人眼可以將人臉在不此研究人員認為有一個潛在的假設：人臉或人臉的部件可能具有在各種條件下都不會改變的特征或屬性，如形狀、膚色、紋理、邊緣信息等。

基于特征的方法的目標就是尋找上述這些不變特征，并利用這些特征來定位入臉。這類方法在特定的環境下非常有效且檢測速度較高，對人臉姿態、表情、旋轉都不敏感。

但是由于人臉部件的提取通常都借助于邊緣算子，因此，這類方法對圖像質量要求較高，對光照和背景等有較高的要求，因為光照、噪音、陰影都極有可能破壞人臉部件的邊緣，從而影響算法的有效性。

模板匹配算法首先需要人TN作標準模板(固定模板)或將模板先行參數化(可變模板)，然后在檢測人臉時，計算輸入圖像與模板之間的相關值，這個相關值通常都是獨立計算臉部輪廓、眼睛、鼻子和嘴各自的匹配程度后得出的綜合描述，最后再根據相關值和預先設定的閾值來確定圖像中是否存在人臉。

基于可變模板的人臉檢測算法比固定模板算法檢測效果要好很多，但是它仍不能有效地處理人臉尺度、姿態和形狀等方面的變化。

基于外觀形狀的方法并不對輸入圖像進行復雜的預處理，也不需要人工的對人臉特征進行分析或是抽取模板，而是通過使用特定的方法(如主成分分析方法(PCA)、支持向量機(SVM)、神經網絡方法(ANN)等)對大量的人臉和非人臉樣本組成的訓練集(一般為了保證訓練得到的檢測器精度，非人臉樣本集的容量要為人臉樣本集的兩倍以上)進行學習，再將學習而成的模板或者說分類器用于人臉檢測。

因此，這也是j種自下而上的方法。這種方法的優點是利用強大的機器學習算法快速穩定地實現了很好的檢測結果，并且該方法在復雜背景下，多姿態的人臉圖像中也能得到有效的檢測結果。

但是這種方法通常需要遍歷整個圖片才能得到檢測結果，并且在訓練過程中需要大量的人臉與非人臉樣本，以及較長的訓練時間。近幾年來，針對該方法的人臉檢測研究相對比較活躍。

基于代數特征的人臉識別方法在基于代數特征的人臉識別中，每一幅人臉圖像被看成是以像素點灰度為元素的矩陣，用反映某些性質的數據特征來表示人臉的特征。

設人臉圖像),(yxI為二維NM×灰度圖像，同樣可以看成是NMn×=維列向量，可視為NM×維空間中的一個點。

但這樣的一個空間中，并不是空間中的每一部分都包含有價值的信息，故一般情況下，需要通過某種變換，將如此巨大的空間中的這些點映射到一個維數較低的空間中去。

然后利用對圖像投影間的某種度量來確定圖像間的相似度，最常見的就是各種距離度量。在基于代數特征的人臉識別方法中，主成分分析法（PCA）和Fisher線性判別分析（LDA）是研究最多的方法。

本章簡要介紹介紹了PCA。

完整的PCA(PrincipalComponentAnalysis)人臉識別的應用包括四個步驟：人臉圖像預處理；讀入人臉庫，訓練形成特征子空間；把訓練圖像和測試圖像投影的上一步驟中得到的子空間上；選擇一定的距離函數進行識別。

詳細描述如下：4.1讀入人臉庫一歸一化人臉庫后，將庫中的每個人選擇一定數量的圖像構成訓練集，設歸一化后的圖像是n×n，按列相連就構成n2維矢量，可視為n2維空間中的一個點，可以通過K-L變換用一個低維子空間描述這個圖像。

4.2計算K．L變換的生成矩陣訓練樣本集的總體散布矩陣為產生矩陣，即或者寫成:式中xi為第i個訓練樣本的圖像向量，|l為訓練樣本的均值向量，M為訓練樣本的總數。

為了求n2×n2維矩陣∑的特征值和正交歸一化的特征向量，要直接計算的話，計算量太大，由此引入奇異值分解定理來解決維數過高的問題。

4.3利用奇異值分解(AVD)定理計算圖像的特征值和特征向量設A是一個秩為r的行n×r維矩陣，則存在兩個正交矩陣和對角陣：其中凡則這兩個正交矩陣和對角矩陣滿足下式：其中為矩陣的非零特征值，4.4把訓練圖像和測試圖像投影到特征空間每一副人臉圖像向特征臉子空間投影，得到一組坐標系數，就對應于子空間中的一個點。

同樣，子空間中的任一點也對應于～副圖像。這組系數便可作為人臉識別的依據，也就是這張人臉圖像的特征臉特征。

也就是說任何一幅人臉圖像都可以表示為這組特征臉的線性組合，各個加權系數就是K．L變換的展開系數，可以作為圖像的識別特征，表明了該圖像在子空間的位置，也就是向量可用于人臉檢測，如果它大于某個閾值，可以認為f是人臉圖像，否則就認為不是。

這樣原來的人臉圖象識別問題就轉化為依據子空間的訓練樣本點進行分類的問題。基于連接機制的人臉識別方法基于連接機制的識別方法的代表性有神經網絡和彈性匹配法。

神經網絡(ANN)在人工智能領域近年來是一個研究熱門，基于神經網絡技術來進行人臉特征提取和特征識別是一個積極的研究方向。

神經網絡通過大量簡單神經元互聯來構成復雜系統，在人臉識別中取得了較好的效果，特別是正面人臉圖像。常用的神經網絡有：BP網絡、卷積網絡、徑向基函數網絡、自組織網絡以及模糊神經網絡等n¨。

BP網絡的運算量較小耗時也短，它的自適應功能使系統的魯棒性增強。神經網絡用于人臉識別，相比較其他方法，其可以獲得識別規則的隱性表達，缺點是訓練時間長、運算量大、收斂速度慢且容易陷入局部極小點等。

Gutta等人結合RBF與樹型分類器的混合分類器模型來進行人臉識別乜螂1。

Lin等人采用虛擬樣本進行強化和反強化學習，采用模塊化的網絡結構網絡的學習加快，實現了基于概率決策的神經網絡方法獲得了較理想結果，。此種方法能較好的應用于人臉檢測和識別的各步驟中。

彈性匹配法采用屬性拓撲圖代表人臉，拓撲圖的每個頂點包含一個特征向量，以此來記錄人臉在該頂點位置周圍的特征信息¨引。

拓撲圖的頂點是采用小波變換特征，對光線、角度和尺寸都具有一定的適應性，且能適應表情和視角的變化，其在理論上改進了特征臉算法的一些缺點。

基于三維數據的人臉識別方法一個完整的人臉識別系統包括人臉面部數據的獲取、數據分析處理和最終結果輸出三個部分。

圖2-1顯示了三維人臉識別的基本步驟：1、通過三維數據采集設備獲得人臉面部的三維形狀信息；2、對獲取的三維數據進行平滑去噪和提取面部區域等預處理；3、從三維數據中提取人臉面部特征，通過與人臉庫中的數據進行比對；4、用分類器做分類判別，輸出最后決策結果。

基于三維數據的方法的代表性是基于模型合成的方法和基于曲率的方法。基于模型合成的方法，它的基本思想為：輸入人臉圖像的二維的，用某種技術恢復(或部分恢復)人臉的三維信息，再重新合成指定條件下的人臉圖像。

典型代表是3D可變形模型和基于形狀恢復的3D增強人臉識別算法。

3D可變形模型首先通過200個高精度的3D人臉模型構建一個可變形的3D人臉模型，用這個模型來對給定的人臉圖像擬合，獲得一組特定的參數，再合成任何姿態和光照的人臉圖像n卜捌。

基于形狀恢復的3D增強人臉識別算法是利用通用的3D人臉模型合成新的人臉圖像，合成過程改變了一定的姿態與光源情況。

曲率是最基本的表達曲面信息的局部特征，因而最早用來處理3D人臉識別問題的是人臉曲面的曲率。Lee禾lJ用平均曲率和高斯曲率值，將人臉深度圖中凸的區域分割出來。

如果你是開發者的話，可以去Tel一下colorreco，更好地技術解答。

神經網絡的發展趨勢如何？

。

神經網絡的云集成模式還不是很成熟，應該有發展潛力，但神經網絡有自己的硬傷，不知道能夠達到怎樣的效果，所以決策支持系統中并不是很熱門，但是神經網絡無視過程的優點也是無可替代的，云網絡如果能夠對神經網絡提供一個互補的輔助決策以控制誤差的話，也許就能使神經網絡成熟起來1人工神經網絡產生的背景自古以來，關于人類智能本源的奧秘，一直吸引著無數哲學家和自然科學家的研究熱情。

生物學家、神經學家經過長期不懈的努力，通過對人腦的觀察和認識，認為人腦的智能活動離不開腦的物質基礎，包括它的實體結構和其中所發生的各種生物、化學、電學作用，并因此建立了神經元網絡理論和神經系統結構理論，而神經元理論又是此后神經傳導理論和大腦功能學說的基礎。

在這些理論基礎之上，科學家們認為，可以從仿制人腦神經系統的結構和功能出發，研究人類智能活動和認識現象。

另一方面，19世紀之前，無論是以歐氏幾何和微積分為代表的經典數學，還是以牛頓力學為代表的經典物理學，從總體上說，這些經典科學都是線性科學。

然而，客觀世界是如此的紛繁復雜，非線性情況隨處可見，人腦神經系統更是如此。復雜性和非線性是連接在一起的，因此，對非線性科學的研究也是我們認識復雜系統的關鍵。

為了更好地認識客觀世界，我們必須對非線性科學進行研究。人工神經網絡作為一種非線性的、與大腦智能相似的網絡模型，就這樣應運而生了。

所以，人工神經網絡的創立不是偶然的，而是20世紀初科學技術充分發展的產物。2人工神經網絡的發展人工神經網絡的研究始于40年代初。半個世紀以來，經歷了興起、高潮與蕭條、高潮及穩步發展的遠為曲折的道路。

1943年，心理學家W.S.Mcculloch和數理邏輯學家W.Pitts提出了M—P模型，這是第一個用數理語言描述腦的信息處理過程的模型，雖然神經元的功能比較弱，但它為以后的研究工作提供了依據。

1949年，心理學家提出突觸聯系可變的假設，根據這一假設提出的學習規律為神經網絡的學習算法奠定了基礎。

1957年，計算機科學家Rosenblatt提出了著名的感知機模型，它的模型包含了現代計算機的一些原理，是第一個完整的人工神經網絡，第一次把神經網絡研究付諸工程實現。

由于可應用于模式識別，聯想記憶等方面，當時有上百家實驗室投入此項研究，美國軍方甚至認為神經網絡工程應當比“原子彈工程”更重要而給予巨額資助，并在聲納信號識別等領域取得一定成績。

1960年，B.Windrow和E.Hoff提出了自適應線性單元，它可用于自適應濾波、預測和模式識別。至此，人工神經網絡的研究工作進入了第一個高潮。

1969年，美國著名人工智能學者M.Minsky和S.Papert編寫了影響很大的Perceptron一書，從理論上證明單層感知機的能力有限，諸如不能解決異或問題，而且他們推測多層網絡的感知機能力也不過如此，他們的分析恰似一瓢冷水，很多學者感到前途渺茫而紛紛改行，原先參與研究的實驗室紛紛退出，在這之后近10年，神經網絡研究進入了一個緩慢發展的蕭條期。

這期間，芬蘭學者T.Kohonen提出了自組織映射理論，反映了大腦神經細胞的自組織特性、記憶方式以及神經細胞興奮刺激的規律；美國學者S.A.Grossberg的自適應共振理論（ART）；日本學者K.Fukushima提出了認知機模型；ShunIchimari則致力于神經網絡有關數學理論的研究等，這些研究成果對以后的神經網絡的發展產生了重要影響。

美國生物物理學家J.J.Hopfield于1982年、1984年在美國科學院院刊發表的兩篇文章，有力地推動了神經網絡的研究，引起了研究神經網絡的又一次熱潮。

1982年，他提出了一個新的神經網絡模型——hopfield網絡模型。他在這種網絡模型的研究中，首次引入了網絡能量函數的概念，并給出了網絡穩定性的判定依據。

1984年，他又提出了網絡模型實現的電子電路，為神經網絡的工程實現指明了方向，他的研究成果開拓了神經網絡用于聯想記憶的優化計算的新途徑，并為神經計算機研究奠定了基礎。

1984年Hinton等人將模擬退火算法引入到神經網絡中，提出了Boltzmann機網絡模型，BM網絡算法為神經網絡優化計算提供了一個有效的方法。

1986年，D.E.Rumelhart和J.LMcclelland提出了誤差反向傳播算法，成為至今為止影響很大的一種網絡學習方法。

1987年美國神經計算機專家R.Hecht—Nielsen提出了對向傳播神經網絡，該網絡具有分類靈活，算法簡練的優點，可用于模式分類、函數逼近、統計分析和數據壓縮等領域。

1988年L.Ochua等人提出了細胞神經網絡模型，它在視覺初級加工上得到了廣泛應用。為適應人工神經網絡的發展，1987年成立了國際神經網絡學會，并決定定期召開國際神經網絡學術會議。

1988年1月NeuralNetwork創刊。1990年3月IEEETransactiononNeuralNetwork問世。

我國于1990年12月在北京召開了首屆神經網絡學術大會，并決定以后每年召開一次。1991年在南京成立了中國神經網絡學會。IEEE與INNS聯合召開的IJCNN92已在北京召開。

這些為神經網絡的研究和發展起了推波助瀾的作用，人工神經網絡步入了穩步發展的時期。90年代初，諾貝爾獎獲得者Edelman提出了Darwinism模型，建立了神經網絡系統理論。

同年，Aihara等在前人推導和實驗的基礎上，給出了一個混沌神經元模型，該模型已成為一種經典的混沌神經網絡模型，該模型可用于聯想記憶。

Wunsch在90OSA年會上提出了一種AnnualMeeting，用光電執行ART，學習過程有自適應濾波和推理功能，具有快速和穩定的學習特點。

1991年，Hertz探討了神經計算理論，對神經網絡的計算復雜性分析具有重要意義；Inoue等提出用耦合的混沌振蕩子作為某個神經元，構造混沌神經網絡模型，為它的廣泛應用前景指明了道路。

1992年，Holland用模擬生物進化的方式提出了遺傳算法，用來求解復雜優化問題。1993年方建安等采用遺傳算法學習，研究神經網絡控制器獲得了一些結果。

1994年Angeline等在前人進化策略理論的基礎上，提出一種進化算法來建立反饋神經網絡，成功地應用到模式識別，自動控制等方面；廖曉昕對細胞神經網絡建立了新的數學理論和方法，得到了一系列結果。

HayashlY根據動物大腦中出現的振蕩現象，提出了振蕩神經網絡。

1995年Mitra把人工神經網絡與模糊邏輯理論、生物細胞學說以及概率論相結合提出了模糊神經網絡，使得神經網絡的研究取得了突破性進展。

Jenkins等人研究光學神經網絡，建立了光學二維并行互連與電子學混合的光學神經網絡，它能避免網絡陷入局部最小值，并最后可達到或接近最理想的解；SoleRV等提出流體神經網絡，用來研究昆蟲社會，機器人集體免疫系統，啟發人們用混沌理論分析社會大系統。

1996年，ShuaiJW’等模擬人腦的自發展行為，在討論混沌神經網絡的基礎上提出了自發展神經網絡。

1997、1998年董聰等創立和完善了廣義遺傳算法，解決了多層前向網絡的最簡拓樸構造問題和全局最優逼近問題。

隨著理論工作的發展，神經網絡的應用研究也取得了突破性進展，涉及面非常廣泛，就應用的技術領域而言有計算機視覺，語言的識別、理解與合成，優化計算，智能控制及復雜系統分析，模式識別，神經計算機研制，知識推理專家系統與人工智能。

涉及的學科有神經生理學、認識科學、數理科學、心理學、信息科學、計算機科學、微電子學、光學、動力學、生物電子學等。美國、日本等國在神經網絡計算機軟硬件實現的開發方面也取得了顯著的成績，并逐步形成產品。

在美國，神經計算機產業已獲得軍方的強有力支持，國防部高級研究計劃局認為“神經網絡是解決機器智能的唯一希望”，僅一項8年神經計算機計劃就投資4億美元。

在歐洲共同體的ESPRIT計劃中，就有一項特別項目：“神經網絡在歐洲工業中的應用”，單是生產神經網絡專用芯片這一項就投資2200萬美元。據美國資料聲稱，日本在神經網絡研究上的投資大約是美國的4倍。

我國也不甘落后，自從1990年批準了南開大學的光學神經計算機等3項課題以來，國家自然科學基金與國防預研基金也都為神經網絡的研究提供資助。

另外，許多國際著名公司也紛紛卷入對神經網絡的研究，如Intel、IBM、Siemens、HNC。神經計算機產品開始走向商用階段，被國防、企業和科研部門選用。

在舉世矚目的海灣戰爭中，美國空軍采用了神經網絡來進行決策與控制。在這種刺激和需求下，人工神經網絡定會取得新的突破，迎來又一個高潮。自1958年第一個神經網絡誕生以來，其理論與應用成果不勝枚舉。

人工神經網絡是一個快速發展著的一門新興學科，新的模型、新的理論、新的應用成果正在層出不窮地涌現出來。

3人工神經網絡的發展前景針對神經網絡存在的問題和社會需求，今后發展的主要方向可分為理論研究和應用研究兩個方面。（1）利用神經生理與認識科學研究大腦思維及智能的機理、計算理論，帶著問題研究理論。

人工神經網絡提供了一種揭示智能和了解人腦工作方式的合理途徑，但是由于人類起初對神經系統了解非常有限，對于自身腦結構及其活動機理的認識還十分膚淺，并且帶有某種“先驗”。

例如，Boltzmann機引入隨機擾動來避免局部極小，有其卓越之處，然而缺乏必要的腦生理學基礎，毫無疑問，人工神經網絡的完善與發展要結合神經科學的研究。

而且，神經科學，心理學和認識科學等方面提出的一些重大問題，是向神經網絡理論研究提出的新挑戰，這些問題的解決有助于完善和發展神經網絡理論。

因此利用神經生理和認識科學研究大腦思維及智能的機理，如有新的突破，將會改變智能和機器關系的認識。

利用神經科學基礎理論的研究成果，用數理方法探索智能水平更高的人工神經網絡模型，深入研究網絡的算法和性能，如神經計算、進化計算、穩定性、收斂性、計算復雜性、容錯性、魯棒性等，開發新的網絡數理理論。

由于神經網絡的非線性，因此非線性問題的研究是神經網絡理論發展的一個最大動力。

特別是人們發現，腦中存在著混沌現象以來，用混沌動力學啟發神經網絡的研究或用神經網絡產生混沌成為擺在人們面前的一個新課題，因為從生理本質角度出發是研究神經網絡的根本手段。

（2）神經網絡軟件模擬，硬件實現的研究以及神經網絡在各個科學技術領域應用的研究。

由于人工神經網絡可以用傳統計算機模擬，也可以用集成電路芯片組成神經計算機，甚至還可以用光學的、生物芯片的方式實現，因此研制純軟件模擬，虛擬模擬和全硬件實現的電子神經網絡計算機潛力巨大。

如何使神經網絡計算機與傳統的計算機和人工智能技術相結合也是前沿課題；如何使神經網絡計算機的功能向智能化發展，研制與人腦功能相似的智能計算機，如光學神經計算機，分子神經計算機，將具有十分誘人的前景。

4哲理（1）人工神經網絡打開了認識論的新領域認識與腦的問題，長期以來一直受到人們的關注，因為它不僅是有關人的心理、意識的心理學問題，也是有關人的思維活動機制的腦科學與思維科學問題，而且直接關系到對物質與意識的哲學基本問題的回答。

人工神經網絡的發展使我們能夠更進一步地既唯物又辯證地理解認識與腦的關系，打開認識論的新領域。

人腦是一個復雜的并行系統，它具有“認知、意識、情感”等高級腦功能，用人工進行模擬，有利于加深對思維及智能的認識，已對認知和智力的本質的研究產生了極大的推動作用。

在研究大腦的整體功能和復雜性方面，人工神經網絡給人們帶來了新的啟迪。

由于人腦中存在混沌現象，混沌可用來理解腦中某些不規則的活動，從而混沌動力學模型能用作人對外部世界建模的工具，可用來描述人腦的信息處理過程。

混沌和智能是有關的，神經網絡中引入混沌學思想有助于提示人類形象思維等方面的奧秘。

人工神經網絡之所以再度興起，關鍵在于它反映了事物的非線性，抓住了客觀世界的本質，而且它在一定程度上正面回答了智能系統如何從環境中自主學習這一最關鍵的問題，從認知的角度講，所謂學習，就是對未知現象或規律的發現和歸納。

由于神經網絡具有高度的并行性，高度的非線性全局作用，良好的容錯性與聯想記憶功能以及十分強的自適應、自學習功能，而使得它成為揭示智能和了解人腦工作方式的合理途徑。

但是，由于認知問題的復雜性，目前，我們對于腦神經網的運行和神經細胞的內部處理機制，如信息在人腦是如何傳輸、存貯、加工的？記憶、聯想、判斷是如何形成的？大腦是否存在一個操作系統？

還沒有太多的認識，因此要制造人工神經網絡來模仿人腦各方面的功能，還有待于人們對大腦信息處理機理認識的深化。

（2）人工神經網絡發展的推動力來源于實踐、理論和問題的相互作用隨著人們社會實踐范圍的不斷擴大，社會實踐層次的不斷深入，人們所接觸到的自然現象也越來越豐富多彩、紛繁復雜，這就促使人們用不同的原因加以解釋不同種類的自然現象，當不同種類的自然現象可以用同樣的原因加以解釋，這樣就出現了不同學科的相互交叉、綜合，人工神經網絡就這樣產生了。

在開始階段，由于這些理論化的網絡模型比較簡單，還存在許多問題，而且這些模型幾乎沒有得到實踐的檢驗，因而神經網絡的發展比較緩慢。

隨著理論研究的深入，問題逐漸地解決特別是工程上得到實現以后，如聲納識別成功，才迎來了神經網絡的第一個發展高潮。

可Minisky認為感知器不能解決異或問題，多層感知器也不過如此，神經網絡的研究進入了低谷，這主要是因為非線性問題沒得到解決。

隨著理論的不斷豐富，實踐的不斷深入，現在已證明Minisky的悲觀論調是錯誤的。今天，高度發達的科學技術逐漸揭示了非線性問題是客觀世界的本質。

問題、理論、實踐的相互作用又迎來了人工神經網絡的第二次高潮。目前人工神經網絡的問題是智能水平不高，還有其它理論和實現方面的問題，這就迫使人們不斷地進行理論研究，不斷實踐，促使神經網絡不斷向前發展。

總之，先前的原因遇到了解釋不同的新現象，促使人們提出更加普遍和精確的原因來解釋。

理論是基礎，實踐是動力，但單純的理論和實踐的作用還不能推動人工神經網絡的發展，還必須有問題提出，才能吸引科學家進入研究的特定范圍，引導科學家從事相關研究，從而逼近科學發現，而后實踐又提出新問題，新問題又引發新的思考，促使科學家不斷思考，不斷完善理論。

人工神經網絡的發展無不體現著問題、理論和實踐的辯證統一關系。

（3）人工神經網絡發展的另一推動力來源于相關學科的貢獻及不同學科專家的競爭與協同人工神經網絡本身就是一門邊緣學科，它的發展有更廣闊的科學背景，亦即是眾多科研成果的綜合產物，控制論創始人Wiener在其巨著《控制論》中就進行了人腦神經元的研究；計算機科學家Turing就提出過B網絡的設想；Prigogine提出非平衡系統的自組織理論，獲得諾貝爾獎；Haken研究大量元件聯合行動而產生宏觀效果，非線性系統“混沌”態的提出及其研究等，都是研究如何通過元件間的相互作用建立復雜系統，類似于生物系統的自組織行為。

腦科學與神經科學的進展迅速反映到人工神經網絡的研究中，例如生物神經網絡理論，視覺中發現的側抑制原理，感受野概念等，為神經網絡的發展起了重要的推動作用。

從已提出的上百種人工神經網絡模型中，涉及學科之多，令人目不暇接，其應用領域之廣，令人嘆為觀止。不同學科專家為了在這一領域取得領先水平，存在著不同程度的競爭，所有這些有力地推動了人工神經網絡的發展。

人腦是一個功能十分強大、結構異常復雜的信息系統，隨著信息論、控制論、生命科學，計算機科學的發展，人們越來越驚異于大腦的奇妙，至少到目前為止，人類大腦信號處理機制對人類自身來說，仍是一個黑盒子，要揭示人腦的奧秘需要神經學家、心理學家、計算機科學家、微電子學家、數學家等專家的共同努力，對人類智能行為不斷深入研究，為人工神經網絡發展提供豐富的理論源泉。

另外，還要有哲學家的參與，通過哲學思想和自然科學多種學科的深層結合，逐步孕育出探索人類思維本質和規律的新方法，使思維科學從朦朧走向理性。

而且，不同領域專家的競爭與協調同有利于問題清晰化和尋求最好的解決途徑。縱觀神經網絡的發展歷史，沒有相關學科的貢獻，不同學科專家的競爭與協同，神經網絡就不會有今天。

當然，人工神經網絡在各個學科領域應用的研究反過來又推動其它學科的發展，推動自身的完善和發展。

如何調用微軟神經網絡語音合成聲音曉曉？

1.??創建Azure賬號。2.???訪問微軟Azure云管理平臺。3.???根據操作說明?（英文版），添加語音服務的訂閱。

(注意：地區Location選擇東南亞SoutheastAsia)4.???根據語音API調用說明（英文版），調用神經網絡聲音，聲音名稱：MicrosoftServerSpeechTexttoSpeechVoice(zh-CN,XiaoxiaoNeural)。

?

總結

以上是生活随笔為你收集整理的图神经网络 图像处理,神经网络与图像处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。