基于神经网络的二维码识别算法
Computer Science and Application 计算机科学与应用, 2018, 8(10), 1552-1557
Published Online October 2018 in Hans. https://www.360docs.net/doc/d84396558.html,/journal/csa
https://https://www.360docs.net/doc/d84396558.html,/10.12677/csa.2018.810169
Two-Dimensional Code Recognition
Algorithm Based on Neural Network
Tongqing Xu, Haoliang Zhang, Guofeng Liu, Haojun Zhao, Enze Zhang, Can Zhang
State Grid Jiangsu Electric Power Co., Ltd. Nanjing Power Supply Branch, Nanjing Jiangsu
Received: Oct. 6th, 2018; accepted: Oct. 17th, 2018; published: Oct. 24th, 2018
Abstract
This paper mainly designs a recognition algorithm of incomplete two-dimensional codes. By de-signing a neural network with memory ability, the mapping relationship between incomplete two-dimensional codes and cable information is established. Thus, when two-dimensional codes are incomplete due to external reasons, the corresponding cable information can be read. In this algorithm, dynamic Lyapunov function is used to memorize pixel information of two-dimensional code by the state change of each neural network node. Firstly, image information of two-dimensional code is transmitted to two-dimensional code recognition module by two-dimensional code scan-ning device. Then, two-dimensional code image is transformed into a binary pixel matrix as a neural network. Next, the connection weights between neurons are trained by pixel matrix of source two-dimensional code to get corresponding weight matrix. Then, after the pixel matrix of incomplete two-dimensional code is input, neuron nodes adjust the state values until change of neuron state values is less than threshold value. Finally, cable information corresponding to the source two-dimensional code is read out from database.
Keywords
Two-Dimensional Code Recognition, Neural Network, Cable Operation and Maintenance
基于神经网络的二维码识别算法
徐同庆，张昊亮，刘国峰，赵浩君，张恩泽，张璨
国网江苏省电力有限公司南京供电分公司，江苏南京
收稿日期：2018年10月6日；录用日期：2018年10月17日；发布日期：2018年10月24日
徐同庆 等
摘 要
本文主要设计一种残缺二维码的识别算法，通过设计具备记忆能力的神经网络，建立残缺二维码与电缆信息的映射关系，从而在二维码因外界原因出现残缺的时候，能够读取与之对应的电缆信息。该算法中的神经网络采用动力学的Lyapunov 函数，利用每个节点的状态变化记忆源二维码的像素信息，首先，利用二维码扫描装置，将二维码的图像信息传递给二维码识别模块；然后，将二维码图像转化为二值像素矩阵，作为神经网络的输入；接下来，利用源二维码的像素矩阵训练神经网络各个神经元之间的连接权值，得到相应的权值矩阵；随后，输入残缺二维码的像素矩阵之后，各神经元节点不断调整状态值，直到各神经元状态值的变化小于阈值之后，停止调整；最后，将神经元状态值矩阵对应源二维码的电缆信息，从数据库中读取出来。
关键词
二维码识别，神经网络，电缆运维
Copyright ? 2018 by authors and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.360docs.net/doc/d84396558.html,/licenses/by/4.0/
1. 引言
电网的可靠性影响着城市建设和发展的速度。其中，电缆下地是城市化建设的重要环节，也是提升供电可靠性的重要方法之一，因为地下电力电缆相比架空导线而言，不占地面空间，有专门的电缆隧道或通道，既不影响城市美观，又可避免风雨、雷电、污秽等自然灾害造成的影响，能够有效保障电能安全、稳定的供应。
为了目前电力地下电缆运维存在的问题，电力运维部门为每条电缆添加二维码，以此便于获取电缆信息数据，提升运维效率。此时，能否准确识别二维码成为获取电缆信息数据的关键问题。
目前，在二维码识别方面已经有较多研究成果[1]-[7]。文献[1]详细介绍了移动巡检系统的总体结构及系统组成，并描述了移动巡检系统的操作流程。文中所提巡检系统能够简化巡检工作流程，显著提高巡检的质量和效率。文献[2]就二维码尺寸联同钢管表面粗糙程度、钢管直径、二维码标刻深度等因子对二维码识别率的影响关系作了实证。文献[3] [4] [5]针对复杂条件下二维码识别技术在工业现场的应用研究与开发进行了深入研究，同时对图像采集、处理以及识别算法进行了深入的研究。除此之外，广东电网有限公司为解决手工录入数据、修改数据出错率较高的问题，利用二维码技术基于Android 平台的移动终端作为开发环境，设计并实现基于Android 移动终端的二维码识别系统。考虑了识别的速度、容错性以及通用性等方面的特性[6]。文献[7] [8] [9]针对设备巡检工作对企业业务的影响，搭建技术设备巡检平台和相应的分析、编解码方法。
然而，由于电缆所处的环境容易造成二维码的残缺，因此，亟需设计相应的二维码识别方法，提升残缺二维码的读取能力。针对上述问题，本文设计了基于神经网络的二维码识别算法(TDCRN ，Two Dimensional Code Recognition algorithm based on Neural network)，该算法中的神经网络采用动力学的Lyapunov 函数，利用每个节点的状态变化记忆源二维码的像素信息，首先，利用二维码扫描装置，将二维码的图像信息传递给二维码识别模块；然后，将二维码图像转化为二值像素矩阵，作为神经网络的输入；接下来，利用源二维码的像素矩阵训练神经网络各个神经元之间的连接权值，得到相应的权值矩阵；
Open Access
徐同庆等
随后，输入残缺二维码的像素矩阵之后，各神经元节点不断调整状态值，直到各神经元状态值的变化小于阈值之后，停止调整；最后，将神经元状态值矩阵对应源二维码的电缆信息，从数据库中读取出来。
最后，通过实验验证了TDCRN算法有效性。
2. 问题模型
2.1. 问题描述
电力电缆铺设方式主要有电缆明沟、直埋和穿管，具有分布广、不可视等特点，同时，电缆沟内环境通常比较恶劣，电缆上面没有统一的挂牌标识，或已经破坏脱落，部分沟道内的电缆敷设十分混乱。
在现场排查时需要反复探查。目前电缆采用塑料喷印标识牌或者铝制标识牌，塑料喷印标识牌容易褪色，造成电缆无法辨识，铝制标识牌容易被氧化腐蚀。
对地下电力电缆的管理以及维护工作难度较大，在日常维护抢修工作中，现有生产管理系统数据，只能提供大致数据，作用有限。缺乏精准的系统展示功能的情况下，对于不可见的地下电力设备资产的统计及分布，维护及巡查，成为了班组电力地下资产运行维护工作的难点及“痛处”，新的运维方式成为供电部门的迫切需求。为此，电力运维部门为每条电缆添加二维码，而残缺二维码识别问题成为影响电缆信息获取的重要原因。
2.2. 问题处理流程
针对残缺二维码识别遇到的问题，设计了基于神经网络的二维码识别算法，主要包括：神经网络训练流程和残缺二维码识别流程。具体处理流程见图1和图2。
Figure 1. Training process of neural network
图1.神经网络训练流程
徐同庆等
Figure 2. Recognition process of incomplete two-dimensional code
图2.残缺二维码识别流程
步骤101：初始化权值矩阵。
步骤102：遍历源二维码。
步骤103：将图像传给二维码识别模块。
步骤104：将二维码转换为像素矩阵。
步骤105：将像素矩阵传递给神经网络。
步骤106：调整各神经元的连接权值。
步骤107：神经网络收敛，转步骤107；否则，转步骤106。
步骤108：将权值矩阵与数据库存储的权值矩阵求和，存储到数据库。
步骤109：源二维码遍历完成，则转步骤110；否则，转步骤102。
步骤110：权值矩阵训练完成。
步骤201：扫描二维码。
步骤202：将图像传给二维码识别模块。
步骤203：将二维码转换为像素矩阵。
步骤204：将像素矩阵传递给神经网络。
步骤205：调整各神经元的状态值。
步骤206：神经网络收敛，转步骤107；否则，转步骤105。
步骤207：将神经元状态矩阵对应源二维码的电缆信息，从数据库读出。
3. 基于神经网络的二维码识别算法
3.1. 神经网络动力学模型
将二维码图像转换为二值像素(黑为0，白为1)，每个像素i X与一个神经元关联i V，神经元之间的连W，其连接结构见图3，该神经网络采用动力学的Lyapunov函数：
接权值为
ij
徐同庆 等
Figure 3. Neural network structure 图3. 神经网络结构
111
12n n
n
ij i j i i i j i E W VV I V ====??∑∑∑
3.2. 参数更新方法
神经元更新方法：
()()1
2121n
s s ij i j s W v v ==
??∑
每个二维码的像素信息，对应一个权值矩阵和一组神经元状态信息。
神经元更新方法：对于任意神经元i V ，将所有其他神经元的值作为输入值，计算加权求和(权值为
,ij W i j ≠)，如果该值大于或等于0，则输出1。否则，输出0。
神经元更新顺序：随机选择一个神经元并更新它，然后再随机选择另一个神经元并更新它，一直这样更新直到系统处于稳定状态(Lyapunov 能量函数的值可以不断下降，
最终停在一个极小值，从而使神经网络达到一个稳定状态，即如果更新一次网络后发现没有神经元继续变化，就表示网络已经收敛，可以停止更新状态。)此时，各神经元的状态值对应残缺二维码源码关联的电缆信息，完成对残缺二维码的识别。
3.3. 神经网络结构
其中，i X 为二维码像素，i V 为神经元节点，i Y 为输出(残缺二维码存储的信息)，ij W 为神经元之间的连接权值，二维码的数量和神经元数量之比在0.138之下。
4. 实验分析
首先，将源二维码图像转换为灰度二值矩阵，作为神经网络的输入数据，利用Lyapunov 能量函数训练权值矩阵，权值矩阵初始值可设为全0。随后，将残缺二维码转化为灰度二值矩阵，利用权值矩阵，不断调整灰度二值矩阵，直至Lyapunov 能量函数收敛为止，得到与源二维码相似的灰度二值矩阵，从而获取原二维码对应的电缆信息数据，本文采用的是MySQL 数据库。源二维码经过神经网络训练之后，能够准确独处不同程度的残缺二维码(见图4)关联的电缆信息，效果较为理想。但是，当污损面积超过15%，识别率会逐渐下降。
徐同庆等
(a) (b)
Figure 4. Two dimensional code. (a) Source two-dimensional code; (b) Incomplete two-dimensional code
图4.二维码。(a) 源二维码；(b) 残缺二维码
5. 结束语
针对残缺二维码识别问题，本文设计了基于神经网络的二维码识别算法(TDCRN)，有效提高了残缺电缆二维码的识别能力，从而提升了电力运维人员获取各条电缆的信息的能力。TDCRN算法，将二维码像素信息与神经元状态信息建立关联，各神经元的状态值对应残缺二维码源码关联的电缆信息，用以完成对残缺二维码的识别。同时，采用动力学的Lyapunov函数控制神经网络的训练和收敛，能够有效提升神经网络收敛速度和记忆能力。
基金项目
国网江苏省电力有限公司重点科技项目资助(项目编号：J2018066)。
参考文献
[1]罗智海, 罗政. 基于二维码识别的移动终端巡检系统[J]. 数字传媒研究, 2018, 35(4): 56-59.
[2]王文娟, 张成挺, 徐培富. 基于二维码技术的管道识别标识设计[J]. 自动化与仪器仪表, 2018, 2018(7): 99-101.
[3]董玉华, 张荣辉, 苏孝雨. 复杂条件下二维码识别技术在工业现场的应用研究[J]. 智能计算机与应用, 2018, 8(2):
151-154.
[4]Zhang, B.S., Ren, K., Xing, G.L., et al. (2016) SBVLC: Secure Barcode Based Visible Light Communication for
Smartphones. IEEE Transactions on Mobile Computing, 15, 432-446.
https://https://www.360docs.net/doc/d84396558.html,/10.1109/TMC.2015.2413791
[5]Amirfakhrian, M. and Mafikandi, H. (2016) Approximation of Parametric Curves by Moving Least Squares Method.
Applied Mathematics and Computation, 283, 290-298. https://https://www.360docs.net/doc/d84396558.html,/10.1016/j.amc.2016.02.039
[6]李文航, 钟业荣, 阮伟聪. 基于Android平台的二维码识别系统设计[J]. 自动化与仪器仪表, 2017(6): 147-149.
[7]刘兆银. 二维码在广电设备巡检中的开发应用[J]. 有线电视技术, 2018(7): 105-107.
[8]刘夏, 陈明锐. 二维码在企业的应用[J]. 计算机系统应用, 2013, 22(5): 14-17.
[9]许辉. 二维条码QR码的分析和编解码设计[D]: [硕士学位论文]. 北京: 北京邮电大学, 2008.
知网检索的两种方式：
1. 打开知网页面https://www.360docs.net/doc/d84396558.html,/kns/brief/result.aspx?dbPrefix=WWJD
下拉列表框选择：[ISSN]，输入期刊ISSN：2161-8801，即可查询2. 打开知网首页https://www.360docs.net/doc/d84396558.html,/
左侧“国际文献总库”进入，输入文章标题，即可查询
投稿请点击：https://www.360docs.net/doc/d84396558.html,/Submission.aspx
期刊邮箱：csa@https://www.360docs.net/doc/d84396558.html,
企业微信二维码生成方法(最新)
. ;. 企业微信二维码生成方法是什么？微信二维码，是含有特定数据内容、只能被微信软 件扫描和解读的二维码。用手机的摄像头来扫描微信二维码，从而获得红人（例如电视专题采访幕后等）的名片、商户信息、折扣信息等。 微信二维码所需资料 1.微信名称:如上海XXX公司、XXX旗舰店、张三 2.手机号码:用于审核,不对用户开放 3.固定电话:用于审核,不对用户开放,没有可不提供 4.邮箱地址: 5.公司地址:个人可提供住址等 6.营业执照:扫描件或照片,也可提供其他相关证件(团队、个人等可不提供) 7.企业logo:可作为头像,如没有可以后补充 以上资料准备好后,直接联系优度网客服,优度网可快速帮您做好微信二维码。 制作二维码要求 开通微信二维码的前提是在业内有较高知名度，且要符合各种条件（如粉丝、企业资质等），一般企业及个人难以开通。最快捷的方法是找微信第三方服务机构帮忙，如优度网。优度网可快速完成二维码制作及功能开发等工作。搜优度网，可找到其在线工作人员。微信二维码（公众平台）开通有具有以下功能：消息推送、自动回复、关键词回复、二维码、用户管理等，能满足了大部分企业的微营销需求。 微信二维码营销 手机使用的私密性和微信粉丝关系的脆弱性特征，对微信账号粉丝的粘性是很大的考验，所以的持续推广以增加新粉丝就显得尤为重要。现今二维码的广泛使用和认知，为微信账号传播提供了绝佳的衔接介质。通过平面、户外、网络、印刷品等媒体可以很方便的让二维码露出，再结合诱因(如微信会员卡)即可比较简单的获得粉丝。这种与现有媒体的捆绑的方式，亦可将现有媒体传播价值保留和延伸至移动互联网中，以沉淀新产生的潜客。 微信二维码用途 传统企业的运营是极为单一，并且非常机械化的运营方式。另一方面，据调查结果显示，在一线城市一线商圈内，已有大概44%的手机用户装有微信终端。因此，随着移动互联网及微信的不断发展壮大，将有90%的用户装有微信客户端。二维码在最大程度上诠释了“方便”这个词。试想一下，当你在户外看到一个自己很喜欢的品牌，身边有没有纸和笔时，你怎么办？有些人会选择编辑手机记事本、有些人会选择向别人借用，或是临时记录在纸巾或手掌等一切能记录的地方，但是不管哪种方式，都是极不方便或是非常尴尬的。二维码就不一样了，只要轻松扫一扫，所有信息一秒呈现。以前是“好记性不如烂笔头”，是“烂笔头不如二维码”，一键扫描登陆浏览，免去其他多余的查询步骤，能够让我们在第一时间了解详细信息。
离散Hopfield神经网络的联想记忆-数字识别
1.实现1,2在加噪声之后的识别 array_one=[-1 -1 -1 -1 1 1 -1 -1 -1 -1;-1 -1 -1 -1 1 1 -1 -1 -1 -1;... -1 -1 -1 -1 1 1 -1 -1 -1 -1;-1 -1 -1 -1 1 1 -1 -1 -1 -1;... -1 -1 -1 -1 1 1 -1 -1 -1 -1;-1 -1 -1 -1 1 1 -1 -1 -1 -1; ... -1 -1 -1 -1 1 1 -1 -1 -1 -1;-1 -1 -1 -1 1 1 -1 -1 -1 -1;... -1 -1 -1 -1 1 1 -1 -1 -1 -1;-1 -1 -1 -1 1 1 -1 -1 -1 -1]; array_two=[-1 1 1 1 1 1 1 1 1 -1;-1 1 1 1 1 1 1 1 1 -1;... -1 -1 -1 -1 -1 -1 -1 1 1 -1;-1 -1 -1 -1 -1 -1 -1 1 1 -1;... -1 1 1 1 1 1 1 1 1 -1;-1 1 1 1 1 1 1 1 1 -1;... -1 1 1 -1 -1 -1 -1 -1 -1 -1;-1 1 1 -1 -1 -1 -1 -1 -1 -1;... -1 1 1 1 1 1 1 1 1 -1;-1 1 1 1 1 1 1 1 1 -1 ]; T=[array_one;array_two]'; net=newhop(T); noisy_array_one=array_one; noisy_array_two=array_two; for i=1:100 a=rand; if a<0.1 noisy_array_one(i)=-array_one(i); noisy_array_two(i)=-array_two(i); end end noisy_one={(noisy_array_one)'}; identify_one=sim(net,{10,10},{},noisy_one); identify_one{10}' noisy_two={(noisy_array_two)'}; identify_two=sim(net,{10,10},{},noisy_two); identify_two{10}' subplot(3,2,1) Array_one=imresize(array_one,20); imshow(Array_one) title('standard number 1') subplot(3,2,2) Array_two=imresize(array_two,20); imshow(Array_two) title('standard number 2') subplot(3,2,3) Noisy_array_one=imresize(noisy_array_one,20); imshow(Noisy_array_one) title('noisy number 1') subplot(3,2,4) Noisy_array_two=imresize(noisy_array_two,20); imshow(Noisy_array_two) title('noisy number 2')
二维码的设计原理及生成规格
二维码的生成细节和原理 二维码又称QR Code，QR全称Quick Response，是一个近几年来移动设备上超流行的一种编码方式，它比传统的Bar Code条形码能存更多的信息，也能表示更多的数据类型：比如：字符，数字，日文，中文等等。这两天学习了一下二维码图片生成的相关细节，觉得这个玩意就是一个密码算法，在此写一这篇文章，揭露一下。供好学的人一同学习之。基础知识 首先，我们先说一下二维码一共有40个尺寸。官方叫版本Version。Version1是21x 21的矩阵，Version2是25x25的矩阵，Version3是29的尺寸，每增加一个version，就会增加4的尺寸，公式是：(V-1)*4+21（V是版本号）最高Version40，(40-1)*4+21 =177，所以最高是177x177的正方形。 下面我们看看一个二维码的样例： 定位图案 Position Detection Pattern是定位图案，用于标记二维码的矩形大小。这三个定位图案有白边叫Separators for Postion Detection Patterns。之所以三个而不是四个意思就是三个就可以标识一个矩形了。
?Timing Patterns也是用于定位的。原因是二维码有40种尺寸，尺寸过大了后需要有根标准线，不然扫描的时候可能会扫歪了。 ?Alignment Patterns只有Version2以上（包括Version2）的二维码需要这个东东，同样是为了定位用的。 功能性数据 ?Format Information存在于所有的尺寸中，用于存放一些格式化数据的。 ?Version Information在>=Version7以上，需要预留两块3x6的区域存放一些版本信息。 数据码和纠错码 ?除了上述的那些地方，剩下的地方存放Data Code数据码和Error Correction Code 纠错码。 数据编码 我们先来说说数据编码。QR码支持如下的编码： Numeric mode数字编码，从0到9。如果需要编码的数字的个数不是3的倍数，那么，最后剩下的1或2位数会被转成4或7bits，则其它的每3位数字会被编成10，12，14bits，编成多长还要看二维码的尺寸（下面有一个表Table3说明了这点） Alphanumeric mode字符编码。包括0-9，大写的A到Z（没有小写），以及符号$% *+–./:包括空格。这些字符会映射成一个字符索引表。如下所示：（其中的SP是空格，Char是字符，Value是其索引值）编码的过程是把字符两两分组，然后转成下表的45进制，然后转成11bits的二进制，如果最后有一个落单的，那就转成6bits的二进制。而编码模式和字符的个数需要根据不同的Version尺寸编成9,11或13个二进制（如下表中Table3） Byte mode,字节编码，可以是0-255的ISO-8859-1字符。有些二维码的扫描器可以自动检测是否是UTF-8的编码。
网络二维码图片的生成算法研究
第26卷 第2期 2009年4月 黑龙江大学自然科学学报 JOURNAL OF NAT URAL SC I E NCE OF HE I L ONGJ I A NG UN I V ERSI TY Vol 126No 12 Ap ril,2009 网络二维码图片的生成算法研究 康春颖 (黑龙江大学信息科学与技术学院,哈尔滨150080) 摘 要:二维码作为一种新兴的条码,在网络中被越来越多的使用。通过从多种图片格式中 筛选出能显示出同等信息的最小存储量的图片格式,即单色BMP 位图格式,然后通过分析BMP 文件格式,提出一种支持在线生成的网络图片生成算法,结合通用二维码组件生成的数据,可以在线生成网络二维码图片。采用本算法生成的二维码图片,可以最小化图片文件体积,极大地提高了网络中二维码图片的显示速度。 关键词:二维码;生成算法;研究 中图分类号:T N919.81文献标志码:A 文章编号:1001-7011(2009)02-0216-04 收稿日期:2008-01-16 基金项目:黑龙江大学青年科学基金项目(QL200627) 1 前 言 二维码是条码的一种。条码是由一组按一定编码规则排列的条、空符号,用以表示一定的字符、数字及符号组成的信息。一维条形码简称一维码,它是根据一组水平方向的条的宽度不同,从而将其编成由“0”、“1”组成的一系列字符,该二进制字符按照一定的系统约定进行编码。在水平和垂直方向的二维空间存储信息的条形码,称为二维条形码(2-di m ensi onal bar code ),简称二维码。从它的编码原理而言,通常可分为以下两种类型:行排式二维条码和矩阵式二维码。行排式二维条码具有代表性的矩阵式二维条码有Code 16K 、Code 49、P DF417等。矩阵式二维码具有代表性的矩阵式二维条码有:Code One 、Maxi Code 、QR Code 、Data Matrix 等。 在本文中采用的是QR Code 码。QR Code 码(Quick Res ponse Code )是日本Dens o 公司在1994年9月研制的一种矩阵二维条码,它除了具有一维条码及其他二维条码所具有的信息容量大、可靠性高以外,还具有超高速识度、全方位识读、可表示汉字,并且有很强的保密防伪性等优点。 2 研究背景介绍 二维码的应用随着网络技术的发展也越来越广泛了,二维码可以和现在流行B /S 结构结合起来,让二维码在网络中起到一定的作用。如电子票务系统的开发,可以采用二维码。具体开发过程如下:通过现在流行的网络技术,将客户与服务商有效的联系在一个平台上,同时在票务流程中添加一个二维码的生成接口,这样可以将大量的票务信息生成二维码图片,由于二维码的存储信息容量非常大,可以为以后添加大的信息量提供了技术保障。通过平台上生成二维码的算法,生成相应信息的二维码,同时再通过手机的W ap 技术,将平台上生成的二维码发送到手机中,从而完成了生成“电影票”的过程,这样用户就可带着自己的手机到电影院,在电影院一端可持小型高速二维码识读器,将手机中的条码识读出来,即可看到所订的电影票的信息。这样,在整个售票的流程中不用打印任何票据,从而实现了真正意义上的电子票务。 在这个设计中生成二维码的部分是核心,如何在网络中生成二维码图片,并能使生成的二维码图片占用存储空间尽量小是最重要。因为如果二维码图片体积过大则不利于保存,同时大的图片格式下载起来速度会相应的下降,不利于业务系统的客户端显示,因此设计一种适合网络传输与显示的网络二维码图片生成算
bp神经网络及matlab实现讲解学习
b p神经网络及m a t l a b实现
图1. 人工神经元模型 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值 ( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为： 图中 yi表示神经元i的输出，函数f称为激活函数 ( Activation Function )或转移函数 ( Transfer Function ) ，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为： 若用X表示输入向量，用W表示权重向量，即： X = [ x0 , x1 , x2 , ....... , xn ]
则神经元的输出可以表示为向量相乘的形式： 若神经元的净激活net为正，称该神经元处于激活状态或兴奋状态(fire)，若净激活net为负，则称神经元处于抑制状态。 图1中的这种“阈值加权和”的神经元模型称为M-P模型 ( McCulloch-Pitts Model )，也称为神经网络的一个处理单元( PE, Processing Element )。 2. 常用激活函数 激活函数的选择是构建神经网络过程中的重要环节，下面简要介绍常用的激活函数。 (1) 线性函数 ( Liner Function ) (2) 斜面函数 ( Ramp Function ) (3) 阈值函数 ( Threshold Function ) 以上3个激活函数都属于线性函数，下面介绍两个常用的非线性激活函数。 (4) S形函数 ( Sigmoid Function ) 该函数的导函数：
基于某某BP神经网络地手写数字识别实验报告材料
基于BP神经网络的手写体数字图像识别 PT1700105 宁崇宇 PT1700106 陈玉磊 PT1700104 安传旭 摘要 在信息化飞速发展的时代，光学字符识别是一个重要的信息录入与信息转化的手段，其中手写体数字的识别有着广泛地应用，如：邮政编码、统计报表、银行票据等等，因其广泛地应用范围，能带来巨大的经济与社会效益。 本文结合深度学习理论，利用BP神经网络对手写体数字数据集MNIST进行分析，作为机器学习课程的一次实践，熟悉了目前广泛使用的Matlab工具，深入理解了神经网络的训练过程，作为非计算机专业的学生，结合该课题掌握了用神经网络处理实际问题的方法，为今后将深度学习与自身领域相结合打下了基础。
1 引言 从计算机发明之初，人们就希望它能够帮助甚至代替人类完成重复性劳作。利用巨大的存储空间和超高的运算速度，计算机已经可以非常轻易地完成一些对于人类非常困难的工作，然而，一些人类通过直觉可以很快解决的问题，却很难通过计算机解决，这些问题包括自然语言处理、图像识别、语音识别等等，它们就是人工智能需要解决的问题。 计算机要想人类一样完成更多的智能工作，就需要掌握关于这个世界的海量知识，很多早期的人工智能系统只能成功应用于相对特定的环境，在这些特定环
境下，计算机需要了解的知识很容易被严格完整地定义。 为了使计算机更多地掌握开放环境下的知识，研究人员进行了很多的尝试。其中影响力很大的一个领域就是知识图库（Ontology），WordNet是在开放环境中建立的一个较大且有影响力的知识图库，也有不少研究人员尝试将Wikipedia中的知识整理成知识图库，但是建立知识图库一方面需要花费大量的人力和物力，另一方面知识图库方式明确定义的知识有限，不是所有的知识都可以明确地定义成计算机可以理解的固定格式。很大一部分无法明确定义的知识，就是人类的经验，如何让计算机跟人类一样从历史的经验中获取新的知识，这就是机器学习需要解决的问题。 卡内基梅隆大学的Tom Michael Mitchell教授在1997年出版的书籍中将机器学习定义为“如果一个程序可以在任务T上，随着经验E的增加，效果P 也可以随之增加，则称这个程序可以从经验中学习”。逻辑提取算法可以从训练数据中计算出每个特征和预测结果的相关度，在大部分情况下，在训练数据达到一定数量之前，越多的训练数据可以使逻辑回归算法的判断越精确，但是逻辑回归算法有可能无法从数据中学习到好的特征表达，这也是很多传统机器学习算法的共同问题。 对机器学习问题来说，特征提取不是一件简单的事情。在一些复杂问题上，要通过人工的方式设计有效的特征集合，需要很多的时间和精力，甚至需要整个领域数十年的研究投入。既然人工无法很好地抽取实体中的特征，那么是否有自动的方式呢？深度学习解决的核心问题就是自动地将简单的特征组合成更加复杂的特征，并使用这些特征解决问题。 因为深度学习的通用性，深度学习的研究者往往可以跨越多个研究方向，甚至同时活跃于数个研究方向。虽然深度学习受到了大脑工作原理的启发，但现代深度学习研究的发展并不拘泥于模拟人脑神经元和人脑的工作原理，各种广泛应用的机器学习框架也不是由神经网络启发而来的。 MATLAB是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。 MNIST是一个非常有名的手写体数字识别数据集，被广泛用作机器学习的入门样例，它包含了60000张图片作为训练数据，10000张图片作为测试数据，每一张图片代表了0~9中的一个数字，图片的大小为28x28，且数字会出现在图片的正中间。本文以该数据集为例，基于Matlab来分析BP神经网络的性能。 2 运行环境 本设计在Windows 10 下进行设计、主要利用Matlab工具环境，进行模拟演示。
BP神经网络算法步骤
B P神经网络算法步骤 SANY GROUP system office room 【SANYUA16H-
传统的BP 算法简述 BP 算法是一种有监督式的学习算法，其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。具体步骤如下： （1）初始化，随机给定各连接权[w],[v]及阀值θi ，rt 。 （2）由给定的输入输出模式对计算隐层、输出层各单元输出 （3）计算新的连接权及阀值，计算公式如下： （4）选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。 第一步，网络初始化 给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数e ，给定计 算精度值 和最大学习次数M 。 第二步,随机选取第k 个输入样本及对应期望输出 ()12()(),(),,()q k d k d k d k =o d ()12()(),(),,()n k x k x k x k =x 第三步，计算隐含层各神经元的输入和输出 第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数()o k a δ 第五步，利用隐含层到输出层的连接权值、输出层的()o k δ和隐含层的输出计算误差函数对隐含层各神经元的偏导数()h k δ 第六步，利用输出层各神经元的()o k δ和隐含层各神经元的输出来修正连接权值()ho w k 第七步，利用隐含层各神经元的()h k δ和输入层各神经元的输入修正连接权。 第八步，计算全局误差211 1(()())2q m o o k o E d k y k m ===-∑∑ ε
二维码技术在物流行业中的实际应用
二维码技术在物流行业中的实际应用 绪论 随着信息技术的快速发展，条码技术也得到了大大的改进并由原来的一维码发展到了二维码。二维码从根本上改进了一维码的不足，从而更加有利于社会的发展。本文论述了二维码的技术原理、发展、应用领域及应用上存在的问题。关键词：二维码、发展、应用领域。 人们日常见到的印刷在各种商品外包装上的条形码，是普通一维条码，也就是平常所说的传统条码。这种条码自本世纪70 年代初问世以来，得到人们的普遍关注，发展十分迅速。在短短的二十多年时间里，它已广泛应用于工业、商业、交通运输业、金融、医疗卫生、仓储业、邮电及办公自动化等领域。条码的使用，极大地提高了信息处理的速度，提高了工作效率。八十年代末，出现了具有更大信息量的条码--二维码，条码技术因此出现了质的飞跃。二维码在与一维码同样的单位面积上的信息含量是一维码的近百倍，它不但可以存放数字，而且可以直接存放包括汉字在内的所有可以数字化的信息。例如文字、图片、声音、指纹等。二维码的出现是条码技术发展史上的里程碑，从质的方面提高了条码技术的应用水平，从量的方面拓宽了应用领域。在经济全球化、信息网络化、生产国际化的当今社会，作为信息交换、传递的介质，二维码技术有着非常广阔的应用前景。二维码技术作为一项新技术，逐步为银行、公安、物流等行业所采用。1999 年4 月国家经贸部专门召集有关部门会议，讨论贯彻落实二维码在我国的推广应用。 问题背景 某物流有限公司（以下简称：A 物流公司）系某有限责任公司控股的全资子公司，现已投入使用的物流中心面积达6万平方米。多年来，A 物流公司始终坚持信息化是现代物流的灵魂”，自行设计开发了ERP、WMS、第三方物流系统、二维条码、办公自动化系统（0A）、物流网站，成功地应用了温湿度自动监测技术、无线射频技术（RF）、电子标签技术、消防安保红外监控报警技术、GPS监控、业务叫号系统 等，引进了国际先进的托盘提升机、螺旋输送机、自动分拣系统等自动化物流设施，是一个集货品储存、验收养 护、物流加工、装卸搬运、集中配送和信息服务等六大功能于一体的专业化从作业现场了解到，在发货前，需通过自动分拣系统对货品进行分拣，所以，仓
基于神经网络的手写数字识别系统的设计与实现
中南大学 本科生毕业论文（设计） 题目基于神经网络的手写数字 识别系统的设计与实现
目录 摘要 (Ⅰ) ABSTRACT (Ⅱ) 第一章绪论 (1) 1.1手写体数字识别研究的发展及研究现状 (1) 1.2神经网络在手写体数字识别中的应用 (2) 1.3 论文结构简介 (3) 第二章手写体数字识别 (4) 2.1手写体数字识别的一般方法及难点 (4) 2.2 图像预处理概述 (5) 2.3 图像预处理的处理步骤 (5) 2.3.1 图像的平滑去噪 (5) 2.3.2 二值话处理 (6) 2.3.3 归一化 (7) 2.3.4 细化 (8) 2.4 小结 (9) 第三章特征提取 (10) 3.1 特征提取的概述 (10) 3.2 统计特征 (10) 3.3 结构特征 (11) 3.3.1 结构特征提取 (11) 3.3.2 笔划特征的提取 (11) 3.3.3 数字的特征向量说明 (12) 3.3 知识库的建立 (12) 第四章神经网络在数字识别中的应用 (14) 4.1 神经网络简介及其工作原理 (14) 4.1.1神经网络概述[14] (14) 4.1.2神经网络的工作原理 (14) 4.2神经网络的学习与训练[15] (15) 4.3 BP神经网络 (16) 4.3.1 BP算法 (16) 4.3.2 BP网络的一般学习算法 (16)
4.3.3 BP网络的设计 (18) 4.4 BP学习算法的局限性与对策 (20) 4.5 对BP算法的改进 (21) 第五章系统的实现与结果分析 (23) 5.1 软件开发平台 (23) 5.1.1 MATLAB简介 (23) 5.1.2 MATLAB的特点 (23) 5.1.3 使用MATLAB的优势 (23) 5.2 系统设计思路 (24) 5.3 系统流程图 (24) 5.4 MATLAB程序设计 (24) 5.5 实验数据及结果分析 (26) 结论 (27) 参考文献 (28) 致谢 (30) 附录 (31)
人工神经网络算法
https://www.360docs.net/doc/d84396558.html,/s/blog_5bbd6ec00100b5nk.html 人工神经网络算法(2008-11-20 17:24:22) 标签：杂谈 人工神经网络算法的作用机理还是比较难理解，现在以一个例子来说明其原理。这个例子是关于人的识别技术的，在门禁系统，逃犯识别，各种验证码破译，银行预留印鉴签名比对,机器人设计等领域都有比较好的应用前景，当然也可以用来做客户数据的挖掘工作，比如建立一个能筛选满足某种要求的客户群的模型。 机器识别人和我们人类识别人的机理大体相似，看到一个人也就是识别对象以后，我们首先提取其关键的外部特征比如身高，体形，面部特征，声音等等。根据这些信息大脑迅速在内部寻找相关的记忆区间，有这个人的信息的话，这个人就是熟人，否则就是陌生人。 人工神经网络就是这种机理。假设上图中X(1)代表我们为电脑输入的人的面部特征，X(2)代表人的身高特征X(3)代表人的体形特征X(4)代表人的声音特征W(1)W(2)W(3)W(4)分别代表四种特征的链接权重，这个权重非常重要，也是人工神经网络起作用的核心变量。 现在我们随便找一个人阿猫站在电脑面前，电脑根据预设变量提取这个人的信息，阿猫面部怎么样，身高多少，体形胖瘦，声音有什么特征，链接权重初始值是随机的，假设每一个W均是0.25,这时候电脑按这个公式自动计 算,Y=X(1)*W(1)+X(2)*W(2)+X(3)*W(3)+X(4)*W(4)得出一个结果Y,这个Y要和一个门槛值（设为Q）进行比较，如果Y>Q,那么电脑就判定这个人是阿猫,否则判定不是阿猫.由于第一次计算电脑没有经验,所以结果是随机的.一般我们设定是正确的,因为我们输入的就是阿猫的身体数据啊. 现在还是阿猫站在电脑面前,不过阿猫怕被电脑认出来,所以换了一件衣服,这个行为会影响阿猫的体形,也就是X(3)变了,那么最后计算的Y值也就变了,它和Q比较的结果随即发生变化,这时候电脑的判断失误,它的结论是这个人不是阿猫.但是我们告诉它这个人就是阿猫,电脑就会追溯自己的判断过程,到底是哪一步出错了,结果发现原来阿猫体形X(3)这个 体征的变化导致了其判断失误,很显然,体形X(3)欺骗了它,这个属性在人的识别中不是那 么重要,电脑自动修改其权重W(3),第一次我对你是0.25的相信,现在我降低信任值,我0.10的相信你.修改了这个权重就意味着电脑通过学习认为体形在判断一个人是否是自己认识的人的时候并不是那么重要.这就是机器学习的一个循环.我们可以要求阿猫再穿一双高跟皮鞋改变一下身高这个属性,让电脑再一次进行学习,通过变换所有可能变换的外部特征,轮换让电脑学习记忆,它就会记住阿猫这个人比较关键的特征,也就是没有经过修改的特征.也就是电脑通过学习会总结出识别阿猫甚至任何一个人所依赖的关键特征.经过阿猫的训练电脑,电脑已经非常聪明了,这时你在让阿猫换身衣服或者换双鞋站在电脑前面,电脑都可以迅速的判断这个人就是阿猫.因为电脑已经不主要依据这些特征识别人了,通过改变衣服,身高骗不了它.当然,有时候如果电脑赖以判断的阿猫关键特征发生变化,它也会判断失误.我们就
二维码生成器
二维码生成器 简介 二维码生成器的应用原理其实就是二维码生成软件，你可以将个人信息输入到二维码生成器中，生成相应的二维码，然后进行保存应用。 这里的个人信息可以是：数字，网址，文字，图片，视频以及名片信息等，你可以将你想要生成二维码的信息进行导入，二维码生成器就会自动生成二维码。 我们常见的二维码生成器，国外的有Label Painter，Bartender，Label mx等。一般在网上都可以下载到。 制作原理 二维码其实就是由很多0、1组成的数字矩阵。二维条码/二维码（2-dimensional bar code）是用某种特定的几何图形按一定规律在平面（二维方向上）分布的黑白相间的图形记录数据符号信息的；在代码编制上巧妙地利用构成计算机内部逻辑基础的“0”、“1”比特流行的概念，使用若干个与二进制相对应的几何形体来表示文字数值信息，通过图象输入设备或光电扫描设备自动识读以实现信息自动处理：它具有条码技术的一些共性：每种码制有其特定的字符集；每个字符占有一定的宽度；具有一定的校验功能等。同时还具有对不同行的信息自动识别功能、及处理图形旋转变化等特点。二维条码/二维码能够在横向和纵向两个方位同时表达信息，因此能在很小的面积内表达大量的信息。 二维码生成器的制作需要一个二维码生成算法，或者一个二维码插件，然后用JA VA ，C#，VB等编程语言编写一个调用软件就可以做成二维码生成器了。 这个二维码生成算法就是将组成二维码的0、1数字矩阵进行组合，输入二维码生成器的信息不同，所得到的0、1数字矩阵组合也不相同，因此生成的二维码样式就各种各样。 二维码应用 二维码和手机摄像头以及二维码和计算机的配合将产生多种多样的应用，比如今后我们可以在自己的名片上印上二维码，别人只需用安装二维码识别软件的摄像手机轻松一拍，名片上的各种资料就全部输入手机啦；如果超市的商品也印上二维码，我们就可以在手机上获得关于该商品的大量详细信息。2011年初二维码已经在日本和韩国获得广泛应用，台湾和大陆地区也已经开始推广，今后我们可以用二维码在自动贩售机买可乐、缴费、网上购物等等，二维码在我们以后的生活中将会越来越广泛的应用。 2012年中旬，G商通就技术开发了二维码抽奖，二维码会员积分，二维码优惠券下载，二维码签到，二维码产品防伪等功能，使二维码的应用变得广泛。随着科技的不断发展，二维码的市场应用以及生活应用会越来越广泛。 长沙三华广告公司整理
(完整版)二维码的生成与实现(matlab)
课程设计报告 课题名称：二维码的生成与识别 项目完成人（班级、学号、姓名）： 项目完成时间： 2017/6/15
一、引言 1、编写目的 本学期学习《数字图像处理》，包含很多知识点，像：图像编码与压缩、图像相关变换、图像增强技术、图像复原技术，这些知识点的应用在实际编程中都非常重要。 纸上得来终觉浅，绝知此事要躬行。所以，这次课程设计的目的主要就是巩固所学的数字图像处理的相关知识。最终是我们通过该教学环节，把该课程以及相关知识融会贯通。 2、背景 由于受信息的容量限制，一维条码仅仅是对“物品”的标识，而不是对“物品”的描述，故一维条码的使用不得不依赖数据库存在。在使用上受到了极大的限制，效率很低。二维码正是为了解决一维条码无法解决的问题而产生的。二维码具有高密度、高可靠性等特点，可以用来表示数据文件、图像等，实现信息获取、网站跳转、广告推送、手机电商、优惠促销、会员管理等功能，具有很强的研究意义。 3、参考资料 《数字图像处理》第三版胡学龙 二、设计方案 1、图像采集 图像主要来自网上在线生成的二维码图像和该程序生成的二维码图像。
2、算法分析 预处理过程灰度化-----平滑处理------二值化 1.灰度化：一般都是为了减小图像原始数据量，便于后续处理时计算量更少，因为图像处理不一定需要对彩色图像的RGB三个分量都进行处理 2.平滑处理：图像平滑是指用于突出图像的宽大区域、低频成分、主干部分或抑制图像噪声和干扰高频成分，使图像亮度平缓渐变，减小突变梯度，改善图像质量的图像处理方法。图像平滑的方法包括：插值方法，线性平滑方法，卷积法等等。这样的处理方法根据图像噪声的不同进行平滑，比如椒盐噪声，就采用线性平滑方法！ 3.二值化：图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。 二维码解码 二维码解码主要使用的是ZXing库，ZXing是个很经典的条码/二维码识别的开源类库 3、代码实现 打开图像 function pushbutton1_Callback(hObject, eventdata, handles) global im; [filename,pathname]=uigetfile({'*.*';'*.bmp';'*.jpg';'*.tif';'*.jpg'} ,'选择图像'); if isequal(filename,0)||isequal(pathname,0) errordlg('您还没有选取图片！！','温馨提示');%如果没有输入，则创建错误对话框return; else
浅谈神经网络分析解析
浅谈神经网络 先从回归(Regression)问题说起。我在本吧已经看到不少人提到如果想实现强AI，就必须让机器学会观察并总结规律的言论。具体地说，要让机器观察什么是圆的，什么是方的，区分各种颜色和形状，然后根据这些特征对某种事物进行分类或预测。其实这就是回归问题。 如何解决回归问题？我们用眼睛看到某样东西，可以一下子看出它的一些基本特征。可是计算机呢？它看到的只是一堆数字而已，因此要让机器从事物的特征中找到规律，其实是一个如何在数字中找规律的问题。 例：假如有一串数字，已知前六个是1、3、5、7，9，11，请问第七个是几？ 你一眼能看出来，是13。对，这串数字之间有明显的数学规律，都是奇数，而且是按顺序排列的。 那么这个呢？前六个是0.14、0.57、1.29、2.29、3.57、5.14，请问第七个是几？ 这个就不那么容易看出来了吧！我们把这几个数字在坐标轴上标识一下，可以看到如下图形： 用曲线连接这几个点，延着曲线的走势，可以推算出第七个数字——7。 由此可见，回归问题其实是个曲线拟合(Curve Fitting)问题。那么究竟该如何拟合？机器不
可能像你一样，凭感觉随手画一下就拟合了，它必须要通过某种算法才行。 假设有一堆按一定规律分布的样本点，下面我以拟合直线为例，说说这种算法的原理。 其实很简单，先随意画一条直线，然后不断旋转它。每转一下，就分别计算一下每个样本点和直线上对应点的距离(误差)，求出所有点的误差之和。这样不断旋转，当误差之和达到最小时，停止旋转。说得再复杂点，在旋转的过程中，还要不断平移这条直线，这样不断调整，直到误差最小时为止。这种方法就是著名的梯度下降法(Gradient Descent)。为什么是梯度下降呢？在旋转的过程中，当误差越来越小时，旋转或移动的量也跟着逐渐变小，当误差小于某个很小的数，例如0.0001时，我们就可以收工(收敛, Converge)了。啰嗦一句，如果随便转，转过头了再往回转，那就不是梯度下降法。 我们知道，直线的公式是y=kx+b，k代表斜率，b代表偏移值(y轴上的截距)。也就是说，k 可以控制直线的旋转角度，b可以控制直线的移动。强调一下，梯度下降法的实质是不断的修改k、b这两个参数值，使最终的误差达到最小。 求误差时使用累加(直线点-样本点)^2，这样比直接求差距累加(直线点-样本点) 的效果要好。这种利用最小化误差的平方和来解决回归问题的方法叫最小二乘法(Least Square Method)。 问题到此使似乎就已经解决了，可是我们需要一种适应于各种曲线拟合的方法，所以还需要继续深入研究。 我们根据拟合直线不断旋转的角度(斜率)和拟合的误差画一条函数曲线，如图：
(完整word版)深度学习-卷积神经网络算法简介
深度学习 卷积神经网络算法简介 李宗贤 北京信息科技大学智能科学与技术系 卷积神经网络是近年来广泛应用在模式识别、图像处理领域的一种高效识别算法，具有简单结构、训练参数少和适应性强的特点。它的权值共享网络结构使之更类似与生物神经网络，降低了网络的复杂度，减少了权值的数量。以二维图像直接作为网络的输入，避免了传统是被算法中复杂的特征提取和数据重建过程。卷积神经网络是为识别二维形状特殊设计的一个多层感知器，这种网络结构对于平移、比例缩放、倾斜和其他形式的变形有着高度的不变形。 ?卷积神经网络的结构 卷积神经网络是一种多层的感知器，每层由二维平面组成，而每个平面由多个独立的神经元组成，网络中包含一些简单元和复杂元，分别记为C元和S元。C元聚合在一起构成卷积层，S元聚合在一起构成下采样层。输入图像通过和滤波器和可加偏置进行卷积，在C层产生N个特征图（N值可人为设定），然后特征映射图经过求和、加权值和偏置，再通过一个激活函数（通常选用Sigmoid函数）得到S层的特征映射图。根据人为设定C层和S层的数量，以上工作依次循环进行。最终，对最尾部的下采样和输出层进行全连接，得到最后的输出。
卷积的过程：用一个可训练的滤波器fx去卷积一个输入的图像（在C1层是输入图像，之后的卷积层输入则是前一层的卷积特征图），通过一个激活函数(一般使用的是Sigmoid函数)，然后加一个偏置bx，得到卷积层Cx。具体运算如下式，式中Mj是输入特征图的值： X j l=f?(∑X i l?1?k ij l+b j l i∈Mj) 子采样的过程包括：每邻域的m个像素（m是人为设定）求和变为一个像素，然后通过标量Wx+1加权，再增加偏置bx+1，然后通过激活函数Sigmoid产生特征映射图。从一个平面到下一个平面的映射可以看作是作卷积运算，S层可看作是模糊滤波器，起到了二次特征提取的作用。隐层与隐层之间的空间分辨率递减，而每层所含的平面数递增，这样可用于检测更多的特征信息。对于子采样层来说，有N 个输入特征图，就有N个输出特征图，只是每个特征图的的尺寸得到了相应的改变，具体运算如下式，式中down（）表示下采样函数。 X j l=f?(βj l down (X j l?1) +b j l)X j l) ?卷积神经网络的训练过程 卷积神经网络在本质上是一种输入到输出的映射，它能够学习大量的输入和输出之间的映射关系，而不需要任何输入和输出之间的精确数学表达式。用已知的模式对卷积网络加以训练，网络就具有了输
二维码生成与识别原理_修订版
QR二维码的生成与识别原理 一、简介 二维码（2-dimensional bar code），是用某种特定的几何图形按一定规律在平面（二维方向上）分布的黑白相间的图形记录数据符号信息的。二维码的种类包括：QR Code ,Data Matrix, Maxi Code, Aztec , Vericode, PDF417, Ultracode, Code 49, Code 16K等。 其中QR Code是被广泛使用的二维码，QR全称Quick Response，与其他编码方式相比，QR二维码具有存储容量大、编码速度快的特点，并且它也能表示更多的数据类型：比如：字符，数字，日文，中文等等。随着近几年智能手机的迅猛发展，QR二维码得到了广泛的应用。 关于QR二维码的标准，可参见标准文档（QR Code Spec）： https://www.360docs.net/doc/d84396558.html,/files/datasheets/misc/qr_code.pdf 二、应用现状 随着智能机的普及和手机摄像头成像能力的提升，为了提高向机器内输入信息的速度，QR二维码得到迅猛发展，在许多行业中得到应用。 在一维码时代，“扫码”主要应用在超市或图书馆等场所，以获取商品价格或图书分类等有限的特定信息。二维码可以存储大容量数据，给人们的生活带来巨大方便。 从开始的扫描二维码提取文字或网址，到后来“扫一扫”添加好友、关注个人或公司微信或微博，再到扫码支付，二维码的应用已经非常普遍。 三、基础知识 QR码可分为不同的尺寸，或者叫版本Version。Version 1是21 x 21的矩阵，Version 2是25 x 25的矩阵，Version 3是29的尺寸，每增加一个version，就会增加4的尺寸，公式是：(V-1)*4 + 21（V是版本号）最高Version 40，(40-1)*4+21 = 177，所以最高是177 x 177 的正方形。 样例如下：
神经网络算法详解
神经网络算法详解 第0节、引例 本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在https://www.360docs.net/doc/d84396558.html,/wiki/Iris_flower_data_set 找到。这里简要介绍一下Iris数据集： 有一批Iris花，已知这批Iris花可分为3个品种，现需要对其进行分类。不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。我们现有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。 一种解决方法是用已有的数据训练一个神经网络用作分类器。 如果你只想用C#或Matlab快速实现神经网络来解决你手头上的问题，或者已经了解神经网络基本原理，请直接跳到第二节——神经网络实现。 第一节、神经网络基本原理 1. 人工神经元( Artificial Neuron )模型 人工神经元是神经网络的基本元素，其原理可以用下图表示： 图1. 人工神经元模型 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为：
图中yi表示神经元i的输出，函数f称为激活函数 ( Activation Function )或转移函数( Transfer Function ) ，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为： 若用X表示输入向量，用W表示权重向量，即： X = [ x0 , x1 , x2 , ....... , xn ] 则神经元的输出可以表示为向量相乘的形式： 若神经元的净激活net为正，称该神经元处于激活状态或兴奋状态(fire)，若净激活net 为负，则称神经元处于抑制状态。 图1中的这种“阈值加权和”的神经元模型称为M-P模型 ( McCulloch-Pitts Model )，也称为神经网络的一个处理单元( PE, Processing Element )。 2. 常用激活函数 激活函数的选择是构建神经网络过程中的重要环节，下面简要介绍常用的激活函数。 (1) 线性函数 ( Liner Function ) (2) 斜面函数 ( Ramp Function ) (3) 阈值函数 ( Threshold Function )
人工神经网络BP算法简介及应用概要
科技信息 2011年第 3期 SCIENCE &TECHNOLOGY INFORMATION 人工神经网络是模仿生理神经网络的结构和功能而设计的一种信息处理系统。大量的人工神经元以一定的规则连接成神经网络 , 神经元之间的连接及各连接权值的分布用来表示特定的信息。神经网络分布式存储信息 , 具有很高的容错性。每个神经元都可以独立的运算和处理接收到的信息并输出结果 , 网络具有并行运算能力 , 实时性非常强。神经网络对信息的处理具有自组织、自学习的特点 , 便于联想、综合和推广。神经网络以其优越的性能应用在人工智能、计算机科学、模式识别、控制工程、信号处理、联想记忆等极其广泛的领域。 1986年 D.Rumelhart 和 J.McCelland [1]等发展了多层网络的 BP 算法 , 使BP 网络成为目前应用最广的神经网络。 1BP 网络原理及学习方法 BP(BackPropagation 网络是一种按照误差反向传播算法训练的多层前馈神经网络。基于 BP 算法的二层网络结构如图 1所示 , 包括输入层、一个隐层和输出层 , 三者都是由神经元组成的。输入层各神经元负责接收并传递外部信息 ; 中间层负责信息处理和变换 ; 输出层向 外界输出信息处理结果。神经网络工作时 , 信息从输入层经隐层流向输出层 (信息正向传播 , 若现行输出与期望相同 , 则训练结束 ; 否则 , 误差反向进入网络 (误差反向传播。将输出与期望的误差信号按照原连接通路反向计算 , 修改各层权值和阈值 , 逐次向输入层传播。信息正向传播与误差反向传播反复交替 , 网络得到了记忆训练 , 当网络的全局误差小于给定的误差值后学习终止 , 即可得到收敛的网络和相应稳定的权值。网络学习过程实际就是建立输入模式到输出模式的一个映射 , 也就是建立一个输入与输出关系的数学模型 :