（信号与信息处理专业论文）基于嗅觉神经网络的织物图像识别.pdf

浙江理工大学学位论文版权使用授权书 学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家 有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权浙江理工 大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印 或扫描等复制手段保存和汇编本学位论文。 一 本学位论文属于 学位论文作者签名： 保密口，在 不保密。 私宵 日期：f o 年了月1 1 日 年解密后使用本版权书。 指导教师签名：侄少包各7 文 日期：如io 年；月1 日 浙江理工大学硕士学位论文 摘要 织物组织识别技术发展到今天，还没有广泛的投入到实际应用中。这个技术的难点主 要体现在组织结构的多样性以及噪声的复杂性。组织结构的多样性这点难以改变，完全剔 除所有噪声也存在较大的困难。并且到目前，国际上只能对三类基本组织进行有效识别， 对复杂组织的识别率还比较低。在这种背景下提出了应用具有高抗噪声能力的嗅觉神经网 络对织物组织进行识别研究。 本文首先对嗅觉神经网络进行了系统的研究，通过实验数据分析，提出了改进的嗅 觉神经网络。然后对织物组织的预处理方法进行了实验对比，并提出了改进的方案，最后 利用改进后的8 通道k i l l 模型嗅觉神经网络对织物组织进行识别。 ( 1 ) 分别对k 0 、k i 、k i i 的数学模型进行了深入的实验分析，并得出k 0 模型( p g 层) 在不同激励情况下达到稳定所需时长是收敛于一个常数的；分析了两种k i 模型的详 细的输入输出特性；对在不同输入电压、不同输入激励时长下k i i 模型( 0 b 层) 的输入 输出特性也进行了详细分析。 ( 2 ) 对k i l l 的数学模型进行了深入实验分析，通过实验数据证实了过去学者的实验 方法的一些不妥之处，并对训练方法和输入值的处理上进行了改进，提高了整个k i l l 模 型嗅觉神经网络的识别率。 ( 3 ) 实验对比织物组织图像经过预处理后的识别效果，并根据实验效果提出了新的提 取组织点的方法。使对斜纹组织的识别率得到较大的提高。 ( 4 ) 对复杂变化组织的识别进行了研究，提出了最小循环周期内进行间隔抽样的方法， 识别率较以往的方法有较大提高。 以上实验都是在v c 2 0 0 5 平台下进行开发的，所有开发源码可以直接应用于实际生产 中，本论文提出的改进型8 通道k i l l 模型嗅觉神经网络对织物组织的识别有较理想的效 果。对复杂变化组织的识别率较以往也有较大提高。 关键词：织物组织；嗅觉神经网络；识别：k 0 ；k i ； k i i ；k i l l ；v c 2 0 0 5 浙江理工人学硕上学位论文 t h ef a b r i cr e c o g n i t i o nb a s e do no l f a c t o r yn e u r a ln e t w o r k a b s t r a c t f a b r i cr e c o g n i t i o nt e c h n o l o g yh a sn o ty e td e v e l o p e dt om e e tp r a c t i c a lr e q u i r e m e n t s ，t h et e c h n i c a l p r o b l e m sa r e m a i n l yi nt h ed i v e r s i t yo ft h eo r g a n i z a t i o n a ls t r u c t u r ea n dr e m o v i n ga n u m b e ro fc o m p l e x f a c t o r s si m p a c t t h ed i v e r s i t yo ft h eo r g a n i z a t i o n a ls t r u c t u r ec a nn o tb ec h a n g e d ，e x c l u d i n gan u m b e ro f c o m p l e xf a c t o r st h a ti n f l u e n c ei sd i f f i c u l tt oa c h i e v e ，b e c a u s eaw a y f o rc e r t a i nt y p eo fn o i s ei n t e r f e r e n c ei s e f f e c t i v ew h i l eo t h e rm e t h o d sw o u l dn o tn e c e s s a r i l yh a v ee f f e c t s c u r r e n t l yt h ei n t e r n a t i o n a lo r g a n i z a t i o n s a b i l i t yt oi d e n t i f yt h ef a b r i cs t i l lr e m a i ni nt h et h r e eb a s i co r g a n i z a t i o n a l s t r u c t u r e ，t h e r ei sn oe f f e c t i v e m e t h o dt oi d e n t i f yt h ec o m p l e xo r g a n i z a t i o nl i k ec o m p l e xc h a n g i n go r g a n i z a t i o n i nt h i sc o n t e x tp r o p o s et o u s eo l f a c t o r yn e u r a ln e t w o r k ，w h i c hh a sg o o da n t i n o i s ep e r f o r m a n c e ，t oi d e n t i f yf a b r i c i nt h i sp a p e r ，a tf i r s ts y s t e m a t i c a l l ys t u d yt h eo l f a c t o r yn e u r a ln e t w o r k , a n dp r o p o s et oi m p r o v et h e o l f a c t o r yn e u r a ln e t w o r kt h r o u g he x p e r i m e n t a ld a t aa n a l y s i s t h e ne x p e r i m e n t a l l yc o m p a r ef a b r i c sp r e t r e a - t m e n tm e t h o d s ，a n ds u g g e s tt oi m p r o v et h ep r o g r a m ，a n du s et h ei m p r o v e d8 - c h a n n e lo l f a c t o r yn e u r a l n e t w o r kt oi d e n t i f yf a b r i c ( 1 ) c a r r yo u ti n d e p t he x p e r i m e n t a la n a l y s i so fk 0 ，k ia n dk i im a t h e m a t i c a lm o d e l sa n dd r a w t h a tt h e t i m et h a tk om o d e l0 0l a y e ot oa c h i e v et h es t a b i l i t yi nd i f f e r e n tc i r c u m s t a n c e si n c e n t i v ei sc o n v e r g e n tt oa c o n s t a n t ；a n a l y s et w ok i n d so fk im o d e l sd e t a i l e di n p u t - o u t p u tf e a t u r e s ；a n dt h ei n p u t a n do u t p u tf e a t u r e so f k i im o d e l ( o bl a y e oi nd i f f e r e n ti n p u tv o l t a g eo ru n d e rd i f f e r e n ti n p u tt i m ei n c e n t i v e si sa l s oa n a l y z e di n d e t a i l 一 1 ( 2 ) c a r r yo u ti n - d e p t he x p e r i m e n t a la n a l y s i so f t h em a t h e m a t i c a lm o d e lo f t h ek i i i ，c o n f i r ms o m eo ft h e s h o r t c o m i n g so ft h ee x p e r i m e n t a lm e t h o d so ft h ep a s ts c h o l a r sb ye x p e r i m e n t a ld a t a , i m p r o v et r a i n i n g m e t h o d sa n dh a n d l i n go fi n p u tv a l u e sa n di m p r o v et h ew h o l eo l f a c t o r yn e u r a ln e t w o r kr e c o g n i t i o nr a t e ( 3 ) c o m p a r et h er e c o g n i t i o ne f f e c to ft h ep r e - p r o c e s s i n gf a b r i ct i s s u ei m a g e st h r o u g he x p e r i m e n t sa n d t h ee x p e r i m e n t a lr e s u l ti np r e s e n t i n gan e wm e t h o dt oe x t r a c tt h ef a b r i cp o i n t t h er e c o g n i t i o nr a t eo ft h e t w i l lw e a v eg r e a t l yi m p r o v e s ( 4 ) s t u d yt h er e c o g n i t i o no fc o m p l e xc h a n g i n go r g a n i z a t i o n , r a i s et h ei n t e r v a ls a m p l i n gm e t h o dw i t h i n t h em i n i m u mc y c l e ，a n dt h er e c o g n i t i o nr a t ei sg r e a t l yi m p r o v e dt h a nt h ep r e v i o u sm e t h o d s t h ea b o v ee x p e r i m e n t sw e r ec a r r i e do u tu n d e rv c 2 0 0 5p l a t f o r ms i m u l a t i o n t i 浙江理工大学硕士学位论文 k e y w o r d s ：f a b r i c ；o l f a c t o r y n e u r a ln e t w o r k ；i d e n t i f i c a t i o n ；k o ；k i ；k i i ；k i l l ；v c 2 0 0 5 i i i 浙江理工大学硕士学位论文 目录 摘要：i a b s t r a c t i i 第一章绪 论1 1 1 研究的背景及意义1 1 2 目前国内外的研究现状l 1 2 1 自相关函数方法1 1 2 2 傅里叶变换方法2 1 2 3 小波分析方法3 1 2 4 贝叶斯方法3 1 2 5 模糊聚类分析法4 1 2 6 基元特征模式匹配识别法4 1 2 7 神经网络方法。4 1 2 8 共生矩阵5 1 3 主要研究内容及方案5 1 3 1 研究内容。5 1 3 2 研究方案一5 1 3 3 关键技术6 1 3 4 论文的创新点6 1 4 本章小结7 第二章嗅觉神经网络8 2 1 人工神经网络8 2 1 1 神经元模型8 2 1 2 网络拓扑结构9 2 1 3 网络的训练( 学习) 方法l o 2 2 嗅觉神经网络模型1 0 2 2 1 嗅觉神经网络模型的发展历程简介1 1 2 2 2 嗅觉神经网络k 系列模型及改进。1 2 2 2 2 1 嗅觉神经网络k 系列模型的数学基础1 2 2 2 2 2 嗅觉神经网络k 0 模型新特性研究一1 3 2 2 2 3 嗅觉神经网络模型新特性研究：1 6 2 2 2 4 嗅觉神经网络k i i 模型新特性研究一2 2 2 2 2 5 嗅觉神经网络k i l l 模型新特性研究及改进2 6 2 2 3 嗅觉神经网络k i l l 模型学习规则3 4 2 3 本章小结一3 5 第三章图像预处理3 6 3 1 图像灰度化3 6 3 2 图像平滑。3 6 3 3 图像增强3 7 3 3 1 空间域图像增强3 7 3 - 3 2 频域图像增强3 8 3 3 3 傅里叶变换3 8 3 3 4 小波变换3 8 3 4 二值化3 9 浙江理t 大学硕士学位论文 3 5 本章小结4 0 第四章利用嗅觉神经网络k i l l 模型进行织物组织识别4 l 4 1 织物组织图像的采集与预处理4 1 4 2 织物组织组织点提取4 1 4 3 基于嗅觉神经网络k i l l 模型进行织物组织识别4 3 4 4 改进预处理方法4 6 4 5 复杂变化组织的识别4 7 4 6 本章小节4 8 第五章结论与展望4 9 5 1 实验过程与结果分析一4 9 5 2 前景展望。5l 参考文献5 2 附录5 7 1 i ! t 谢6 z l 攻读学位期间的研究成果6 5 浙江理工人学硕士学位论文 1 1 研究的背景及意义 第一章绪论 多年来，纺织行业对织物组织的自动识别具有较强的需求，它对纺织行业的自动化生 产、提高质量和生产效率具有重要意义。 现在纺织企业对织物组织结构的识别大部分还停留在传统的人工方式，通过织物分析 针和织物分析镜进行人工手工识别，其质量和效率都不高，且易出错，而且比较容易引起 人员的视觉疲劳。利用数字图像识别技术，通过计算机对一个系统前端获取的图像按照特 定目的进行相应的处理。用计算机实现自动化计算，用机器视觉代替人的视觉可以克服人 工识别所造成的各种误差，可以大大提高识别精度和效率。 1 2 目前国内外的研究现状 对织物组织结构的分析，韩国和日本的研究比较多且比较深入。不过现存的织物组织 结构分析与研究方法还处于理论研究阶段，技术还不能满足工业要求，技术还有待突破。 目前的研究方法主要有如下几种： ( 1 ) 、自相关函数方法 ( 2 ) 、傅里叶变换方法 ( 3 ) 、小波分析方法 ( 4 ) 、贝叶斯方法 ( 5 ) 、模糊聚类分析法 ( 6 ) 、基元特征模式匹配识别法 ( 7 ) 、神经网络方法 ( 8 ) 、共生矩阵方法 1 2 1 自相关函数方法 自相关函数主要反映了图像的纹理信息，对织物图像的复杂纹理的分析来说，是一种 比较有效的方法。 浙江理工大学硕士学位论文 自相关函数的定义为： r 。( ，l ，2 ) = e 【x ( f 1 ) z ( ，2 ) 】2 上。上。z l 工2 f ( x l ，x 2 ；f l ，t 2 矽而d 屯 ( 1 1 ) 其中x ( t 。) 、x ( t ：) 是随机信号x ( f ) 在t l 和乜时刻的状态，对应于图像中的是不同坐 标的灰度值。f ( x 。，x ：；f 。，f ：) 是相应的概率密度函数。 韩国学者k a n g 一1 1 等利用自相关函数对织物组织图像进行了研究。他的那套系统能够 有效识别组织循环，组织类型，经纬纱密度，经纬纱支数以及配色模纹，但目前这套系统 还只能用于简单织物，并且对于多层组织的织物无法进行识别，不能识别复杂织物的组织 结构。 1 2 2 傅里叶变换方法 在数字图像处理中。傅里叶变换是比较常用的变换，在图像处理中占据中非常重要的 地位。 其基本原理是： 假设f ( m ，刀) 是一个包含两个离散空间变量1 1 1 和1 3 的函数，则该函数的二维傅里叶变 换定义如下： f ( 叻，国：) = f ( m ，刀) p 一椭”p 一旭” ( 1 2 ) 其中，国。和国：为频域变量，其单位为弧度每采样单元，取值范围为一万q ，国：万。 通常函数f ( t o 。，彩：) 称为函数f ( m ，刀) 的频域表征。 对图像进行二维傅里叶变换能反映出大部分纹理信息，所以，利用傅里叶频谱分析特 征值是比较有效的方法，这方面的研究也比较多。日本的学者尺鲫册班f 2 1 等采用傅里叶 变换方法对平纹织物的部分特性进行了较深入的研究。砒召【3 1 运用傅里叶变换方法对织物 的组织结构进行了分析。江南大学的高卫东等运用傅里叶变换开发了一种织物结构自动识 别系统。国内还有其他学者对傅里叶变换在织物结构分析中的运用进行了研究，如李艳梅 等1 4 把傅立叶变换方法和自相关函数方法相结合来测量织物的经纬纱密度，辛斌杰等利用 傅立叶变换方法来测量织物的经纬纱密度。该方法有一定的实用价值，不过这种方法受到 诸多因素的干扰：布面的质量、平整度、录入时的光照情况、采样大小等。 浙江理工大学硕士学位论文 1 2 3 小波分析方法 图像可以看成是一个二维的矩阵，经过一次离散小波变换，图像被分解为四个等大小 的子块，分别为低频部分、水平方向、垂直方向和对角线方向的高频部分，其中低频部分 可以再次被分解。低频部分的小波系数代表着图像信号的整体特征；高频部分反映了图像 的边缘、纹理等信息，它反映的是图像的细节部分。 l lh l l lh lh l l hh h 原始图像 l hh hl h h h 图1 - 1 图像小波分解与重构示意图 小波变换是一种比较实用和有效的数学方法，将小波方法运用到图像识别和机器视觉 领域已经比较成熟了，其有效性已经得到广泛认可。小波变换被许多学者应用到织物组织 的经纬密度测量上，并取得亍较好的效果。冯毅力等运用小波变换方法对织物的密度的计 算进行了研究。庄国瑜、孙悦等人也在织物的密度测量上运用了小波变换方法【5 】。运用小 波变换方法来对图像处理时有许多需要注意的地方，小波变换方法的优势在哪，不同小波 基对织物图像进行处理时的速度以及效果有什么影响，这些都在他们的论文中有所介绍。 不同的小波基其实都有自己的特点，都有自己应用的领域，在实际处理图像的过程中，每 个研究人员多图像处理的效果要求不同，采用的小波基当然也不同，所以小波基的选取是 比较重要的事情。小波变换如何应用到织物图像领域上，马云芳等做了许多研究工作。 1 2 4 贝叶斯方法 贝叶斯决策规则在图像识别领域的应用已经非常多了，浙江理工大学的胡觉亮教授等 提出一种织物自动分类识别方、法【们，这种方法是基于贝叶斯统计的。首先在显微镜下观测 出各种织物的几何特征，利用图像处理的方法计算出每种织物的周长，面积和各阶矩，然 后就可以计算出每种织物的圆形度，各类织物都有它们自己特有的几何形态特征。贝叶斯 模型的建立是基于如下假设的：假设各类织物组织的特征向量服从多变量的正态分布，这 样就可以利用贝叶斯决策规则计算出各类别织物的后验概率。该方法可以实现对棉、丝、 浙江理工大学硕士学位论文 麻三类织物的自动识别。经过6 0 多幅图像的实验，发现这种识别方法的成功率都在9 0 以上。特征模型的建立需要大量的学习才行，所以需要建立一个准确而足够量的学习源这 将是今后该方法需要改进的地方。 1 2 5 模糊聚类分析法 模糊聚类方法的方法的引入对图像的处理有较大的帮助。台湾学者k u o c 1 7 j 等认为用 经纬浮线来判别织物的组织结构时，在各种不确定因素的影响下，各类织物的经纬浮线的 形状是会有差异的。所以要判别所有的情况是难做到了，没有一个统一的标准。他提出了 一种识别织物组织结构的方法：模糊c - m e a n s ( f c m ) 聚类方法。首先对采集的图像进行预 处理。然后利用图像处理方法确定交织点和纱线的大致位置，及纱线的间距。再上述位置 都确定后，计算出四个统计值：均值、标准差、共生矩阵的对比度和一致性，以便进行后 续分析。最后对织物图像进行模糊c - m e a n s ( f c m ) 聚类方法分析得出组织点的类型，从而 确定出织物的组织结构。该方法能有效的识别简单的组织，不过对织物有比较苛刻的要求。 1 2 6 基元特征模式匹配识别法 提取织物组织结构纹理基元特征的方法是由东华大学的张一提出来的【8 】，由于织物组 织是一种规律性较强的结构，利用这一特点来对特定纹理基元进行定义和抽取，然后利用 图像处理的方法在织物图像中寻找这些基元，通过基元匹配的算法获得织物的基元贴片 图，这样就可以利用自相关函数方法来确定最小循环单元，文章中还对组织图的生成进行 了研究，织物的组织图是根据最小循环单元中所获取的参数来生成的，这样就可以对织物 组织结构进行自动识别了。但该方法是建立在织物表面图像纹理信息的基础上，不能对多 层复杂组织结构进行识别。 1 2 7 神经网络方法 韩国学者j e o n b f 9 1 利用自相关函数方法结合神经网络开发出了织物组织结构自动识 别系统。该系统中利用自相关函数对织物的一些参数进行测量，其测量过程与k a n g t 的 方法是一样的。然后采用神经网络来确定织物组织结构。该神经网络的训练参数是上述宽 度与高度的比值，训练完后，就可以用来识别织物的组织结构了。浙江理工大学的张瑞林 教授【1 0 1 采用三层b p 神经网络以k e s f 系列风格评价系统测得的1 6 个物理量为输入参数 浙江理工大学硕士学位论文 进行训练，然后对织物进行识别，获得较好的识别效果。该方法对织物组织的识别有一定 的启示作用。 1 2 8 共生矩阵 美国马里兰大学的勋6 觚，1 1 】利用灰度共生矩阵的特点对织物图像的结构性能进行了 研究。台湾学者l i n j 1 2 l 运用共生矩阵的方法对织物的密度进行了测量，首先将图像的灰 度级进行量化使其灰度级降为1 6 个灰度级，然后将织物图像各像素点的灰度值保存起来， 再计算出该图像的共生矩阵，并将其进行归一化处理，接着计算织物图像的灰度对比度。 根据实验效果发现无论在图像的哪个方向，只要存在循环结构，图像的灰度对比度值就必 定会出现最小值。最后计算出织物的密度。但精度有待进一步提高。该方法对织物组织的 研究有一定的启发作用。 1 3主要研究内容及方案 1 3 1 研究内容 织物组织的识别有它固有的复杂性，这个复杂性表现在许多方面，从图像处理的角度 来说，织物组织面料的完整性，面料的起球，各种复杂织物组织的多变性等。另外某些织 物是多层的，较难从图像中获取中间层的组织结构，这又给织物组织的识别带来了巨大的 困难。还有一些不能忽视的因素，比如：在生产实践中由于某些不可预知的因素的影响使 得织物表面部分组织点的图像无法准确地反映出它的组织结构，所以要完全准确的识别出 各织物组织的结构是非常困难的，这也是到目前为止，织物组织的识别技术还没有较好的 应用在实际生产中的原因。对织物组织的识别，就是本论文的主要研究内容。 1 3 2 研究方案 织物组织的识别可以分成几个步骤来实现： 1 、分析嗅觉神经网络的特性。 2 、对织物组织图像进行预处理，经过实验分析比较找到最适合的预处理方式。并分 析得到一个预重排后的组织图。 3 、利用神经网络的方法来学习和识别各类型织物组织。 5 - 浙江理工大学硕士学位论文 1 3 3 关键技术 砒p 聊册【1 3 】1 1 4 1 通过几十年对动物嗅觉系统的电生理研究，提出了k 系列模型，其中 k i i i 模型是根据整个嗅觉神经系统的解剖结构所建立的完整的嗅觉神经系统模型，它由 k i 、k i 网络和k o 单元构成。其中k o 模型是k i l l 模型的基本单元，它的动力学特性可 以用式( 1 ) 所示二阶微分方程描述 击【葛( f ) + ( 口+ 功o ) + 口幸b 宰毛o ) 】= 木q ( x j ( t ) ，乃) 】+ t ( 力 ( 1 3 ) ad=i 。 。 其中：而( f ) 表示第f 个神经团的电位状态变量，x j ( t ) 则是和第f 个神经团。 连接的第个神经团电位状态变量，形，代表它们之间的突触连接强度。o ) 是输入 到第f 个神经团的外部刺激。a 和b 是两个时间常数。q ( 幸) 是一个由h o d g k i n - h u x l e y 方 程导出并通过实验验证的静态s 型函数，见式( 2 ) q ( x ( f ) ，g ) = 二器? 吣o - 1 y 们x “d - ( 1 4 ) 其中： x o = 一l n ( 1 一g l n ( 1 + 1 q ) ) k o 模型通过耦合构成模型，而模型的相互耦合构成k i i 模型，k i l l 模型则是由 k 0 、k i 、k i i 组成的多层并行的反馈神经网络模型。 f r e e m a n 等通过误差反向传播算法，即让模型输出逼近生理实验中嗅觉系统中e e g 信号的重要性质( 例如静息状态下产生非周期振荡和1 f 功率谱等) ，得到了系统各节点之 间连接权重等参数【1 5 】。另外在模型的外周r 和中心a o n 处加入了低维的高斯噪声，这个 低维的高斯噪声是用来模拟现实嗅觉系统中所实际存在的生物噪声，使得k i i i 系统的输 出在统计上能够趋于稳定，也就是在初值和参数扰动下系统的轨道在长时间内在足够小的 范围内变化，消除了像确定性混沌系统中对初值和参数扰动的敏感性，加强了k i i i 系统 的稳定性和鲁棒性。 国内有关嗅觉神经网络的应用，主要是浙江大学的电子鼻模式识别方面6 1 。 1 3 4 论文的创新点 ( 1 ) 利用生物技术上的嗅觉神经网络的识别原理。提出将嗅觉神经网络应用到织物 识别上。由于织物组织的识别在图像处理方面有它特有的复杂性，单凭某个特征来定性判 浙江理工大学硕士学位论文 断其组织结构是较困难的，所以利用模式识别中的神经网络的方法，通过不断的学习来不 断修正我们的判断依据( 权值) ，将是我们将来的一个比较有发展前途的研究方向。上面介 绍的嗅觉神经网络的方法结合对织物图像的有效特征的研究。相信能提高对织物组织识别 的准确性。 ( 2 ) 对k i l l 的数学模型进行了深入实验分析，通过实验数据证实了过去学者的实 验方法的一些不妥之处，并对训练方法和输入值的处理上进行了改进，提高了整个嗅觉神 经网络的识别率。 ( 3 ) 实验对比织物组织图像经过预处理后的识别效果，并根据实验效果提出了新 的提取组织点的方法。使对斜纹组织的识别率得到较大的提高。 ( 4 ) 对复杂变化组织的识别进行了研究，提出了最小循环周期内进行间隔抽样的 方法，识别率较以往的方法有较大提高。 1 4 本章小结 本章阐述了织物组织识别的背景和意义，并综述了国内外织物组织识别的技术现状， 提出了本课题研究的方法及内容。 浙江理工人学硕上学位论文 2 1 人工神经网络 第二章嗅觉神经网络 神经网络【1 7 】【1 8 1 的研究已经有几十年的历史，各种描述方法的基本思想是通过大量的 关系连接来实现复杂的函数关系。它具备极强的鲁棒性和容错性，同时也具备较强的自学 习能力，该系统可以在学习的过程中不断完善自己，不断更新判断依据。 神经网络模式识别理论的研究是非常重要的研究方向。它的发展与神经网络理论几乎 同步。人工神经网络是受动物神经网络系统的启发，利用大量简单处理构成的复杂系统， 以便用来解决一些复杂模式识别问题与行为控制问题。构成人工神经网络的三个基本元素 是：神经元、网络拓扑结构和网络的训练( 学习) 方法。 2 1 1 神经元模型 神经元是生物神经网络的基本处理单元，它的作用是将输入进行加权求和，然后对这 些加权和进行非线性处理后输出。它具有三个基本要素：连接、求和单元、非线性激活函 数。图2 1 是一个基本神经元的模型。 输入 连接权 图2 1 神经元模型 浙江理工大学硕士学位论文 其基本过程是：输入信号x 1 、x 2 、x 3 x n ，经过加权后再求u = x 。形，然 j 吉l 后与阈值进行运算v = u 一秒，得到v ，最后利用非线性激活函数y = 缈( d 求出输出y 。 这个非线性激活函数的选择根据不同的需要而决定，其比较常见的形式有三种：阈值 函数、分段函数、s i g m o i d 函数【1 9 】。 2 1 2 网络拓扑结构 网络拓扑结构是由神经元的互连形成的，常见的网络结构有各种前馈神经网络以及其 他反馈网络。在各种人工神经网络中，应用最广且最成熟的网络是多层前馈网络，其中最 有代表性的网络是b p 网络。对于其他反馈网络中，应用比较多的是h o p f i e l d 网络。 b p 神经网络是由输入层、隐层和输出层构成。在b p 网络中输入节点数目和输出节点 数目是由实际问题决定的，其最关键的部分是在隐层的层数和隐层的节点数目。图2 2 为 b p 网络的拓扑结构： 输出神经元 隐含神经元 输入神经元 图2 2b p 神经网络结构 输出层 隐层 输入层 1 9 8 2 年，美国的h o p f i e l d 提出了一种互连的反馈网络【2 0 】，他认为系统的状态是随时 间变化的，并最终收敛到稳定值上。图2 3 是这种网络模型的拓扑结构图： 浙江理工大学硕士学位论文 2 1 3 网络的训练( 学习) 方法 图2 3 离散h o p f i e l d 网络结构 神经网络的学习过程是一个不断修正、不断更新自身权值以达到识别要求的过程。作 为神经网络的一个不可缺少的部分，网络训练的样本集的大小和训练方法的好坏决定了整 个神经网络的识别好坏。学习方法的选择根据不同的神经网络和具体的实际要求而选择， 目前主要有三种学习方式：监督学习、非监督学习和强化学习。 监督学习又称为有导师学习，这种学习方式是，将确定的输入输出集作为学习样本集， 系统学习时，由于误差的存在，实际输出是有偏差的，根据实际的输出与给定的输出之间 的关系来调整系统参数以达到学习的目的。 非监督学习又称为无导师学习，这种学习方式没有确定的输入输出集，它完全是根据 数据的某种统计规律来调节自身的系统参数。 强化学习则是监督学习和非监督学习的结合版，它没有确定的输入输出集，但它有一 种强化规则，它是通过强化规则来实现系统参数调节的。 2 2 嗅觉神经网络模型 人工神经网络发展到今天，已经成功应用到了许多领域，但大多数的人工神经网络并 不是像人们想象的那种高智能化的系统，实际上只是简单的模拟了生物神经网络的许多基 本的功能特点。神经网络的研究还需要继续深入的研究探索。 浙江理工大学硕士学位论文 研究一个复杂问题，总是要从一个个模块进行分别分解、剖析。同样，我们研究像大脑这 种高度复杂的系统，需要将问题分解成一个个稍简单的问题，如听觉神经系统、嗅觉神经 系统、视觉神经系统等，一步步的进行分析研究。嗅觉神经系统是一种相对比较原始的系 统，与其他神经系统一样，都具备神经系统的基本功能特点，在生物的进化中，嗅觉神经 网络也已经进化为一种非常可靠的系统。某些生物的嗅觉神经系统的功能非常强大，如某 些犬类，它们对气味的识别能力远远超出了目前的气味探测仪器。嗅觉神经网络的研究取 得突破性的进展是从近几年开始的，尤其是以b u c k 和a x e l 的研究最为有影响力，他们对 嗅觉神经系统的研究获得了诺贝尔奖【2 1 1 。从生物学角度上看，嗅觉神经系统需要完成的 功能包括：建立气味的表达、判断气味的浓度、从背景气味中鉴别出气味等。这些功能的 实现是由嗅觉神经系统中具有特定功能的细胞、组织和器官来完成的，包括：嗅球、感受 器、前嗅核和大脑的相关区域等。 2 2 1 嗅觉神经网络模型的发展历程简介 目前在嗅觉神经系统研究中，主要应用于气味识别，如h w i 和t a i 的电子鼻的研究， s c h u t z 也在电子鼻领域有相关研究【2 2 1 ，他主要是将这项技术应用在植物保护方面，b o u s s e 将嗅觉神经系统用于毒品检测。这些研究主要是利用嗅觉神经系统中的神经细胞的特点构 造出了仿生电子系统，其研究的是微观特性。对于其宏观特性的研究主要是其整个神经网 络的结构研究，建立其数学模型，应用于模式识别等领域。 嗅觉神经网络的早期模型主要有： 层析模型，这种模型仅从嗅觉黏膜的生理结构上阐述了嗅觉辨识的内在机制。 回归模型，这是从统计学角度对嗅觉模型的描述，它所反映的是嗅觉反应强度与外界 刺激之间的相互关系。 知识模型，该模型是由h a h n 等人提出的比较全面的嗅觉模型【2 3 1 ，此模型可以比较全 面的描述整个嗅觉机制。 近年来，随着生理学和嗅觉系统解剖学的发展，发现气味在嗅皮层和嗅球的抑制性和 兴奋性细胞族群上会诱发振荡，嗅皮层和嗅球之间存在某种前馈和反馈连接，以及一些其 他特性。在此研究的基础上，“和h e r t z 建立了以嗅皮层和嗅球为主要组成部分的嗅觉模 型【2 4 】。 还有几类其他模型： 同步振荡模型，这类模型的研究比较多。b r o d y 等学者2 5 】利用m a e ( m a n y a r e e q u a l ) 11 浙江理工大学硕士学位论文 概念验证了：嗅觉系统利用僧帽细胞上特定族群的峰值同步来识别气味，并且对于在一定 范围浓度的气味，其同步性具有不变性。h o r c h o l l e b o s s a v i t 等学者利用动态神经滤波器， 即时空编码的二元模型，对蝗虫嗅觉系统的编码机制进行了研究1 2 6 】。 间隙连接模型，s i m o e s - d e - s o u z a 等为了研究嗅球层和嗅上皮层上间隙连接的影响， 建立了嗅球和嗅上皮的精细生理模型【2 7 1 ，这两种结构上都存在间隙连接，并对该模型进 行了分析研究。 上述模型都只是反映了嗅觉神经网络的几个局部特性，并没有从整个嗅觉神经网络的 角度进行分析建模。f r e e m a n 等在长期的神经生物学实验基础上，根据嗅觉系统的生理解 剖结构以及嗅觉系统各层次间不同神经元集合的电发放特性，建立了一套非线性神经网络 模型f 2 8 j ：k 系列模型和一组常微分方程，它更真实地模拟了整个嗅觉神经系统。 2 2 2 嗅觉神经网络k 系列模型及改进 k 系列模型是由f r e e m a n 提出的。经过大量的嗅觉生理实验，f r e e m a n 提出了一整套 用来描述嗅觉神经系统的模型。这个模型结合了神经生理学的许多知识，主要模拟了神经 元集合之间的功能性连接【2 9 】。 大脑是一个复杂的结构，它的神经元数量庞大，各神经元之间通过无数的突触进行联 系。各个神经元的行为特性取决于周围的突触联系的特性和它本身的特性【3 0 1 【3 i 】1 3 2 。目前 的科技水平还不能实现对大脑的所有神经元进行模拟，对这方面的研究工作主要是基于神 经团理论的【3 3 】【3 4 1 ，即认为相似的神经元组成的神经团具有相似的功能和一致的特性。在 这个理论的基础上，将整个嗅觉神经网络的各个层次进行了功能模块化。模块后的嗅觉神 经系统可以建立相应的数学模型，方便后续研究 3 s l1 3 6 。 “k 系列模型 的命名来历是由于其中的神经团间功能性连接是由k a t c h a l s k y 通过层 次拓扑结构来归类的，所以该系列模型被称为“k 系列模型” 3 7 】 3 s 】 3 9 】。 2 2 2 1嗅觉神经网络k 系列模型的数学基础 k 系列模型包括k 0 ，k i ，k i i ，k i i i 模型。k 系列模型是基于神经团理论的h o 】【4 1 】【4 2 】， 即认为相似神经元所组成的细胞团具有相似的功能和一致的特性，可以作为整个神经系统 中的组成模块。 在k 系列模型中，各单元的数学基本模型【4 3 】m 】【4 5 1 可以由如下方程描述： 浙江理工大学硕上学位论文 志r x ；c f ) + ( 口+ 6 ) z ( f ) + 口幸6 + 毛( f ) 】_ 善【q ( x j ( f ) ，g j ) + 吃f j ( q ( x j ( f ) g ) ，f ) 】+ ( f ) q c 毛g ，= 三。一p 一，一y 9 二三未c 2 - ， = l i l ( 1 一g h ：l o + l q ) ) 其中a 和b 分别是两个时间常数，根据大量实验得出【4 6 1 4 7 1 ，其值分别为0 2 2 0 m s e e 1 ， 0 7 2 0 m s e c 一1 ；薯( f ) 所代表的是第i 个神经团的电位变化状态；所代表的是相互连接的 两个神经团：i 、j 神经团之间的连接权；i i ( t ) 表示第i 个神经团上所接受的外部刺激； 厂( ，f ) 是一个线形函数；q ( x ，g ) 则是一个由h o d g l d n - h u x l e y 方程导出的非线性的s 型函 数【4 8 1 【4 9 jf 5 0 l ，如公式2 1 中所示。 k 系列的所有模型，都可以由公式2 1 来表示。由若干公式2 1 中的