神經網路定位演算法

⑴ 神經網路是什麼

神經網路是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。這種網路依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

生物神經網路主要是指人腦的神經網路，它是人工神經網路的技術原型。人腦是人類思維的物質基礎，思維的功能定位在大腦皮層，後者含有大約10^11個神經元，每個神經元又通過神經突觸與大約103個其它神經元相連，形成一個高度復雜高度靈活的動態網路。作為一門學科，生物神經網路主要研究人腦神經網路的結構、功能及其工作機制，意在探索人腦思維和智能活動的規律。

人工神經網路是生物神經網路在某種簡化意義下的技術復現，作為一門學科，它的主要任務是根據生物神經網路的原理和實際應用的需要建造實用的人工神經網路模型，設計相應的學習演算法，模擬人腦的某種智能活動，然後在技術上實現出來用以解決實際問題。因此，生物神經網路主要研究智能的機理；人工神經網路主要研究智能機理的實現，兩者相輔相成。

(1)神經網路定位演算法擴展閱讀：

神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。主要的研究工作集中在以下幾個方面：

1、生物原型

從生理學、心理學、解剖學、腦科學、病理學等方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。

2、建立模型

根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。

3、演算法

在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機模擬或准備製作硬體，包括網路學習演算法的研究。這方面的工作也稱為技術模型研究。

神經網路用到的演算法就是向量乘法，並且廣泛採用符號函數及其各種逼近。並行、容錯、可以硬體實現以及自我學習特性，是神經網路的幾個基本優點，也是神經網路計算方法與傳統方法的區別所在。

⑵ 抖音、快手、小紅書、今日頭條、百家號、知乎將展示用戶 IP 歸屬地，將帶來哪些影響

我認為抖音、快手、小紅書、今日頭條等憑條展示用戶IP歸屬地可以適當的減少網路暴力和擾亂社會的各種網路謠言，讓這些網路上的造謠者能夠不再像以前一樣可以在網路上肆無忌憚的發言，讓網路環境變得更加健康。

2、讓網路噴子們能感受到害怕

有的人在現實中往往是很寡言的人，而且很溫和，但是一旦到網路上卻成為了別人眼中的噴子「大神」！網路畢竟是虛擬的空間，很多人在現實中找不到存在感，所以都去網路上找存在感，因為網路上的一些話哪怕是說了，別人也不知道你是誰，這就讓噴子們可以在評論去各種留言，而現在現實IP歸屬，會讓這些人心裡害怕，不能再像以前一樣做一個匿名的噴子了！

3、讓水軍原形畢露

這些年網路上的水軍真的不少，水軍跟造謠者一樣會引導用戶的控評，很多不明緣由的用戶一看大部分人都是一個觀點的很自然就就會認為這個觀點是對的，所以也無腦的支持，但是現在這種情況就可以讓這些水軍們無處藏身，IP地址的展示將會讓他們的控評被大家所看到，而先要改變的額話，不僅成本要高，也會讓僱傭水軍的人感到「肉疼」。

網路不是不法之地，不管是水軍還是網路噴子其實都是身不正，影子也歪的，所以展示IP歸屬可以更好的讓這些在現實中不敢發表的言論現在也同樣會在網路上有所顧忌，這樣雖然不能一下子達到讓網路暴力消失，但是至少也會有不錯的減少效果。

⑶ 前景與背景差分得到的灰度圖像，如何將目標識別出來

嵌入式汽車身份自動識別系統

一、項目介紹
（研究目標、研究背景及現狀、工作原理和方案設想、計劃進度安排等）

見附錄。
二、項目自我評價
1、先進性：
在數字信息技術和網路技術高速發展的後PC時代，隨著嵌入式處理器性能的不斷提高，高性能的處理器已經能滿足復雜演算法應用和其他復雜功能應用，嵌入式將不可避免得走進各個領域。另一方面，伴隨著我國經濟的快速發展和北京奧運會的舉行，「交通智能化」將毋庸質疑的成為熱門話題。由於交通行業的特殊性，其對ITS設備的技術參數、使用條件都有苛刻的要求，而嵌入式恰好能夠滿足此要求，因此嵌入式智能交通設備的大范圍應用是必然趨勢。嵌入式汽車身份自動識別系統是智能化交通管理系統的重要組成部分，是嵌入式技術與汽車身份識別技術的完美結合，他涵蓋了嵌入式車牌識別、嵌入式車標識別以及汽車顏色識別三大主體功能，力求將汽車目標一次性鎖定。
它擁有以下優點：
1、高度獨立：使用嵌入式技術，僅通過通信介面與應用系統連接，獨立性高。
2、功能齊全：同時識別汽車車牌、車標及顏色，一次性鎖定目標，具有現有系統所沒有的強大功能。
3、可塑性強：前端可與信號觸發裝置等上游產品結合，末端內置無線網路及多種串口介面以便與下游產品結合。系統功能與使用范圍得到極大拓展。
4、易於維護：修理、維護僅涉及本系統而不影響其他模塊，維護成本遠低於同類產品。
5、便攜靈活：設備高度集成，小巧靈活，使用方便。

2、可操作性和可實現性：
目前，車牌識別、車標識別等技術日趨成熟與完善，相關資料較易獲取。現有的嵌入式技術也比較成熟。故，從技術難度上講該選題較於其他的前沿科學容易實現。選題所涉及的設備和材料也較易獲得，且成本適中。
3、創新點：
現有的車牌識別裝置一般使用電腦處理數據，有些甚至需要若乾颱電腦合作完成，佔用大量空間與資源。即使偶有由嵌入式完成的系統其功能也僅限於車牌識別或車標識別。本系統創造性地將嵌入式與車牌識別、車標識別以及汽車顏色識別相結合，一次性解決了目前設備體系臃腫、集成難度大、穩定性差，維護難，功能單一等問題。
4、可能存在的問題：
目前，主要問題是嵌入式集成度及無線傳輸的距離。我們所設想的理想情況是：針對現在大多使用電腦整機處理數據，設備靈活性差的缺點，開發出攜帶型、數據可無線傳輸的汽車身份識別系統。但是由於我們時間、精力和資金的限制，「便攜的程度」是目前最大的難題。另外車速與景深對圖像識別的影響問題也是我們可能會面對的難題。

三、預期成果

（成果的具體形式，如：申請專利、公開發表論文、製作科技實物（含軟體程序）等，可以同時有多種成果形式）

我們預計我們的實驗成果有以下幾個方面。
首先，我們計劃製作出科技實物，即確實地完成該嵌入式系統，拿出實實在在的成果。
第二，從我們對市場現狀的分析來看，該嵌入式汽車身份識別系統的市場前景非常樂觀，故可以將我們的產品申請專利並投入市場進行生產。
第三方面，由於汽車顏色、車牌、車標的組合識別還沒有合適的演算法，所以在完成本系統的過程中我們不可避免的要完成演算法設計，而這部分成果可以通過公開發表論文的形式進行展示。
因為我們計劃完成一個系統，所以我們需要同時完成該系統的硬體和軟體兩個部分。從大的角度來看，軟體及演算法部分的成果可以通過論文發表，而硬體方面的成果則可以通過投入生產和申請專利來體現。無疑，我們的成果形式會比只做軟體部分或者只做硬體部分的選題多。這也是我們的一大優勢。
實驗環境要求
經費預算 內容 用途 預算金額 預計執行時間
CCD攝像部分 前端圖像的獲取，購買攝像頭或攝像機 3000 07.12~ 08.2月
輔助光源 針對特殊環境進行光線補充 1500 07.12~ 08.2月
圖像採集卡 模擬信號數字化 2500 07.12~ 08.2月
嵌入式系統硬體設施 圖像的處理 4000 08.3~ 08.10月
硬碟錄像機 視頻信息的存儲 2500 08.10~ 08.12月
顯示裝置 輸出圖像識別結果 1500 08.12~ 09.2月
無線收發或有線傳輸裝置 信息的傳輸 2500 09. 2~ 09.3月
機械加工 機械零件組裝成樣機 2000 最後階段
合計：19500元
學院審批意見
專家委員會評審意見
學校審批意見
附錄一：選題的現狀、背景及意義
自1885年，世界上第一台汽車誕生至今，汽車為我們日常工作與生活的帶來了翻天覆地的影響。一百多年來，汽車以其價格低廉，操作方便等優勢逐漸被大眾所接受，走入了千家萬戶。在我國，每年都有許多人加入有車一族。隨之而來的自然是越來越快捷方便的生活方式以及由此引發的一系列問題：汽車盜竊案每年逾萬，交通事故時有發生……無疑，汽車需要規范管理。現在，我國的大部分汽車管理工作都是由人來操作完成的。不難想像，面對越來越龐大的汽車隊伍，人工操作明顯的力不從心。所以「交通智能化」將成為未來交通管理的必然趨勢。
要實現交通智能化怎麼可以沒有「汽車身份」的識別呢。早在上個世紀九十年代初，汽車身份識別已經引起了全世界的廣泛重視，人們開始研究有關汽車身份證——汽車牌照自動識別的相關問題。幾年後，汽車的另一個重要的身份象徵——汽車標志識別也成為了熱門話題。車牌識別的一般途徑為：採用計算機圖象處理技術對車牌進行分析後自動提取車牌信息以確定車牌號。車標識別則基於邊緣直方圖和模板匹配相關系數混合的演算法。目前車牌與車標識別的理論已經成熟，離線演算法識別率已經達到較高的水平，同時正向著集成化、智能化方向發展。
在智能化交通管理系統中，汽車身份識別相當於vc++中的「基類」地位，即智能化交通管理系統中的其他子模塊需要在汽車身份識別的基礎上進行繼承和發展。所以我們認為，汽車身份識別要求較高的集成度，最好能由可以嵌入到其他系統中的、集成度高的模塊來完成，如單片機、CPLD。而現階段的汽車身份識別大部分卻是依靠計算機來完成的。
另外，由於汽車身份識別的「基類」定位，使用時對「能否唯一的鎖定汽車」以及「能否很快地判定是哪輛車」就有了一定的要求。而現階段的汽車身份識別卻僅依靠單純的識別車牌來完成。市場上存在的也多是車牌或是車標的單獨識別系統，將二者結合的系統則非常罕見。而這些單一的系統顯然很難達到真正的識別鎖定汽車身份的目的。
結合智能化交通管理系統的要求，現今汽車身份識別的現狀以及二者的發展趨勢，我們小組選擇了嵌入式汽車身份自動識別系統作為我們本次創新實驗計劃的選題。我們計劃以嵌入式完成汽車身份識別後，將處理完的數字信息傳遞到智能化交通管理系統的其他模塊中。用嵌入式代替電腦處理汽車身份識別將大大提高智能化交通管理系統的集成度，降低成本。區別於單一的識別系統，我們設計完成的汽車身份識別系統將車牌識別與車標識別相結合，並輔以汽車顏色識別。同時識別，同時輸出，從而從多方面判斷並鎖定汽車，力求達到萬無一失。從而極大地方便了該系統在各個領域的使用。
公安交管領域，該嵌入式汽車身份自動識別系統可被應用在交管系統中。將本產品嵌入到用來測速、測超載的其他交通設施中，就可以完成一系列的管理工作；與終端電腦處理系統相連，傳輸的是已經經過處理的數字信息而非圖片信息，大大節省了終端電腦的處理時間和內存空間，提高反應速度與處理效率，有效解決交管領域人手不足的現狀。
在園區車輛管理方面，本嵌入式汽車身份自動識別系統將留有埠，使其可以與園區的業主入住時所登記的汽車信息庫相連。在園區大門處，安裝我們的車牌自動識別系統，以對進出車輛自動識別，然後將數據傳到資料庫並根據資料庫中的車牌數據判斷是否是園區內的車輛，然後分情況處理。這將大大增加園區汽車的安全系數，而使用該系統的成本遠低於使用電腦處理的系統的成本。
關於停車場管理，我們的嵌入式車牌自動識別系統可以完成智能化管理過程。將系統安裝在停車場的出、入口處，用來對進出停車場的車輛進行自動識別，而處理後的數據將傳入終端電腦，由終端電腦結合傳入的信息與資料庫判斷是否屬已買（或租）車位的車輛做出相應處理。
綜上，我們有理由相信我們計劃完成的嵌入式車牌自動識別系統可以在未來的交通智能化管理系統中發揮舉足輕重的作用，是值得去研究和探索的。

附錄二：工作原理及方案設想
本汽車身份識別系統包含車牌識別、車色以及車標的識別，本系統將使用嵌入式系統完成此三部分的識別。由於我們剛接觸這部分內容，所以想法不是很成熟。
下面將分車牌識別與車色、車標識別以及嵌入式三個部分介紹我們的工作原理和方案。

第一部分：車牌識別
1、總體結構

車牌自動識別系統主要分為三大模塊:（1）觸發：即前端設備的數據入口處，如測速系統等。(2)圖像處理部分：分為圖像採集、車牌定位、字元分割和字元識別四部分。(3)無線傳輸系統將所處理得的數據傳送至後端應用系統，如交通違規管理系統，只能停車場系統，安檢系統等。
2、演算法部分
①前端CCD攝像機：
原始圖像獲取
由CCD攝像機及輔助照明裝置組成。獲取圖像質量的好壞直接影響到後端處理和識別的效果. 要獲得比較清晰的圖像, 需要考慮許多影響圖像質量的因素, 主要包括: 攝像頭和圖像卡的選取, 攝像機的位置標定, 汽車的車速, 出入單位的汽車車隊之間的距離, 天氣、光線等情況對攝像機所攝圖像曝光量的影響。
判斷是否有車輛進入觀測區
採用圖像差值法來判斷監測區是否有目標進入，即首先將視頻圖像灰度化，然後比較兩幅圖像對應像素點的灰度值，看是否有變化以及變化有多少。
圖像差分只能測定監測區中是否有物體經過，但它是否交通車輛，尚未可知。鑒於圖像差分所產生的雜訊、行人、自行車比汽車所佔區域小得多，設計尺度濾波器將尺度較小的物體及雜訊濾掉。
②車牌定位及預處理
左圖為車牌定位的主要演算法。完成基本的車牌定位後，還需要對車牌進行一些基本的預處理。包括傾斜矯
正與鉚釘和邊框的去除。
I、車牌字元的傾斜矯正
車牌字元分割的難點在有些車牌是傾的，直接分割效果不好，需要做校正。首先求出車牌的傾斜率，根據此斜率對車牌做旋轉校正。
II、車牌邊框和鉚釘的去除
先驗知識：對於標准車牌，字元間間距為12mm，第2、3個字元間間距為34mm，其中，中間小圓點l0mm寬，小圓點與第2、3個字元間間距分別為12mm。在車牌邊框線的內側，通常有四個鉚釘，他們不同程度地與第2個字元或第6個字元粘連，如果不去除鉚釘，將給第2和第6在字元的識別造成困難。
將車牌圖像進行二值化後，圖像僅黑、白二值。白色像素點(灰度值255)取1，黑色像素點(灰度值0)取0，這里採用的是白底黑字模式。對車牌圖像逐行進行從內向外式掃描，當掃描到車牌圖像某一行中，白色像素點的寬度大於某一閥值時(第一個符合條件的行)，則認為是車牌字元的邊沿處，切除這一行以上或以下的所有行。
③車牌字元分割
右圖為車牌
字元分割的主要
演算法。
在此，由於
我們的知識有限
就不對這些演算法
做具體介紹了。

④字元識別方法
字元
識別是車
牌識別的
核心部分。
常見的車
牌字元識
別演算法包
括六種。
我們將他
們羅列在
右圖中。
其中，我們比較感興趣的是基於神經網路的字元識別演算法。下面，我們具體介紹兩種比較簡單且普遍的演算法以及基於神經網路的字元識別演算法。
I、模板匹配車牌字元識別
中國車牌的字元模板分為漢字、英文字母和數字模板，由統計方法構造並保存到資料庫中。模板匹配是將字元模板和標准化了的車牌字元進行匹配來識別字元。
II、特徵匹配車牌字元識別
車牌識別的方法中，可利用的字元特徵很多，大致可以分為結構特徵、象素分布特徵及其他特徵。
在這里，我們擬重點突破神經網路法，因為人工神經網路技術具有非線性描述、大規模並行分布處理能力、高度魯棒性和自學習與聯想等特點，適用於非線性時變大系統的模擬與在線控制。具體步驟如下圖所示：
此外，我們還會嘗試將各種演算法結合起來，以揚長避短，如：將遺傳演算法與人工神經網路結合起來，既能利用遺傳演算法能並行計算且能快速、全局搜索的優點又能克服神經網路固有的搜索速度慢且易陷入局部旱熱的缺點等。
由於我們還在大學二年級學習專業基礎課程，對圖像處理的最新演算法還不夠了解，我們會在實際操作過程中，選擇一種最優的方案並且結合我們的系統特徵提出改進意見。

第二部分：車色以及車標識別
①、車身顏色識別
顏色特徵具有對圖像本身的尺寸、方向、視角等依賴小、魯棒性高等優點，因此在基於內容的圖像索引技術和智能交通系統以及眾多的I業(如造紙、紡織、印刷等)系統中有著極其重要的應用。長期以來，由於各種原因，人們提出了數量眾多的彩色空間模型，主要可分為三類:第一類是基於人類視覺系統(HumanV isionS ystem,H VS)的彩色空間，它包括RGB,H SI,M unsell彩色空間等；第二類是基於特定應用的彩色空間，它包括電視系統中所採納的YUV和YIQ、攝影行業如柯達的YCC、列印系統的CMY (K)彩色空間；第三類是CIE彩色空間(包括CIE XYZ, CIE Lab和CIE Luv等)。這些彩色空間各有優缺點，它們在各自的領域里發揮了重要的作用。
我們擬採用RGB彩色空間完成我們的系統。RGB彩色空間在計算機相關領域里應用廣泛，例如用於常見的CRT顯示器等。在RGB彩色空間中，各彩色值用R、G、B三通道值的組合來共同表示，而其相應的通道值是通過圖形採集卡或者CCD感測器等類似器件中的光感受器來獲得的。其中，各通道值用入射光及其相應光感受器的光敏函數值之和來表示:
R=
G=
B=
其中，S (A)是光譜，R(A)、G(A)和B(A)分別是R,G,B感測器的靈敏度函數。從上式可以看出，該彩色空間是設備相關的，它與具體捕獲設備的光敏函數相關。然而，由於RGB值易於獲得和在計算機中計算和表示，因此通常可以用來表示其他各彩色空間，即把RGB值轉換為其他彩色空間值。RGB彩色空間的標准色差定義為：
）
由於不同的彩色對人主觀感受的影響不同，為了更好的表示色差，在本顏色識別子系統中使用經驗色差公式：

對於我們擬設計的車身顏色識別系統主要分以下四大步驟完成車身顏色識別
1．識別區域的選取
為了准確識別出車身顏色，識別區域的選取至關重要。本實驗選取車臉前部靠近排氣扇的部分

2．顏色直方圖計算
對所選區域，計算出現次數最多的顏色。在實際應用中，由於其他彩色空間模型的分量值均可用RGB值來表示，為了計算簡便，在計算顏色直方圖時可僅針對RGB彩色空間模型進行。
3．色差計算
根據相應彩色空間模型的色差計算公式，計算其與 顏色模板間的色差。
4、顏色識別
在得到樣本色與標准色在各個彩色空間模型中的對應色差後，就可以根據其結果進行顏色識別。即選取前一步計算得到的色差中的最小值，作為識別結果。

②、車標識別部分
毋庸質疑，車牌和車標的自動、實時識別是運動車輛類型精確識別系統中至關重要的兩個部分。目前人們已經提出了眾多的車牌定位演算法，主要可以分為兩大類:基於黑白圖像的車牌定位演算法和基於彩色圖像的車牌定位演算法。基於黑白圖像的車牌定位演算法又可以分為多類，如基於特徵的車牌定位演算法基於自適應能量濾波的車牌定位演算法，基於小波變換和形態學處理相結合的車牌定位演算法，基於二值投影的車牌定位演算法，以及基於遺傳演算法的車牌定位演算法等。
這些車牌定位演算法各有優缺點，但他們都可以在一定程度上作為車標定位的參考。
車標定位與識別無論在國內還是國外都是一個較為嶄新的領域。由於車標本身固有的特殊性：目標小、相似性大、受尺寸和光照影響大、背景不統一，以及不同汽車公司的車標形狀大小不一致等，使得其精確定位識別成為一個難點。
我們將車標識別分為以下幾個主要步驟:
(l)車牌定位:根據車牌的紋理特徵，基於多解析度分析快速獲取車牌區域 ；
(2)車頭定位:根據車頭區域能量較高且較為集中的特點，通過OTSU二值化演算法 進 行 圖像二值化，然後利用二值投影，並結合車牌位置信息進行車頭快速定位 ；
(3)中軸定位:在車頭區域內，根據軸對稱性定位車頭中軸；
(4)車標粗定位:在定位出車頭的基礎上，根據車標與車牌的先驗知識，得到車標經驗搜矩形；
(5)車標精確定位:在第(4)步的基礎上，利用車標紋理特徵進行車標的精確定位。主要包括兩步:一是根據車標區域在垂直方向上具有能量高且相對集中的特點，利用能量增強和自適應形態學濾波進行車標的一次定位；二是利用改進的模板匹配演算法進行車標的精確定位。車標識別系統是運動車輛識別系統中的重要組成部分，與車牌識別一樣，它也包括了定位和識別兩項關鍵技術。

上圖為車標識別系統結構示意圖，與典型的目標識別系統一樣，它包括了離線的訓練過程和在線的識別過程。在訓練過程中，首先將手工採集得到的車標樣本進行圖像歸一化、尺度歸一化等預處理，然後分別進行模板提取以得到車標標准模板庫。車標標准模板庫中的模板不僅用於車標定位，還用於進行特徵提取以得到車標特徵模型庫用於車標識別。在定位過程中，除了輸入汽車圖像外，還需輸入車牌的位置信息。這是因為各類車標不具有穩定的紋理特徵，且大小、形狀各不相同，所以在復雜的背景下直接利用特徵匹配或模板匹配進行車標定位是非常困難的。因此必須利用車牌位置、車輛對稱性等先驗信息進行粗定位，在此基礎上再利用相關圖像處理技術和模板匹配進行精確定位。車標定位以後，車標識別問題就轉化為一個2D形狀的識別問題，這可以通過模板匹配的方法實現。但是在實際採集的圖像中，往往存在光照、雜訊、部分遮擋和形狀相似等問題的影響，常規的模板匹配方法難以達到滿意的識別效果。因此通常還需要一種合適的特徵提取和識別方法來輔助進行車標識別，以提高系統的識別率。

第三部分：嵌入式
按照歷史性、本質性、普遍性要求，嵌入式系統應定義為：「嵌入到對象體系中的專用計算機系統」。「嵌入性」、「專用性」與「計算機系統」是嵌入式系統的三個基本要素。對象系統則是指嵌入式系統所嵌入的宿主系統。
嵌入式系統的核心是嵌入式微處理器，它有4個優點：
(1) 對實時和多任務有很強的支持能力，能完成多任務並且有較短的中斷響應時間，從而使內部的代碼和實時操作系統的執行時間減少到最低限度；
(2) 具有功能很強的存儲區保護功能。
(3) 可擴展的處理器結構，可以迅速地擴展出滿足應用的高性能的嵌入式微處理器；
(4) 嵌入式微處理器的功耗很低，尤其是用於攜帶型的無線及移動的計算和通信設備中靠電池供電的嵌入式系統更是如此，功耗只能為 mW甚至μ W級，這對於能源越來越稀缺昂貴的時代，無疑是十分誘人的。
另外，嵌入式實時操作系統提高了系統的可靠性。這些都值得我們去做一個嵌入式車牌識別系統。
考慮到通常車牌以及車標識別演算法的運算量大，同時又要滿足實時性要求。因此，我們准備採用32位ARM嵌入式微處理器作為核心單元，以CPLD作為時序控制單元，採用基於ARM 9 S3C 241 C的嵌入式圖像採集處理系統，在內嵌Linux操作系統的草礎上，充分利用了ARM器件體積小、能力強以及功耗低的特點，實現並行數據匯流排/USB日介面圖像接入、圖像快速處理、圖像信息的本地壓縮存儲和IP化數數據傳輸。該系統可使整個系統簡化電路並且減少佔用資源。
系統設計構成
整個系統由USB圖像採集子系統，ARM處理子系統和網路數據傳輸子系統成攝像頭採集現場視頻數據通過U SB傳輸至ARM處理板;ARM處理板內嵌Linux操作系統，採用快速圖像演算法對圖像序列進行處理，並根據處理結果採取相應的措施;網路傳輸子系統可以處理數據上傳監控中心做進一步後續處理，系統結構下圖所示。

ARM圖像處理子系統擬採用S3C 2410處理器，能滿足圖像處理速度的要求；USB圖像接入，可以保證圖像傳輸速度;擴展64M SD RAM與64M Flash,大容量的RAM能夠保存多幅圖像，便於圖像的分析與處理;無線網路介面實現了數據信息的網路化管理。
當然，以上只是我們的初步設想這些設想都將在我們以後的大量實驗過程中得到論證和優化！

附錄三：計劃進度與安排
計劃進度安排：
1.用約15天時間買一些實驗所需的基本用品。
2.利用課余時間學習所需知識。
3.用約七個月時間完成編程，解決軟體方面問題。
4.用約一年完成硬體方面，並製作樣機。
5.初步檢查，花費約一個月。
6.以六個月時間調試樣機，發現缺陷並修正。反復試驗，直至達到一個令人滿意的水平。
綜上，我們是計劃用兩年左右的時間拿下這個項目。當然，以上只是大體計劃，以後會隨實驗的實際進度進行適當調整。

⑷ 神經網路演算法是什麼

Introction
--------------------------------------------------------------------------------

神經網路是新技術領域中的一個時尚詞彙。很多人聽過這個詞，但很少人真正明白它是什麼。本文的目的是介紹所有關於神經網路的基本包括它的功能、一般結構、相關術語、類型及其應用。

「神經網路」這個詞實際是來自於生物學，而我們所指的神經網路正確的名稱應該是「人工神經網路（ANNs）」。在本文，我會同時使用這兩個互換的術語。

一個真正的神經網路是由數個至數十億個被稱為神經元的細胞（組成我們大腦的微小細胞）所組成，它們以不同方式連接而型成網路。人工神經網路就是嘗試模擬這種生物學上的體系結構及其操作。在這里有一個難題：我們對生物學上的神經網路知道的不多！因此，不同類型之間的神經網路體系結構有很大的不同，我們所知道的只是神經元基本的結構。

The neuron
--------------------------------------------------------------------------------

雖然已經確認在我們的大腦中有大約50至500種不同的神經元，但它們大部份都是基於基本神經元的特別細胞。基本神經元包含有synapses、soma、axon及dendrites。Synapses負責神經元之間的連接，它們不是直接物理上連接的，而是它們之間有一個很小的空隙允許電子訊號從一個神經元跳到另一個神經元。然後這些電子訊號會交給soma處理及以其內部電子訊號將處理結果傳遞給axon。而axon會將這些訊號分發給dendrites。最後，dendrites帶著這些訊號再交給其它的synapses，再繼續下一個循環。

如同生物學上的基本神經元，人工的神經網路也有基本的神經元。每個神經元有特定數量的輸入，也會為每個神經元設定權重（weight）。權重是對所輸入的資料的重要性的一個指標。然後，神經元會計算出權重合計值（net value），而權重合計值就是將所有輸入乘以它們的權重的合計。每個神經元都有它們各自的臨界值（threshold），而當權重合計值大於臨界值時，神經元會輸出1。相反，則輸出0。最後，輸出會被傳送給與該神經元連接的其它神經元繼續剩餘的計算。

Learning
--------------------------------------------------------------------------------

正如上述所寫，問題的核心是權重及臨界值是該如何設定的呢？世界上有很多不同的訓練方式，就如網路類型一樣多。但有些比較出名的包括back-propagation, delta rule及Kohonen訓練模式。

由於結構體系的不同，訓練的規則也不相同，但大部份的規則可以被分為二大類別 - 監管的及非監管的。監管方式的訓練規則需要「教師」告訴他們特定的輸入應該作出怎樣的輸出。然後訓練規則會調整所有需要的權重值（這是網路中是非常復雜的），而整個過程會重頭開始直至數據可以被網路正確的分析出來。監管方式的訓練模式包括有back-propagation及delta rule。非監管方式的規則無需教師，因為他們所產生的輸出會被進一步評估。

Architecture
--------------------------------------------------------------------------------

在神經網路中，遵守明確的規則一詞是最「模糊不清」的。因為有太多不同種類的網路，由簡單的布爾網路（Perceptrons），至復雜的自我調整網路（Kohonen），至熱動態性網路模型（Boltzmann machines）！而這些，都遵守一個網路體系結構的標准。

一個網路包括有多個神經元「層」，輸入層、隱蔽層及輸出層。輸入層負責接收輸入及分發到隱蔽層（因為用戶看不見這些層，所以見做隱蔽層）。這些隱蔽層負責所需的計算及輸出結果給輸出層，而用戶則可以看到最終結果。現在，為免混淆，不會在這里更深入的探討體系結構這一話題。對於不同神經網路的更多詳細資料可以看Generation5 essays

盡管我們討論過神經元、訓練及體系結構，但我們還不清楚神經網路實際做些什麼。

The Function of ANNs
--------------------------------------------------------------------------------

神經網路被設計為與圖案一起工作 - 它們可以被分為分類式或聯想式。分類式網路可以接受一組數，然後將其分類。例如ONR程序接受一個數字的影象而輸出這個數字。或者PPDA32程序接受一個坐標而將它分類成A類或B類（類別是由所提供的訓練決定的）。更多實際用途可以看Applications in the Military中的軍事雷達，該雷達可以分別出車輛或樹。

聯想模式接受一組數而輸出另一組。例如HIR程序接受一個『臟』圖像而輸出一個它所學過而最接近的一個圖像。聯想模式更可應用於復雜的應用程序，如簽名、面部、指紋識別等。

The Ups and Downs of Neural Networks
--------------------------------------------------------------------------------

神經網路在這個領域中有很多優點，使得它越來越流行。它在類型分類/識別方面非常出色。神經網路可以處理例外及不正常的輸入數據，這對於很多系統都很重要（例如雷達及聲波定位系統）。很多神經網路都是模仿生物神經網路的，即是他們仿照大腦的運作方式工作。神經網路也得助於神經系統科學的發展，使它可以像人類一樣准確地辨別物件而有電腦的速度！前途是光明的，但現在...

是的，神經網路也有些不好的地方。這通常都是因為缺乏足夠強大的硬體。神經網路的力量源自於以並行方式處理資訊，即是同時處理多項數據。因此，要一個串列的機器模擬並行處理是非常耗時的。

神經網路的另一個問題是對某一個問題構建網路所定義的條件不足 - 有太多因素需要考慮：訓練的演算法、體系結構、每層的神經元個數、有多少層、數據的表現等，還有其它更多因素。因此，隨著時間越來越重要，大部份公司不可能負擔重復的開發神經網路去有效地解決問題。

NN 神經網路，Neural Network
ANNs 人工神經網路，Artificial Neural Networks
neurons 神經元
synapses 神經鍵
self-organizing networks 自我調整網路
networks modelling thermodynamic properties 熱動態性網路模型

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
網格演算法我沒聽說過
好像只有網格計算這個詞

網格計算是伴隨著互聯網技術而迅速發展起來的，專門針對復雜科學計算的新型計算模式。這種計算模式是利用互聯網把分散在不同地理位置的電腦組織成一個「虛擬的超級計算機」，其中每一台參與計算的計算機就是一個「節點」，而整個計算是由成千上萬個「節點」組成的「一張網格」， 所以這種計算方式叫網格計算。這樣組織起來的「虛擬的超級計算機」有兩個優勢，一個是數據處理能力超強；另一個是能充分利用網上的閑置處理能力。簡單地講，網格是把整個網路整合成一台巨大的超級計算機，實現計算資源、存儲資源、數據資源、信息資源、知識資源、專家資源的全面共享。

⑸ 現在很多工程項目都用車牌識別系統，我想問一下車牌識別系統的原理是什麼

核心演算法：從六個步驟來提取我們抓拍的車牌信息，第一：圖像捕捉採集、第二：車牌定位、第三：預處理、第四：字元分割、第五：字元識別、第六：輸出車牌識別一體機抓拍的結果。以上步驟里包含了數字形態學運演算法，字元串分割等演算法。

對同業興創停車場的車輛車牌快速抓拍捕捉確定位置，根據車牌顏色，數字，和字母精準識別分割，提取信息並儲存到電腦里，方便車輛出場時調用時間信息來計算費用，這樣的演算法准確，高效避免出入口擁堵現象的發生，300萬像素的高清晰CMOS圖像感測器，高性能DSP為圖像處理核心，內置控制CPU，多項新的技術可對圖像編碼、處理分析等起到重大作用。

整體結構及設計理念：一體機外形採用槍型機，結構採用嵌入式抓拍機的布局格式，集成度高,專業用於停車場收費車道的工業級車牌識別一體機，整體的設計裡面做到了三防，分別是防水、防塵、防震動，即使在惡劣的外界環境下也依然保持很高的識別准確率。

(一體機內部結構)

自動收費軟體：界面操作簡單易學，格局分布明確、視覺感強，支持多種傳輸協議：ICP、UDP、FTP、TFTP格式，機身自帶64G內存，可存儲jpg格式圖像高達30000多張。採用H.264視頻圖像高壓技術,對每天，每季度，年收費得出明細方便日後查看、核查，支持軟體升級功能實現人臉識別技術。

一體機特點：系統可以全天不間斷工作、不會疲勞、錯誤率極低，自動調節拍攝車牌時照成白平衡，色彩對比度不合理情況，將車牌識別設備安裝於出入口，記錄車輛的牌照號碼、出入時間，並與地感線圈，欄桿機起降的控制完美結合，實現車輛的自動管理。節省人力、提高效率。

一體機工作性能：實現在低照度彩色攝像機的基礎上，通過軟體的功能，把圖像中最亮的部分遮擋。一般可將大燈的強光遮擋，從而將車牌較清晰的抓拍下來，寬動態功能：這是解決車燈對於抓拍影響的最好的辦法，當背景光過亮時，能夠自動調節白平衡，並且在斷電的時候還可以繼續上傳的功能。

⑹ 神經網路演算法用於無源定位

GPS不就是你這樣的實物么。

⑺ 人臉識別通過什麼識別知乎

人臉識別是什麼
人臉識別是什麼？人臉識別特指利用分析比較人臉視覺特徵信息進行身份鑒別的計算機技術。人臉識別是一項熱門的計算機技術研究領域，它屬於生物特徵識別技術，是對生物體(一般特指人)本身的生物特徵來區分生物體個體。
廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術，包括人臉圖像採集、人臉定位、人臉識別預處理、身份確認以及身份查找等;而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術或系統。
生物特徵識別技術所研究的生物特徵包括人臉、指紋、手掌紋、掌型、虹膜、視網膜、靜脈、聲音(語音)、體形、紅外溫譜、耳型、氣味、個人習慣(例如敲擊鍵盤的力度和頻率、簽字、步態)等，相應的識別技術就有人臉識別、指紋識別、掌紋識別、虹膜識別、視網膜識別、靜脈識別、語音識別(用語音識別可以進行身份識別，也可以進行語音內容的識別，只有前者屬於生物特徵識別技術)、體形識別、鍵盤敲擊識別、簽字識別等。
幾何特徵的人臉識別方法
幾何特徵可以是眼、鼻、嘴等的形狀和它們之間的幾何關系(如相互之間的距離)。這些演算法識別速度快，需要的內存小，但識別率較低。
基於特徵臉(PCA)的人臉識別方法
特徵臉方法是基於KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優正交變換。高維的圖像空間經過KL變換後得到一組新的正交基，保留其中重要的正交基，由這些基可以轉成低維線性空間。如果假設人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特徵矢量，這就是特徵臉方法的基本思想。這些方法需要較多的訓練樣本，而且完全是基於圖像灰度的統計特性的。目前有一些改進型的特徵臉方法。
神經網路的人臉識別方法
神經網路的輸入可以是降低解析度的人臉圖像、局部區域的自相關函數、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓練，而在許多應用中，樣本數量是很有限的。
彈性圖匹配的人臉識別方法
彈性圖匹配法在二維的空間中定義了一種對於通常的人臉變形具有一定的不變性的距離，並採用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特徵向量，用來記錄人臉在該頂點位置附近的信息。該方法結合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對於單個人也不再需要多個樣本進行訓練。
線段Hausdorff 距離(LHD) 的人臉識別方法
心理學的研究表明，人類在識別輪廓圖(比如漫畫)的速度和准確度上絲毫不比識別灰度圖差。LHD是基於從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD並不建立不同線段集之間線段的一一對應關系，因此它更能適應線段圖之間的微小變化。實驗結果表明，LHD在不同光照條件下和不同姿態情況下都有非常出色的表現，但是它在大表情的情況下識別效果不好。
支持向量機(SVM) 的人臉識別方法
近年來，支持向量機是統計模式識別領域的一個新的熱點，它試圖使得學習機在經驗風險和泛化能力上達到一種妥協，從而提高學習機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉化成一個高維的線性可分的問題。通常的實驗結果表明SVM有較好的識別率，但是它需要大量的訓練樣本(每類300個)，這在實際應用中往往是不現實的。而且支持向量機訓練時間長，方法實現復雜，核函數的取法沒有統一的理論。

⑻ 程良倫的發表論文

1. 古連華,程良倫,ZHU Quan-Min, Aμ-MAC:一種自適應的無線感測器網路MAC協議[J]. 自動化學報,2010,(1).
2. 黃曼;程良倫.基於蟻群優化的WSN功率自適應路由演算法[J/OL].計算機工程,,():1[2011/7/11].
3. 黃帥,程良倫. 一種基於虛擬力的有向感測器網路低冗餘覆蓋增強演算法[J]. 感測技術學報,2011,(3).
4. 彭蓓雷,程良倫. 一種節點任務活動狀態感知的改進型S-MAC協議[J]. 感測器與微系統,2011,(5).
5. 劉洪濤,程良倫. 基於DHT的物聯網命名服務體系結構研究[J]. 計算機應用研究,2011,(6).
6. 劉洪濤,程良倫. 基於優先順序的服務區分和速率控制策略[J]. 計算機應用,2011,(6).
7. 張小波,程良倫. Web Service在企業集成中的安全應用[J]. 計算機應用與軟體,2011,(6).
8. 陳聰傳,程良倫. 區域細化的RFID室內定位演算法[J]. 計算機應用與軟體,2011,(1).
9. 范富明,程良倫. TFT-LCD檢測中基於激光三角法的顯微鏡離焦快速在線檢測及補償[J]. 中國激光,2011,(2).
10. 馮芳,程良倫. 一種高節能多跳分層路由協議[J]. 自動化儀表,2011,(2).
11. 任斌,程良倫. 多項式光滑的支持向量回歸機[J]. 控制理論與應用,2011,(2).
12. 林觀康,程良倫. 基於地理信息靜態分簇的無線感測器網路路由演算法[J]. 計算機應用與軟體,2011,(2).
13. 謝曉松,程良倫. 感測器網路基於移動信標改進的DV-Hop定位演算法[J]. 計算機應用與軟體,2011,(4).
14. 謝曉松,程良倫. 無線感測器網路基於移動信標動態選擇的定位演算法[J]. 感測器與微系統,2011,(1).
15. 湯子隆,程良倫. 一種新的支持移動Sink的多媒體感測器網路路由協議[J]. 感測器與微系統,2011,(3).
16. 任斌,程良倫. 基於RSPHL演算法的圓形標志定位方法[J]. 計算機工程,2011,(5).
17. Ren Bin,Cheng Lianglun. Polynomial Smooth Epsilon-support Vector Regression Based on Hermite Interpolation[J], Journal of Computational Information Systems, 2010, 6(13): 4523-4532
18. Ren Bin, Cheng Lianglun. Research on smoothing support vector regression based on Cubic Spline Interpolation[C]，2010 International Conference on Image Processing and Pattern Recognition in Instrial Engineering：78201G
19. Yuechao Wang, Lianglun Cheng. Mobile Agent for Medium and High Rate WSN, Computer Application and System Modeling (ICCASM), 2010 International Conference. 2010 , V12, 333-337.
20. Yuechao Wang, Lianglun Cheng. MILR: Itinerary Planning for Mobile Agents Based MHWSN, 2011 3nd International Conference on Computer and Network Technology (ICCNT 2011), V20:566-568.
21. Yuechao Wang, Lianglun Cheng. Event-triggered Time Synchronization Algorithm in Medium and High Rate WSN. Applied Mechanics and Materials. 2011 International Conference on Mechatronic Systems and Automation Systems (MSAS 2011).
22. Yuechao Wang, Lianglun Cheng. Prioritizing based congestion control in MHWSN, Procedia Engineering. 2011 International Conference on Advanced in Control Engineering and Information Science(CEIS 2011).
23. SHEN Jianfang, CHENG Linaglun. Implementation of Program Behavior Anomaly Detection and Protection Using Hook Technology, 2009 WRI International Conference on Communications and Mobile Computing ,2009.
24. SHEN Jianfang, CHENG Linaglun. Adaptive Contention Window MAC Protocol for Middle and High Rate Sensor Networks Based on Cross-layer. Procedia Engineering (ISSN:1877-7058),EI期刊
25. Xiaobo Zhang, Lianglun Cheng, Quanmin Zhu. Study of RFID Indoor Location Algorithm Based on Region Division. Journal of Information and Computational Science.2010,7(14):3051-3058.
26. Xiaobo Zhang, Lianglun Cheng, Quanmin Zhu. Improvement of Filtering Algorithm for RFID Middleware Using KDB-Tree Query Index. Journal of Software
27. Lun Yong-Liang,Cheng Liang-lun.A RFID Security Authentication Protocol Based on the Public and Tag Key[C]. the 3nd International Conference on Computer and Network Technology (ICCNT 2011), V20.
28. Yongliang Lun,Lianglun Cheng. The Research on the Framework of Cyber-Physical Systems for the Reliable Sensing and Optimization Scheling [J].Applied Mechanics and Materials
29. Yongliang Lun,Lianglun Cheng.The research on the model of the context-aware for reliable sensing and explanation in Cyber-Physical System[J].Procedia Engineering.
30. 鄧潔,程良倫,大規模無線感測器網路多優先順序自適應分簇路由協議[J]. 感測器與微系統,2010,(8).
31. 程良倫,江偉歡,SMD缺陷檢測中快速圖像匹配演算法研究[J]. 計算機應用與軟體,2010,(11).
32. 姜鈞,程良倫,黃帥,一種檢測薄膜晶體管液晶屏的自動對焦方法[J]. 激光與紅外,2010,(12).
33. 湯子隆,程良倫,一種新的基於地理信息的多媒體感測器網路路由協議[J]. 計算機應用與軟體,2010,(12).
34. 肖磊,程良倫,范富明,TFT-LCD面板反射的能量對光斑圖像的影響[J]. 微型機與應用,2010,(21).
35. 申建芳,程良倫,基於區分服務的自適應跨層調度演算法[J]. 計算機工程,2010,(18).
36. 衷柳生,程良倫,基於區分服務的無線多媒體感測器網路QoS路由協議[J]. 計算機應用研究,2010,(11).
37. 馮芳,程良倫,無線感測器網路中一種新的基於神經網路的自適應路由演算法[J]. 感測技術學報,2010,(10).
38. 程良倫,賴宇鋒,基於改進ACS演算法的SMT自動光學檢測路徑規劃[J]. 計算機應用與軟體,2010,(9).
39. 彭蓓雷,程良倫,基於MR防干擾下的高效能多播路由協議[J]. 感測技術學報,2010,(8).
40. 彭蓓雷,程良倫,一種節能意識的多路徑QoS保證路由協議[J]. 化工自動化及儀表,2010,(7).
41. 范富明,程良倫,基於CANopen協議的精密光學平台多軸控制的研究[J]. 電氣傳動,2010,(7).
42. 劉洪濤,程良倫,具有移動匯聚節點的環境監測系統設計[J]. 計算機工程與應用,2010,(19).
43. 范富明,程良倫,王曉芬,潘建華,一種新型光學快速自動聚焦系統[J]. 光電工程,2010,(5).
44. 尹明,章雲,程良倫,蔡述庭,分布式視頻編碼的自適應圖像組結構研究[J]. 計算機應用,2010,(5).
45. 許亮,程良倫,黃志平,基於混合函數的KICA-LSSVM故障分類方法及應用[J]. 化工自動化及儀表,2010,(3).
46. 李少春,程良倫,一種自適應的混合型無線感測器網路拓撲控制演算法[J]. 感測技術學報,2010,(3).
47. 黎大鵬,程良倫,基於錨節點動態選擇和調整的感測器網路定位[J]. 計算機應用與軟體,2010,(3).
48. 張小波,程良倫,何小敏,曾啟傑,廣域網環境下構建全集成互動式學習平台[J]. 廣東工業大學學報(社會科學版),2010,(1).
49. 黎大鵬,程良倫,基於VWMC的感測器網路移動節點定位演算法[J]. 計算機工程與設計,2010,(2).
50. 程良倫,江偉歡,基於二值投影的PCB元件安裝缺陷檢測演算法研究[J]. 計算機工程與設計,2010,(3).
51. 尹明,章雲,程良倫,蔡述庭. Wyner-Ziv視頻編碼中邊信息估計演算法改進[J]. 計算機應用研究,2009,(12).
52. 張豐貴,程良倫. 基於KDB樹的RFID事件聚合過濾演算法[J]. 計算機工程,2009,(21).
53. 江偉歡,程良倫. 水火彎板運動控制系統的研究[J]. 機床與液壓,2009,(10).
54. 胡曉文,程良倫. 基於嵌入式MC206數控水火彎板機控制系統的設計[J]. 電氣自動化,2009,(2).
55. 鄧潔,程良倫. 基於二進制搜索演算法的RFID系統防碰撞演算法[J]. 廣東工業大學學報,2009,(3).
56. 任斌,程良倫. AOI機器視覺系統中檢測光源的分析和設計[J]. 微計算機信息,2009,(27).
57. 賴宇鋒,程良倫. 基於小波變換與相位相關的PCB圖像拼接演算法[J]. 計算機應用研究,2009,(9).
58. 盧旭,程良倫. ASP和ASP·NET共享Session狀態研究[J]. 計算機應用與軟體,2009,(6).
59. 衷柳生,程良倫. 基於博弈論的無線感測器網路非均勻分簇路由演算法[J]. 計算機應用研究,2009,(5).
60. 任斌,程良倫. 李雅普諾夫穩定性理論中V函數的構造研究[J]. 自動化與儀器儀表,2009,(2).
61. 古連華,程良倫. E-μMAC:一種高效的混合型無線感測器網路MAC協議[J]. 計算機應用研究,2009,(4).
62. 盧旭,程良倫. 高數據融合的非均勻分簇無線感測器網路路由協議[J]. 計算機應用研究,2009,(4).
63. 任斌,程良倫. PCB貼片安裝缺陷自動光學檢測系統關鍵技術[J]. 東莞理工學院學報,2009,(1).
64. 張彩霞,程良倫. 基於Hash的RFID安全協議的設計[J]. 包裝工程,2009,(1).
65. 程良倫,林偉勇. 一種穩定高效的動態幀時隙ALOHA演算法[J]. 計算機應用研究,2009,(1).
66. Shen jianfang; Lianglun Cheng;Fu Xiufen,Implementation of program behavior anomaly detection and protection using hook technology,2009 International conference on communications and mobile computing, pp.338-342.
67. Hongtao Liu; Lianglun Cheng; Dapeng Li, Design of Smart Nodes for RFID Wireless Sensor Networks, Ecation Technology and Computer Science, 2009. ETCS '09. First International Workshop on , vol.2, no., pp.132-136, 7-8 March 2009
68. Wu yu, Lianglun Cheng.A Study of Mobile Agent Tree Routes for Data Fusion in WSN[C].2009 International Conference on Communications and Mobile Computing,2009:57-60.
69. REN Bin,CHENG LiangLun . Research of Classification System based on Naive Bayes and MetaClass. 2009 Second International Conference on Modelling and Simulation ICMS2009, 2009-5.(EI收錄)
70. REN Bin,CHENG LiangLun . SMT Automatic Optical Inspection Path Planning Based On MDSPSO Algorithm，「2009 International Conference on Computational Intelligence and Natural Computing」 CINC2009, 2009-6. (EI收錄)
71. 吳猛，程良倫.一種無線感測器網路節點及其實現方法[J].儀表技術與感測器，2008(12)：14-16.
72. 杜新恆，程良倫.無線感測器網路中距離無關定位演算法的研究[J].計算機工程與應用，2008，44(33)：119-121.
73. 劉洪濤，程良倫.基於J2EE電力營銷決策支持系統的研究與實現[J].計算機工程與應用，2008，44(15)：218-220.
74. 倫永亮，程良倫.基於PID變頻調速技術的紙漿模塑烘乾線系統設計[J].中國包裝工業，2008(12)：30-33.
75. 程良倫，田雲傑，陳少華.一種基於IEC61850標準的嵌入式合並單元的研究與實現[J].電力系統保護與控制，2008，36(20)：55-58,61.
76. 陳榮軍，程良倫.一種新型實用棉條檢測感測器[J].儀表技術與感測器，2008(6)：7-8,23.
77. 宋相慧，程良倫.基於無線感測器網路的移動資料庫體系結構的研究[J].工業控制計算機，2008，21(5)：31-32.
78. 張鼎，程良倫.基於CC2500的RFID網路控制器的設計[J].工業控制計算機，2008，21(1)：27-28.
79. 劉學鋼，程良倫.一種可編程的多協議RFID讀寫器的設計[J].微計算機信息，2007(23)：230-232.
80. 鍾偉，程良倫.水利水文遙測系統的設計和實施[J].計算技術與自動化，2007，26(4)：102-105.
81. 劉學鋼，程良倫.QTE網路編程在嵌入式水文信息採集系統中的應用[J].微計算機信息，2007(27)：23-25.
82. 田雲傑，程良倫羅晟.基於IEC61850的嵌入式合並單元的研究[J].繼電器，2007，35(10)：52-55.
83. 陳浩，程良倫張小波.基於向量空間模型的無導詞義消歧[J].計算機工程與設計，2007，28(5)：1215-1218.
84. 程良倫，劉學鋼.一種UHF及微波段RFID標簽晶元的研究與應用[J].微計算機信息，2006(09Z)：182-184,74.
85. 張鼎華，程良倫，張凌.J2EE框架在需求側用電管理信息系統中的應用[J].電力需求側管理，2006，8(2)：15-17.
86. 周珊珊，程良倫.網路資料庫的安全及性能優化[J].計算機與現代化，2006(1)：48-50.
87. 劉洪濤，程良倫.基於活動/資源/時間圖模型的過程建模方法[J].現代計算機：下半月版，2005(5)：25-27.
88. 程良倫，許星.工業乙太網的研究現狀與發展[J].可編程式控制制器與工廠自動化(PLC FA)，2004(8)：12-16.
89. 程良倫，周曉輝，何小敏.基於Profibus的過程自動化網路系統[J].可編程式控制制器與工廠自動化(PLC FA)，2004(5)：51-53,79.
90. 程良倫.基於Profibus的過程自動化網路系統的設計與實現[J].世界儀表與自動化，2004，8(4)：24-24,26.
91. 羅世亮，鄒谷山程良倫.PROFIBUS在制鹼廠的應用[J].工業控制計算機，2003，16(12)：54-55.
92. 仲兆峰，許星，程良倫.基於PROFIBUS匯流排技術的工業網路的設計與實現[J].微計算機信息，2003，19(11)：6-7.
93. 仲兆峰，徐其迎，唐其偉，程良倫.計算機監控系統在峽口水閘中的應用[J].自動化技術與應用，2003，22(5)：78-81.
94. 程良倫歐金成等.IT與自動化在本科畢業設計中的融合[J].廣東工業大學學報：社會科學版，2002，2(B06)：190-191.
95. 程良倫，楊宜民.管道內微機器人彎管運動的動力學穩定性[J].控制理論與應用，2001，18(1)：62-68.
96. 程良倫，楊宜民.新型精密直線驅動器及其控制器的研究[J].計算技術與自動化，2000，19(1)：19-21,30.
97. 程良倫，楊宜民.一種新型管道內微機器人的研究[J].機器人，1999，21(4)：249-255.
98. 程良倫，楊宜民.微型管道機器人[J].機器人技術與應用，1998(4)：16-17.
99. 楊宜民，程良倫.微細作業系統的現狀,構成及其應用[J].機器人，1998，20(1)：32-36.
100. 程良倫，楊宜民.新型壓電式直線驅動器的研究[J].高技術通訊，1997，7(10)：16-19.
101. 程良倫.全自動數控型電阻焊機的研究[J].廣東工學院學報，1996，13(4)：96-101.

⑼ 利用matlab分別對三邊測量定位演算法和改進演算法進行模擬和驗證 急求源程序

%%清空環境變數

clc

clear

loaddata

%%數據累加作為網路輸入

[n,m]=size(X);

fori=1:n

y(i,1)=sum(X(1:i,1));

y(i,2)=sum(X(1:i,2));

y(i,3)=sum(X(1:i,3));

y(i,4)=sum(X(1:i,4));

y(i,5)=sum(X(1:i,5));

y(i,6)=sum(X(1:i,6));

end

%%網路參數初始化

a=0.3+rand(1)/4;

b1=0.3+rand(1)/4;

b2=0.3+rand(1)/4;

b3=0.3+rand(1)/4;

b4=0.3+rand(1)/4;

b5=0.3+rand(1)/4;

%%學習速率初始化

u1=0.0015;

u2=0.0015;

u3=0.0015;

u4=0.0015;

u5=0.0015;

%%權值閥值初始化

t=1;

w11=a;

w21=-y(1,1);

w22=2*b1/a;

w23=2*b2/a;

w24=2*b3/a;

w25=2*b4/a;

w26=2*b5/a;

w31=1+exp(-a*t);

w32=1+exp(-a*t);

w33=1+exp(-a*t);

w34=1+exp(-a*t);

w35=1+exp(-a*t);

w36=1+exp(-a*t);

theta=(1+exp(-a*t))*(b1*y(1,2)/a+b2*y(1,3)/a+b3*y(1,4)/a+b4*y(1,5)/a+b5*y(1,6)/a-y(1,1));

kk=1;

%%循環迭代

forj=1:10

%循環迭代

E(j)=0;

fori=1:30

%%網路輸出計算

t=i;

LB_b=1/(1+exp(-w11*t));%LB層輸出

LC_c1=LB_b*w21;%LC層輸出

LC_c2=y(i,2)*LB_b*w22;%LC層輸出

LC_c3=y(i,3)*LB_b*w23;%LC層輸出

LC_c4=y(i,4)*LB_b*w24;%LC層輸出

LC_c5=y(i,5)*LB_b*w25;%LC層輸出

LC_c6=y(i,6)*LB_b*w26;%LC層輸出

LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3+w34*LC_c4+w35*LC_c5+w36*LC_c6;%LD層輸出

theta=(1+exp(-w11*t))*(w22*y(i,2)/2+w23*y(i,3)/2+w24*y(i,4)/2+w25*y(i,5)/2+w26*y(i,6)/2-y(1,1));%閥值

ym=LD_d-theta;%網路輸出值

yc(i)=ym;

%%權值修正

error=ym-y(i,1);%計算誤差

E(j)=E(j)+abs(error);%誤差求和

error1=error*(1+exp(-w11*t));%計算誤差

error2=error*(1+exp(-w11*t));%計算誤差

error3=error*(1+exp(-w11*t));

error4=error*(1+exp(-w11*t));

error5=error*(1+exp(-w11*t));

error6=error*(1+exp(-w11*t));

error7=(1/(1+exp(-w11*t)))*(1-1/(1+exp(-w11*t)))*(w21*error1+w22*error2+w23*error3+w24*error4+w25*error5+w26*error6);

%修改權值

w22=w22-u1*error2*LB_b;

w23=w23-u2*error3*LB_b;

w24=w24-u3*error4*LB_b;

w25=w25-u4*error5*LB_b;

w26=w26-u5*error6*LB_b;

w11=w11+a*t*error7;

end

end

%畫誤差隨進化次數變化趨勢

figure(1)

plot(E)

title('訓練誤差','fontsize',12);

xlabel('進化次數','fontsize',12);

ylabel('誤差','fontsize',12);

%print-dtiff-r60028-3

%根據訓出的灰色神經網路進行預測

fori=31:36

t=i;

LB_b=1/(1+exp(-w11*t));%LB層輸出

LC_c1=LB_b*w21;%LC層輸出

LC_c2=y(i,2)*LB_b*w22;%LC層輸出

LC_c3=y(i,3)*LB_b*w23;%LC層輸出

LC_c4=y(i,4)*LB_b*w24;%LC層輸出

LC_c5=y(i,5)*LB_b*w25;

LC_c6=y(i,6)*LB_b*w26;

LD_d=w31*LC_c1+w32*LC_c2+w33*LC_c3+w34*LC_c4+w35*LC_c5+w36*LC_c6;%LD層輸出

theta=(1+exp(-w11*t))*(w22*y(i,2)/2+w23*y(i,3)/2+w24*y(i,4)/2+w25*y(i,5)/2+w26*y(i,6)/2-y(1,1));%閥值

ym=LD_d-theta;%網路輸出值

yc(i)=ym;

end

yc=yc*100000;

y(:,1)=y(:,1)*10000;

%計算預測的每月需求量

forj=36:-1:2

ys(j)=(yc(j)-yc(j-1))/10;

end

figure(2)

plot(ys(31:36),'-*');

holdon

plot(X(31:36,1)*10000,'r:o');

⑽ 刷臉支付是真的嗎

刷臉支付真的有騙局。

繳納19900元，成為「支付寶城市獨家代理商」，將刷臉支付推廣後，可以拿到交易流水的提成收益——這樣的「新型商業模式」，不僅交了代理費，每拿一台還要給錢。

支付寶官方提示廣大消費者：支付寶沒有任何官方刷臉支付代理商；支付寶刷臉代理不會收取任何代理費，天貓官方旗艦店均可買得到「蜻蜓」(支付寶官方的刷臉機器)。

(10)神經網路定位演算法擴展閱讀：

相關新聞報道事件：

石先生在遂寧市安居區經營一家商務賓館。某日他在遂寧參加了一場由雲搜度公司舉辦的商務推廣會，關於刷臉支付的城市代理。

「當時雲搜度公司自稱是支付寶的代理商，只要繳納數萬元就可以拿到一定區域的獨家代理權。」石先生說，他在繳納了19900元後，便成為了「遂寧市安居區的獨家代理商」——後續將此刷臉支付推廣到商家之後，還可以拿到商家交易流水的萬分之十四的收益。

而在那場商務推介會上，遂寧市共有6名商戶和雲搜度公司簽約，成為了「城市獨家代理商」。

不過，在交錢之後，石先生覺察出了一些問題，「先是說交2萬元代理費，可以幫我升級成為全國代理商；後面又說拿一台刷臉機器需要1600元，但可以根據機器實際交易金額，每月退還400元，直到(購機款)全部退還完成。」

石先生稱，現距支付代理費已經一個半月，但他至今沒有拿到雲搜度公司開具的發票，連收據也只收到了一張9000元的收據，剩下的10000元，連收據都沒拿到。

隨後，記者從該公司所在的富力中心物業方面了解到，雲搜度公司已於12月15日，辦理了辦公場地退租手續，即將搬走。而據國家企業信用信息公示系統顯示，雲搜度公司成立於2019年6月，現已經被列入企業經營異常名錄。