神经网络定位算法_神经网络算法是什么

⑴ 神经网络是什么

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

生物神经网络主要是指人脑的神经网络，它是人工神经网络的技术原型。人脑是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约10^11个神经元，每个神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网络。作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在探索人脑思维和智能活动的规律。

人工神经网络是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。因此，生物神经网络主要研究智能的机理；人工神经网络主要研究智能机理的实现，两者相辅相成。

(1)神经网络定位算法扩展阅读：

神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。主要的研究工作集中在以下几个方面：

1、生物原型

从生理学、心理学、解剖学、脑科学、病理学等方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。

2、建立模型

根据生物原型的研究，建立神经元、神经网络的理论模型。其中包括概念模型、知识模型、物理化学模型、数学模型等。

3、算法

在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。

神经网络用到的算法就是向量乘法，并且广泛采用符号函数及其各种逼近。并行、容错、可以硬件实现以及自我学习特性，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。

⑵ 抖音、快手、小红书、今日头条、百家号、知乎将展示用户 IP 归属地，将带来哪些影响

我认为抖音、快手、小红书、今日头条等凭条展示用户IP归属地可以适当的减少网络暴力和扰乱社会的各种网络谣言，让这些网络上的造谣者能够不再像以前一样可以在网络上肆无忌惮的发言，让网络环境变得更加健康。

2、让网络喷子们能感受到害怕

有的人在现实中往往是很寡言的人，而且很温和，但是一旦到网络上却成为了别人眼中的喷子“大神”！网络毕竟是虚拟的空间，很多人在现实中找不到存在感，所以都去网络上找存在感，因为网络上的一些话哪怕是说了，别人也不知道你是谁，这就让喷子们可以在评论去各种留言，而现在现实IP归属，会让这些人心里害怕，不能再像以前一样做一个匿名的喷子了！

3、让水军原形毕露

这些年网络上的水军真的不少，水军跟造谣者一样会引导用户的控评，很多不明缘由的用户一看大部分人都是一个观点的很自然就就会认为这个观点是对的，所以也无脑的支持，但是现在这种情况就可以让这些水军们无处藏身，IP地址的展示将会让他们的控评被大家所看到，而先要改变的额话，不仅成本要高，也会让雇佣水军的人感到“肉疼”。

网络不是不法之地，不管是水军还是网络喷子其实都是身不正，影子也歪的，所以展示IP归属可以更好的让这些在现实中不敢发表的言论现在也同样会在网络上有所顾忌，这样虽然不能一下子达到让网络暴力消失，但是至少也会有不错的减少效果。

⑶ 前景与背景差分得到的灰度图像，如何将目标识别出来

嵌入式汽车身份自动识别系统

一、项目介绍
（研究目标、研究背景及现状、工作原理和方案设想、计划进度安排等）

见附录。
二、项目自我评价
1、先进性：
在数字信息技术和网络技术高速发展的后PC时代，随着嵌入式处理器性能的不断提高，高性能的处理器已经能满足复杂算法应用和其他复杂功能应用，嵌入式将不可避免得走进各个领域。另一方面，伴随着我国经济的快速发展和北京奥运会的举行，“交通智能化”将毋庸质疑的成为热门话题。由于交通行业的特殊性，其对ITS设备的技术参数、使用条件都有苛刻的要求，而嵌入式恰好能够满足此要求，因此嵌入式智能交通设备的大范围应用是必然趋势。嵌入式汽车身份自动识别系统是智能化交通管理系统的重要组成部分，是嵌入式技术与汽车身份识别技术的完美结合，他涵盖了嵌入式车牌识别、嵌入式车标识别以及汽车颜色识别三大主体功能，力求将汽车目标一次性锁定。
它拥有以下优点：
1、高度独立：使用嵌入式技术，仅通过通信接口与应用系统连接，独立性高。
2、功能齐全：同时识别汽车车牌、车标及颜色，一次性锁定目标，具有现有系统所没有的强大功能。
3、可塑性强：前端可与信号触发装置等上游产品结合，末端内置无线网络及多种串口接口以便与下游产品结合。系统功能与使用范围得到极大拓展。
4、易于维护：修理、维护仅涉及本系统而不影响其他模块，维护成本远低于同类产品。
5、便携灵活：设备高度集成，小巧灵活，使用方便。

2、可操作性和可实现性：
目前，车牌识别、车标识别等技术日趋成熟与完善，相关资料较易获取。现有的嵌入式技术也比较成熟。故，从技术难度上讲该选题较于其他的前沿科学容易实现。选题所涉及的设备和材料也较易获得，且成本适中。
3、创新点：
现有的车牌识别装置一般使用电脑处理数据，有些甚至需要若干台电脑合作完成，占用大量空间与资源。即使偶有由嵌入式完成的系统其功能也仅限于车牌识别或车标识别。本系统创造性地将嵌入式与车牌识别、车标识别以及汽车颜色识别相结合，一次性解决了目前设备体系臃肿、集成难度大、稳定性差，维护难，功能单一等问题。
4、可能存在的问题：
目前，主要问题是嵌入式集成度及无线传输的距离。我们所设想的理想情况是：针对现在大多使用电脑整机处理数据，设备灵活性差的缺点，开发出便携式、数据可无线传输的汽车身份识别系统。但是由于我们时间、精力和资金的限制，“便携的程度”是目前最大的难题。另外车速与景深对图像识别的影响问题也是我们可能会面对的难题。

三、预期成果

（成果的具体形式，如：申请专利、公开发表论文、制作科技实物（含软件程序）等，可以同时有多种成果形式）

我们预计我们的实验成果有以下几个方面。
首先，我们计划制作出科技实物，即确实地完成该嵌入式系统，拿出实实在在的成果。
第二，从我们对市场现状的分析来看，该嵌入式汽车身份识别系统的市场前景非常乐观，故可以将我们的产品申请专利并投入市场进行生产。
第三方面，由于汽车颜色、车牌、车标的组合识别还没有合适的算法，所以在完成本系统的过程中我们不可避免的要完成算法设计，而这部分成果可以通过公开发表论文的形式进行展示。
因为我们计划完成一个系统，所以我们需要同时完成该系统的硬件和软件两个部分。从大的角度来看，软件及算法部分的成果可以通过论文发表，而硬件方面的成果则可以通过投入生产和申请专利来体现。无疑，我们的成果形式会比只做软件部分或者只做硬件部分的选题多。这也是我们的一大优势。
实验环境要求
经费预算内容用途预算金额预计执行时间
CCD摄像部分前端图像的获取，购买摄像头或摄像机 3000 07.12~ 08.2月
辅助光源针对特殊环境进行光线补充 1500 07.12~ 08.2月
图像采集卡模拟信号数字化 2500 07.12~ 08.2月
嵌入式系统硬件设施图像的处理 4000 08.3~ 08.10月
硬盘录像机视频信息的存储 2500 08.10~ 08.12月
显示装置输出图像识别结果 1500 08.12~ 09.2月
无线收发或有线传输装置信息的传输 2500 09. 2~ 09.3月
机械加工机械零件组装成样机 2000 最后阶段
合计：19500元
学院审批意见
专家委员会评审意见
学校审批意见
附录一：选题的现状、背景及意义
自1885年，世界上第一台汽车诞生至今，汽车为我们日常工作与生活的带来了翻天覆地的影响。一百多年来，汽车以其价格低廉，操作方便等优势逐渐被大众所接受，走入了千家万户。在我国，每年都有许多人加入有车一族。随之而来的自然是越来越快捷方便的生活方式以及由此引发的一系列问题：汽车盗窃案每年逾万，交通事故时有发生……无疑，汽车需要规范管理。现在，我国的大部分汽车管理工作都是由人来操作完成的。不难想象，面对越来越庞大的汽车队伍，人工操作明显的力不从心。所以“交通智能化”将成为未来交通管理的必然趋势。
要实现交通智能化怎么可以没有“汽车身份”的识别呢。早在上个世纪九十年代初，汽车身份识别已经引起了全世界的广泛重视，人们开始研究有关汽车身份证——汽车牌照自动识别的相关问题。几年后，汽车的另一个重要的身份象征——汽车标志识别也成为了热门话题。车牌识别的一般途径为：采用计算机图象处理技术对车牌进行分析后自动提取车牌信息以确定车牌号。车标识别则基于边缘直方图和模板匹配相关系数混合的算法。目前车牌与车标识别的理论已经成熟，离线算法识别率已经达到较高的水平，同时正向着集成化、智能化方向发展。
在智能化交通管理系统中，汽车身份识别相当于vc++中的“基类”地位，即智能化交通管理系统中的其他子模块需要在汽车身份识别的基础上进行继承和发展。所以我们认为，汽车身份识别要求较高的集成度，最好能由可以嵌入到其他系统中的、集成度高的模块来完成，如单片机、CPLD。而现阶段的汽车身份识别大部分却是依靠计算机来完成的。
另外，由于汽车身份识别的“基类”定位，使用时对“能否唯一的锁定汽车”以及“能否很快地判定是哪辆车”就有了一定的要求。而现阶段的汽车身份识别却仅依靠单纯的识别车牌来完成。市场上存在的也多是车牌或是车标的单独识别系统，将二者结合的系统则非常罕见。而这些单一的系统显然很难达到真正的识别锁定汽车身份的目的。
结合智能化交通管理系统的要求，现今汽车身份识别的现状以及二者的发展趋势，我们小组选择了嵌入式汽车身份自动识别系统作为我们本次创新实验计划的选题。我们计划以嵌入式完成汽车身份识别后，将处理完的数字信息传递到智能化交通管理系统的其他模块中。用嵌入式代替电脑处理汽车身份识别将大大提高智能化交通管理系统的集成度，降低成本。区别于单一的识别系统，我们设计完成的汽车身份识别系统将车牌识别与车标识别相结合，并辅以汽车颜色识别。同时识别，同时输出，从而从多方面判断并锁定汽车，力求达到万无一失。从而极大地方便了该系统在各个领域的使用。
公安交管领域，该嵌入式汽车身份自动识别系统可被应用在交管系统中。将本产品嵌入到用来测速、测超载的其他交通设施中，就可以完成一系列的管理工作；与终端电脑处理系统相连，传输的是已经经过处理的数字信息而非图片信息，大大节省了终端电脑的处理时间和内存空间，提高反应速度与处理效率，有效解决交管领域人手不足的现状。
在园区车辆管理方面，本嵌入式汽车身份自动识别系统将留有端口，使其可以与园区的业主入住时所登记的汽车信息库相连。在园区大门处，安装我们的车牌自动识别系统，以对进出车辆自动识别，然后将数据传到数据库并根据数据库中的车牌数据判断是否是园区内的车辆，然后分情况处理。这将大大增加园区汽车的安全系数，而使用该系统的成本远低于使用电脑处理的系统的成本。
关于停车场管理，我们的嵌入式车牌自动识别系统可以完成智能化管理过程。将系统安装在停车场的出、入口处，用来对进出停车场的车辆进行自动识别，而处理后的数据将传入终端电脑，由终端电脑结合传入的信息与数据库判断是否属已买（或租）车位的车辆做出相应处理。
综上，我们有理由相信我们计划完成的嵌入式车牌自动识别系统可以在未来的交通智能化管理系统中发挥举足轻重的作用，是值得去研究和探索的。

附录二：工作原理及方案设想
本汽车身份识别系统包含车牌识别、车色以及车标的识别，本系统将使用嵌入式系统完成此三部分的识别。由于我们刚接触这部分内容，所以想法不是很成熟。
下面将分车牌识别与车色、车标识别以及嵌入式三个部分介绍我们的工作原理和方案。

第一部分：车牌识别
1、总体结构

车牌自动识别系统主要分为三大模块:（1）触发：即前端设备的数据入口处，如测速系统等。(2)图像处理部分：分为图像采集、车牌定位、字符分割和字符识别四部分。(3)无线传输系统将所处理得的数据传送至后端应用系统，如交通违规管理系统，只能停车场系统，安检系统等。
2、算法部分
①前端CCD摄像机：
原始图像获取
由CCD摄像机及辅助照明装置组成。获取图像质量的好坏直接影响到后端处理和识别的效果. 要获得比较清晰的图像, 需要考虑许多影响图像质量的因素, 主要包括: 摄像头和图像卡的选取, 摄像机的位置标定, 汽车的车速, 出入单位的汽车车队之间的距离, 天气、光线等情况对摄像机所摄图像曝光量的影响。
判断是否有车辆进入观测区
采用图像差值法来判断监测区是否有目标进入，即首先将视频图像灰度化，然后比较两幅图像对应像素点的灰度值，看是否有变化以及变化有多少。
图像差分只能测定监测区中是否有物体经过，但它是否交通车辆，尚未可知。鉴于图像差分所产生的噪声、行人、自行车比汽车所占区域小得多，设计尺度滤波器将尺度较小的物体及噪声滤掉。
②车牌定位及预处理
左图为车牌定位的主要算法。完成基本的车牌定位后，还需要对车牌进行一些基本的预处理。包括倾斜矫
正与铆钉和边框的去除。
I、车牌字符的倾斜矫正
车牌字符分割的难点在有些车牌是倾的，直接分割效果不好，需要做校正。首先求出车牌的倾斜率，根据此斜率对车牌做旋转校正。
II、车牌边框和铆钉的去除
先验知识：对于标准车牌，字符间间距为12mm，第2、3个字符间间距为34mm，其中，中间小圆点l0mm宽，小圆点与第2、3个字符间间距分别为12mm。在车牌边框线的内侧，通常有四个铆钉，他们不同程度地与第2个字符或第6个字符粘连，如果不去除铆钉，将给第2和第6在字符的识别造成困难。
将车牌图像进行二值化后，图像仅黑、白二值。白色像素点(灰度值255)取1，黑色像素点(灰度值0)取0，这里采用的是白底黑字模式。对车牌图像逐行进行从内向外式扫描，当扫描到车牌图像某一行中，白色像素点的宽度大于某一阀值时(第一个符合条件的行)，则认为是车牌字符的边沿处，切除这一行以上或以下的所有行。
③车牌字符分割
右图为车牌
字符分割的主要
算法。
在此，由于
我们的知识有限
就不对这些算法
做具体介绍了。

④字符识别方法
字符
识别是车
牌识别的
核心部分。
常见的车
牌字符识
别算法包
括六种。
我们将他
们罗列在
右图中。
其中，我们比较感兴趣的是基于神经网络的字符识别算法。下面，我们具体介绍两种比较简单且普遍的算法以及基于神经网络的字符识别算法。
I、模板匹配车牌字符识别
中国车牌的字符模板分为汉字、英文字母和数字模板，由统计方法构造并保存到数据库中。模板匹配是将字符模板和标准化了的车牌字符进行匹配来识别字符。
II、特征匹配车牌字符识别
车牌识别的方法中，可利用的字符特征很多，大致可以分为结构特征、象素分布特征及其他特征。
在这里，我们拟重点突破神经网络法，因为人工神经网络技术具有非线性描述、大规模并行分布处理能力、高度鲁棒性和自学习与联想等特点，适用于非线性时变大系统的模拟与在线控制。具体步骤如下图所示：
此外，我们还会尝试将各种算法结合起来，以扬长避短，如：将遗传算法与人工神经网络结合起来，既能利用遗传算法能并行计算且能快速、全局搜索的优点又能克服神经网络固有的搜索速度慢且易陷入局部旱热的缺点等。
由于我们还在大学二年级学习专业基础课程，对图像处理的最新算法还不够了解，我们会在实际操作过程中，选择一种最优的方案并且结合我们的系统特征提出改进意见。

第二部分：车色以及车标识别
①、车身颜色识别
颜色特征具有对图像本身的尺寸、方向、视角等依赖小、鲁棒性高等优点，因此在基于内容的图像索引技术和智能交通系统以及众多的I业(如造纸、纺织、印刷等)系统中有着极其重要的应用。长期以来，由于各种原因，人们提出了数量众多的彩色空间模型，主要可分为三类:第一类是基于人类视觉系统(HumanV isionS ystem,H VS)的彩色空间，它包括RGB,H SI,M unsell彩色空间等；第二类是基于特定应用的彩色空间，它包括电视系统中所采纳的YUV和YIQ、摄影行业如柯达的YCC、打印系统的CMY (K)彩色空间；第三类是CIE彩色空间(包括CIE XYZ, CIE Lab和CIE Luv等)。这些彩色空间各有优缺点，它们在各自的领域里发挥了重要的作用。
我们拟采用RGB彩色空间完成我们的系统。RGB彩色空间在计算机相关领域里应用广泛，例如用于常见的CRT显示器等。在RGB彩色空间中，各彩色值用R、G、B三通道值的组合来共同表示，而其相应的通道值是通过图形采集卡或者CCD传感器等类似器件中的光感受器来获得的。其中，各通道值用入射光及其相应光感受器的光敏函数值之和来表示:
R=
G=
B=
其中，S (A)是光谱，R(A)、G(A)和B(A)分别是R,G,B传感器的灵敏度函数。从上式可以看出，该彩色空间是设备相关的，它与具体捕获设备的光敏函数相关。然而，由于RGB值易于获得和在计算机中计算和表示，因此通常可以用来表示其他各彩色空间，即把RGB值转换为其他彩色空间值。RGB彩色空间的标准色差定义为：
）
由于不同的彩色对人主观感受的影响不同，为了更好的表示色差，在本颜色识别子系统中使用经验色差公式：

对于我们拟设计的车身颜色识别系统主要分以下四大步骤完成车身颜色识别
1．识别区域的选取
为了准确识别出车身颜色，识别区域的选取至关重要。本实验选取车脸前部靠近排气扇的部分

2．颜色直方图计算
对所选区域，计算出现次数最多的颜色。在实际应用中，由于其他彩色空间模型的分量值均可用RGB值来表示，为了计算简便，在计算颜色直方图时可仅针对RGB彩色空间模型进行。
3．色差计算
根据相应彩色空间模型的色差计算公式，计算其与颜色模板间的色差。
4、颜色识别
在得到样本色与标准色在各个彩色空间模型中的对应色差后，就可以根据其结果进行颜色识别。即选取前一步计算得到的色差中的最小值，作为识别结果。

②、车标识别部分
毋庸质疑，车牌和车标的自动、实时识别是运动车辆类型精确识别系统中至关重要的两个部分。目前人们已经提出了众多的车牌定位算法，主要可以分为两大类:基于黑白图像的车牌定位算法和基于彩色图像的车牌定位算法。基于黑白图像的车牌定位算法又可以分为多类，如基于特征的车牌定位算法基于自适应能量滤波的车牌定位算法，基于小波变换和形态学处理相结合的车牌定位算法，基于二值投影的车牌定位算法，以及基于遗传算法的车牌定位算法等。
这些车牌定位算法各有优缺点，但他们都可以在一定程度上作为车标定位的参考。
车标定位与识别无论在国内还是国外都是一个较为崭新的领域。由于车标本身固有的特殊性：目标小、相似性大、受尺寸和光照影响大、背景不统一，以及不同汽车公司的车标形状大小不一致等，使得其精确定位识别成为一个难点。
我们将车标识别分为以下几个主要步骤:
(l)车牌定位:根据车牌的纹理特征，基于多分辨率分析快速获取车牌区域；
(2)车头定位:根据车头区域能量较高且较为集中的特点，通过OTSU二值化算法进行图像二值化，然后利用二值投影，并结合车牌位置信息进行车头快速定位；
(3)中轴定位:在车头区域内，根据轴对称性定位车头中轴；
(4)车标粗定位:在定位出车头的基础上，根据车标与车牌的先验知识，得到车标经验搜矩形；
(5)车标精确定位:在第(4)步的基础上，利用车标纹理特征进行车标的精确定位。主要包括两步:一是根据车标区域在垂直方向上具有能量高且相对集中的特点，利用能量增强和自适应形态学滤波进行车标的一次定位；二是利用改进的模板匹配算法进行车标的精确定位。车标识别系统是运动车辆识别系统中的重要组成部分，与车牌识别一样，它也包括了定位和识别两项关键技术。

上图为车标识别系统结构示意图，与典型的目标识别系统一样，它包括了离线的训练过程和在线的识别过程。在训练过程中，首先将手工采集得到的车标样本进行图像归一化、尺度归一化等预处理，然后分别进行模板提取以得到车标标准模板库。车标标准模板库中的模板不仅用于车标定位，还用于进行特征提取以得到车标特征模型库用于车标识别。在定位过程中，除了输入汽车图像外，还需输入车牌的位置信息。这是因为各类车标不具有稳定的纹理特征，且大小、形状各不相同，所以在复杂的背景下直接利用特征匹配或模板匹配进行车标定位是非常困难的。因此必须利用车牌位置、车辆对称性等先验信息进行粗定位，在此基础上再利用相关图像处理技术和模板匹配进行精确定位。车标定位以后，车标识别问题就转化为一个2D形状的识别问题，这可以通过模板匹配的方法实现。但是在实际采集的图像中，往往存在光照、噪声、部分遮挡和形状相似等问题的影响，常规的模板匹配方法难以达到满意的识别效果。因此通常还需要一种合适的特征提取和识别方法来辅助进行车标识别，以提高系统的识别率。

第三部分：嵌入式
按照历史性、本质性、普遍性要求，嵌入式系统应定义为：“嵌入到对象体系中的专用计算机系统”。“嵌入性”、“专用性”与“计算机系统”是嵌入式系统的三个基本要素。对象系统则是指嵌入式系统所嵌入的宿主系统。
嵌入式系统的核心是嵌入式微处理器，它有4个优点：
(1) 对实时和多任务有很强的支持能力，能完成多任务并且有较短的中断响应时间，从而使内部的代码和实时操作系统的执行时间减少到最低限度；
(2) 具有功能很强的存储区保护功能。
(3) 可扩展的处理器结构，可以迅速地扩展出满足应用的高性能的嵌入式微处理器；
(4) 嵌入式微处理器的功耗很低，尤其是用于便携式的无线及移动的计算和通信设备中靠电池供电的嵌入式系统更是如此，功耗只能为 mW甚至μ W级，这对于能源越来越稀缺昂贵的时代，无疑是十分诱人的。
另外，嵌入式实时操作系统提高了系统的可靠性。这些都值得我们去做一个嵌入式车牌识别系统。
考虑到通常车牌以及车标识别算法的运算量大，同时又要满足实时性要求。因此，我们准备采用32位ARM嵌入式微处理器作为核心单元，以CPLD作为时序控制单元，采用基于ARM 9 S3C 241 C的嵌入式图像采集处理系统，在内嵌Linux操作系统的草础上，充分利用了ARM器件体积小、能力强以及功耗低的特点，实现并行数据总线/USB日接口图像接入、图像快速处理、图像信息的本地压缩存储和IP化数数据传输。该系统可使整个系统简化电路并且减少占用资源。
系统设计构成
整个系统由USB图像采集子系统，ARM处理子系统和网络数据传输子系统成摄像头采集现场视频数据通过U SB传输至ARM处理板;ARM处理板内嵌Linux操作系统，采用快速图像算法对图像序列进行处理，并根据处理结果采取相应的措施;网络传输子系统可以处理数据上传监控中心做进一步后续处理，系统结构下图所示。

ARM图像处理子系统拟采用S3C 2410处理器，能满足图像处理速度的要求；USB图像接入，可以保证图像传输速度;扩展64M SD RAM与64M Flash,大容量的RAM能够保存多幅图像，便于图像的分析与处理;无线网络接口实现了数据信息的网络化管理。
当然，以上只是我们的初步设想这些设想都将在我们以后的大量实验过程中得到论证和优化！

附录三：计划进度与安排
计划进度安排：
1.用约15天时间买一些实验所需的基本用品。
2.利用课余时间学习所需知识。
3.用约七个月时间完成编程，解决软件方面问题。
4.用约一年完成硬件方面，并制作样机。
5.初步检查，花费约一个月。
6.以六个月时间调试样机，发现缺陷并修正。反复试验，直至达到一个令人满意的水平。
综上，我们是计划用两年左右的时间拿下这个项目。当然，以上只是大体计划，以后会随实验的实际进度进行适当调整。

⑷ 神经网络算法是什么

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

神经网络是新技术领域中的一个时尚词汇。很多人听过这个词，但很少人真正明白它是什么。本文的目的是介绍所有关于神经网络的基本包括它的功能、一般结构、相关术语、类型及其应用。

“神经网络”这个词实际是来自于生物学，而我们所指的神经网络正确的名称应该是“人工神经网络（ANNs）”。在本文，我会同时使用这两个互换的术语。

一个真正的神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。人工神经网络就是尝试模拟这种生物学上的体系结构及其操作。在这里有一个难题：我们对生物学上的神经网络知道的不多！因此，不同类型之间的神经网络体系结构有很大的不同，我们所知道的只是神经元基本的结构。

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

虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。基本神经元包含有synapses、soma、axon及dendrites。Synapses负责神经元之间的连接，它们不是直接物理上连接的，而是它们之间有一个很小的空隙允许电子讯号从一个神经元跳到另一个神经元。然后这些电子讯号会交给soma处理及以其内部电子讯号将处理结果传递给axon。而axon会将这些讯号分发给dendrites。最后，dendrites带着这些讯号再交给其它的synapses，再继续下一个循环。

如同生物学上的基本神经元，人工的神经网络也有基本的神经元。每个神经元有特定数量的输入，也会为每个神经元设定权重（weight）。权重是对所输入的资料的重要性的一个指标。然后，神经元会计算出权重合计值（net value），而权重合计值就是将所有输入乘以它们的权重的合计。每个神经元都有它们各自的临界值（threshold），而当权重合计值大于临界值时，神经元会输出1。相反，则输出0。最后，输出会被传送给与该神经元连接的其它神经元继续剩余的计算。

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

正如上述所写，问题的核心是权重及临界值是该如何设定的呢？世界上有很多不同的训练方式，就如网络类型一样多。但有些比较出名的包括back-propagation, delta rule及Kohonen训练模式。

由于结构体系的不同，训练的规则也不相同，但大部份的规则可以被分为二大类别 - 监管的及非监管的。监管方式的训练规则需要“教师”告诉他们特定的输入应该作出怎样的输出。然后训练规则会调整所有需要的权重值（这是网络中是非常复杂的），而整个过程会重头开始直至数据可以被网络正确的分析出来。监管方式的训练模式包括有back-propagation及delta rule。非监管方式的规则无需教师，因为他们所产生的输出会被进一步评估。

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

在神经网络中，遵守明确的规则一词是最“模糊不清”的。因为有太多不同种类的网络，由简单的布尔网络（Perceptrons），至复杂的自我调整网络（Kohonen），至热动态性网络模型（Boltzmann machines）！而这些，都遵守一个网络体系结构的标准。

一个网络包括有多个神经元“层”，输入层、隐蔽层及输出层。输入层负责接收输入及分发到隐蔽层（因为用户看不见这些层，所以见做隐蔽层）。这些隐蔽层负责所需的计算及输出结果给输出层，而用户则可以看到最终结果。现在，为免混淆，不会在这里更深入的探讨体系结构这一话题。对于不同神经网络的更多详细资料可以看Generation5 essays

尽管我们讨论过神经元、训练及体系结构，但我们还不清楚神经网络实际做些什么。

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

神经网络被设计为与图案一起工作 - 它们可以被分为分类式或联想式。分类式网络可以接受一组数，然后将其分类。例如ONR程序接受一个数字的影象而输出这个数字。或者PPDA32程序接受一个坐标而将它分类成A类或B类（类别是由所提供的训练决定的）。更多实际用途可以看Applications in the Military中的军事雷达，该雷达可以分别出车辆或树。

联想模式接受一组数而输出另一组。例如HIR程序接受一个‘脏’图像而输出一个它所学过而最接近的一个图像。联想模式更可应用于复杂的应用程序，如签名、面部、指纹识别等。

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

神经网络在这个领域中有很多优点，使得它越来越流行。它在类型分类/识别方面非常出色。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要（例如雷达及声波定位系统）。很多神经网络都是模仿生物神经网络的，即是他们仿照大脑的运作方式工作。神经网络也得助于神经系统科学的发展，使它可以像人类一样准确地辨别物件而有电脑的速度！前途是光明的，但现在...

是的，神经网络也有些不好的地方。这通常都是因为缺乏足够强大的硬件。神经网络的力量源自于以并行方式处理资讯，即是同时处理多项数据。因此，要一个串行的机器模拟并行处理是非常耗时的。

神经网络的另一个问题是对某一个问题构建网络所定义的条件不足 - 有太多因素需要考虑：训练的算法、体系结构、每层的神经元个数、有多少层、数据的表现等，还有其它更多因素。因此，随着时间越来越重要，大部份公司不可能负担重复的开发神经网络去有效地解决问题。

NN 神经网络，Neural Network
ANNs 人工神经网络，Artificial Neural Networks
neurons 神经元
synapses 神经键
self-organizing networks 自我调整网络
networks modelling thermodynamic properties 热动态性网络模型

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
网格算法我没听说过
好像只有网格计算这个词

网格计算是伴随着互联网技术而迅速发展起来的，专门针对复杂科学计算的新型计算模式。这种计算模式是利用互联网把分散在不同地理位置的电脑组织成一个“虚拟的超级计算机”，其中每一台参与计算的计算机就是一个“节点”，而整个计算是由成千上万个“节点”组成的“一张网格”，所以这种计算方式叫网格计算。这样组织起来的“虚拟的超级计算机”有两个优势，一个是数据处理能力超强；另一个是能充分利用网上的闲置处理能力。简单地讲，网格是把整个网络整合成一台巨大的超级计算机，实现计算资源、存储资源、数据资源、信息资源、知识资源、专家资源的全面共享。

⑸ 现在很多工程项目都用车牌识别系统，我想问一下车牌识别系统的原理是什么

核心算法：从六个步骤来提取我们抓拍的车牌信息，第一：图像捕捉采集、第二：车牌定位、第三：预处理、第四：字符分割、第五：字符识别、第六：输出车牌识别一体机抓拍的结果。以上步骤里包含了数字形态学运算法，字符串分割等算法。

对同业兴创停车场的车辆车牌快速抓拍捕捉确定位置，根据车牌颜色，数字，和字母精准识别分割，提取信息并储存到电脑里，方便车辆出场时调用时间信息来计算费用，这样的算法准确，高效避免出入口拥堵现象的发生，300万像素的高清晰CMOS图像传感器，高性能DSP为图像处理核心，内置控制CPU，多项新的技术可对图像编码、处理分析等起到重大作用。

整体结构及设计理念：一体机外形采用枪型机，结构采用嵌入式抓拍机的布局格式，集成度高,专业用于停车场收费车道的工业级车牌识别一体机，整体的设计里面做到了三防，分别是防水、防尘、防震动，即使在恶劣的外界环境下也依然保持很高的识别准确率。

(一体机内部结构)

自动收费软件：界面操作简单易学，格局分布明确、视觉感强，支持多种传输协议：ICP、UDP、FTP、TFTP格式，机身自带64G内存，可存储jpg格式图像高达30000多张。采用H.264视频图像高压技术,对每天，每季度，年收费得出明细方便日后查看、核查，支持软件升级功能实现人脸识别技术。

一体机特点：系统可以全天不间断工作、不会疲劳、错误率极低，自动调节拍摄车牌时照成白平衡，色彩对比度不合理情况，将车牌识别设备安装于出入口，记录车辆的牌照号码、出入时间，并与地感线圈，栏杆机起降的控制完美结合，实现车辆的自动管理。节省人力、提高效率。

一体机工作性能：实现在低照度彩色摄像机的基础上，通过软件的功能，把图像中最亮的部分遮挡。一般可将大灯的强光遮挡，从而将车牌较清晰的抓拍下来，宽动态功能：这是解决车灯对于抓拍影响的最好的办法，当背景光过亮时，能够自动调节白平衡，并且在断电的时候还可以继续上传的功能。

⑹ 神经网络算法用于无源定位

GPS不就是你这样的实物么。

⑺ 人脸识别通过什么识别知乎

人脸识别是什么
人脸识别是什么？人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体(一般特指人)本身的生物特征来区分生物体个体。
广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。
生物特征识别技术所研究的生物特征包括人脸、指纹、手掌纹、掌型、虹膜、视网膜、静脉、声音(语音)、体形、红外温谱、耳型、气味、个人习惯(例如敲击键盘的力度和频率、签字、步态)等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、静脉识别、语音识别(用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术)、体形识别、键盘敲击识别、签字识别等。
几何特征的人脸识别方法
几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快，需要的内存小，但识别率较低。
基于特征脸(PCA)的人脸识别方法
特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以转成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。
神经网络的人脸识别方法
神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。
弹性图匹配的人脸识别方法
弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。
线段Hausdorff 距离(LHD) 的人脸识别方法
心理学的研究表明，人类在识别轮廓图(比如漫画)的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。
支持向量机(SVM) 的人脸识别方法
近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本(每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，核函数的取法没有统一的理论。

⑻ 程良伦的发表论文

1. 古连华,程良伦,ZHU Quan-Min, Aμ-MAC:一种自适应的无线传感器网络MAC协议[J]. 自动化学报,2010,(1).
2. 黄曼;程良伦.基于蚁群优化的WSN功率自适应路由算法[J/OL].计算机工程,,():1[2011/7/11].
3. 黄帅,程良伦. 一种基于虚拟力的有向传感器网络低冗余覆盖增强算法[J]. 传感技术学报,2011,(3).
4. 彭蓓雷,程良伦. 一种节点任务活动状态感知的改进型S-MAC协议[J]. 传感器与微系统,2011,(5).
5. 刘洪涛,程良伦. 基于DHT的物联网命名服务体系结构研究[J]. 计算机应用研究,2011,(6).
6. 刘洪涛,程良伦. 基于优先级的服务区分和速率控制策略[J]. 计算机应用,2011,(6).
7. 张小波,程良伦. Web Service在企业集成中的安全应用[J]. 计算机应用与软件,2011,(6).
8. 陈聪传,程良伦. 区域细化的RFID室内定位算法[J]. 计算机应用与软件,2011,(1).
9. 范富明,程良伦. TFT-LCD检测中基于激光三角法的显微镜离焦快速在线检测及补偿[J]. 中国激光,2011,(2).
10. 冯芳,程良伦. 一种高节能多跳分层路由协议[J]. 自动化仪表,2011,(2).
11. 任斌,程良伦. 多项式光滑的支持向量回归机[J]. 控制理论与应用,2011,(2).
12. 林观康,程良伦. 基于地理信息静态分簇的无线传感器网络路由算法[J]. 计算机应用与软件,2011,(2).
13. 谢晓松,程良伦. 传感器网络基于移动信标改进的DV-Hop定位算法[J]. 计算机应用与软件,2011,(4).
14. 谢晓松,程良伦. 无线传感器网络基于移动信标动态选择的定位算法[J]. 传感器与微系统,2011,(1).
15. 汤子隆,程良伦. 一种新的支持移动Sink的多媒体传感器网络路由协议[J]. 传感器与微系统,2011,(3).
16. 任斌,程良伦. 基于RSPHL算法的圆形标志定位方法[J]. 计算机工程,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. 邓洁,程良伦,大规模无线传感器网络多优先级自适应分簇路由协议[J]. 传感器与微系统,2010,(8).
31. 程良伦,江伟欢,SMD缺陷检测中快速图像匹配算法研究[J]. 计算机应用与软件,2010,(11).
32. 姜钧,程良伦,黄帅,一种检测薄膜晶体管液晶屏的自动对焦方法[J]. 激光与红外,2010,(12).
33. 汤子隆,程良伦,一种新的基于地理信息的多媒体传感器网络路由协议[J]. 计算机应用与软件,2010,(12).
34. 肖磊,程良伦,范富明,TFT-LCD面板反射的能量对光斑图像的影响[J]. 微型机与应用,2010,(21).
35. 申建芳,程良伦,基于区分服务的自适应跨层调度算法[J]. 计算机工程,2010,(18).
36. 衷柳生,程良伦,基于区分服务的无线多媒体传感器网络QoS路由协议[J]. 计算机应用研究,2010,(11).
37. 冯芳,程良伦,无线传感器网络中一种新的基于神经网络的自适应路由算法[J]. 传感技术学报,2010,(10).
38. 程良伦,赖宇锋,基于改进ACS算法的SMT自动光学检测路径规划[J]. 计算机应用与软件,2010,(9).
39. 彭蓓雷,程良伦,基于MR防干扰下的高效能多播路由协议[J]. 传感技术学报,2010,(8).
40. 彭蓓雷,程良伦,一种节能意识的多路径QoS保证路由协议[J]. 化工自动化及仪表,2010,(7).
41. 范富明,程良伦,基于CANopen协议的精密光学平台多轴控制的研究[J]. 电气传动,2010,(7).
42. 刘洪涛,程良伦,具有移动汇聚节点的环境监测系统设计[J]. 计算机工程与应用,2010,(19).
43. 范富明,程良伦,王晓芬,潘建华,一种新型光学快速自动聚焦系统[J]. 光电工程,2010,(5).
44. 尹明,章云,程良伦,蔡述庭,分布式视频编码的自适应图像组结构研究[J]. 计算机应用,2010,(5).
45. 许亮,程良伦,黄志平,基于混合函数的KICA-LSSVM故障分类方法及应用[J]. 化工自动化及仪表,2010,(3).
46. 李少春,程良伦,一种自适应的混合型无线传感器网络拓扑控制算法[J]. 传感技术学报,2010,(3).
47. 黎大鹏,程良伦,基于锚节点动态选择和调整的传感器网络定位[J]. 计算机应用与软件,2010,(3).
48. 张小波,程良伦,何小敏,曾启杰,广域网环境下构建全集成互动式学习平台[J]. 广东工业大学学报(社会科学版),2010,(1).
49. 黎大鹏,程良伦,基于VWMC的传感器网络移动节点定位算法[J]. 计算机工程与设计,2010,(2).
50. 程良伦,江伟欢,基于二值投影的PCB元件安装缺陷检测算法研究[J]. 计算机工程与设计,2010,(3).
51. 尹明,章云,程良伦,蔡述庭. Wyner-Ziv视频编码中边信息估计算法改进[J]. 计算机应用研究,2009,(12).
52. 张丰贵,程良伦. 基于KDB树的RFID事件聚合过滤算法[J]. 计算机工程,2009,(21).
53. 江伟欢,程良伦. 水火弯板运动控制系统的研究[J]. 机床与液压,2009,(10).
54. 胡晓文,程良伦. 基于嵌入式MC206数控水火弯板机控制系统的设计[J]. 电气自动化,2009,(2).
55. 邓洁,程良伦. 基于二进制搜索算法的RFID系统防碰撞算法[J]. 广东工业大学学报,2009,(3).
56. 任斌,程良伦. AOI机器视觉系统中检测光源的分析和设计[J]. 微计算机信息,2009,(27).
57. 赖宇锋,程良伦. 基于小波变换与相位相关的PCB图像拼接算法[J]. 计算机应用研究,2009,(9).
58. 卢旭,程良伦. ASP和ASP·NET共享Session状态研究[J]. 计算机应用与软件,2009,(6).
59. 衷柳生,程良伦. 基于博弈论的无线传感器网络非均匀分簇路由算法[J]. 计算机应用研究,2009,(5).
60. 任斌,程良伦. 李雅普诺夫稳定性理论中V函数的构造研究[J]. 自动化与仪器仪表,2009,(2).
61. 古连华,程良伦. E-μMAC:一种高效的混合型无线传感器网络MAC协议[J]. 计算机应用研究,2009,(4).
62. 卢旭,程良伦. 高数据融合的非均匀分簇无线传感器网络路由协议[J]. 计算机应用研究,2009,(4).
63. 任斌,程良伦. PCB贴片安装缺陷自动光学检测系统关键技术[J]. 东莞理工学院学报,2009,(1).
64. 张彩霞,程良伦. 基于Hash的RFID安全协议的设计[J]. 包装工程,2009,(1).
65. 程良伦,林伟勇. 一种稳定高效的动态帧时隙ALOHA算法[J]. 计算机应用研究,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收录)
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收录)
71. 吴猛，程良伦.一种无线传感器网络节点及其实现方法[J].仪表技术与传感器，2008(12)：14-16.
72. 杜新恒，程良伦.无线传感器网络中距离无关定位算法的研究[J].计算机工程与应用，2008，44(33)：119-121.
73. 刘洪涛，程良伦.基于J2EE电力营销决策支持系统的研究与实现[J].计算机工程与应用，2008，44(15)：218-220.
74. 伦永亮，程良伦.基于PID变频调速技术的纸浆模塑烘干线系统设计[J].中国包装工业，2008(12)：30-33.
75. 程良伦，田云杰，陈少华.一种基于IEC61850标准的嵌入式合并单元的研究与实现[J].电力系统保护与控制，2008，36(20)：55-58,61.
76. 陈荣军，程良伦.一种新型实用棉条检测传感器[J].仪表技术与传感器，2008(6)：7-8,23.
77. 宋相慧，程良伦.基于无线传感器网络的移动数据库体系结构的研究[J].工业控制计算机，2008，21(5)：31-32.
78. 张鼎，程良伦.基于CC2500的RFID网络控制器的设计[J].工业控制计算机，2008，21(1)：27-28.
79. 刘学钢，程良伦.一种可编程的多协议RFID读写器的设计[J].微计算机信息，2007(23)：230-232.
80. 钟伟，程良伦.水利水文遥测系统的设计和实施[J].计算技术与自动化，2007，26(4)：102-105.
81. 刘学钢，程良伦.QTE网络编程在嵌入式水文信息采集系统中的应用[J].微计算机信息，2007(27)：23-25.
82. 田云杰，程良伦罗晟.基于IEC61850的嵌入式合并单元的研究[J].继电器，2007，35(10)：52-55.
83. 陈浩，程良伦张小波.基于向量空间模型的无导词义消歧[J].计算机工程与设计，2007，28(5)：1215-1218.
84. 程良伦，刘学钢.一种UHF及微波段RFID标签芯片的研究与应用[J].微计算机信息，2006(09Z)：182-184,74.
85. 张鼎华，程良伦，张凌.J2EE框架在需求侧用电管理信息系统中的应用[J].电力需求侧管理，2006，8(2)：15-17.
86. 周珊珊，程良伦.网络数据库的安全及性能优化[J].计算机与现代化，2006(1)：48-50.
87. 刘洪涛，程良伦.基于活动/资源/时间图模型的过程建模方法[J].现代计算机：下半月版，2005(5)：25-27.
88. 程良伦，许星.工业以太网的研究现状与发展[J].可编程控制器与工厂自动化(PLC FA)，2004(8)：12-16.
89. 程良伦，周晓辉，何小敏.基于Profibus的过程自动化网络系统[J].可编程控制器与工厂自动化(PLC FA)，2004(5)：51-53,79.
90. 程良伦.基于Profibus的过程自动化网络系统的设计与实现[J].世界仪表与自动化，2004，8(4)：24-24,26.
91. 罗世亮，邹谷山程良伦.PROFIBUS在制碱厂的应用[J].工业控制计算机，2003，16(12)：54-55.
92. 仲兆峰，许星，程良伦.基于PROFIBUS总线技术的工业网络的设计与实现[J].微计算机信息，2003，19(11)：6-7.
93. 仲兆峰，徐其迎，唐其伟，程良伦.计算机监控系统在峡口水闸中的应用[J].自动化技术与应用，2003，22(5)：78-81.
94. 程良伦欧金成等.IT与自动化在本科毕业设计中的融合[J].广东工业大学学报：社会科学版，2002，2(B06)：190-191.
95. 程良伦，杨宜民.管道内微机器人弯管运动的动力学稳定性[J].控制理论与应用，2001，18(1)：62-68.
96. 程良伦，杨宜民.新型精密直线驱动器及其控制器的研究[J].计算技术与自动化，2000，19(1)：19-21,30.
97. 程良伦，杨宜民.一种新型管道内微机器人的研究[J].机器人，1999，21(4)：249-255.
98. 程良伦，杨宜民.微型管道机器人[J].机器人技术与应用，1998(4)：16-17.
99. 杨宜民，程良伦.微细作业系统的现状,构成及其应用[J].机器人，1998，20(1)：32-36.
100. 程良伦，杨宜民.新型压电式直线驱动器的研究[J].高技术通讯，1997，7(10)：16-19.
101. 程良伦.全自动数控型电阻焊机的研究[J].广东工学院学报，1996，13(4)：96-101.

⑼ 利用matlab分别对三边测量定位算法和改进算法进行仿真和验证急求源程序

%%清空环境变量

clc

clear

loaddata

%%数据累加作为网络输入

[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

%%网络参数初始化

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;

%%学习速率初始化

u1=0.0015;

u2=0.0015;

u3=0.0015;

u4=0.0015;

u5=0.0015;

%%权值阀值初始化

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;

%%循环迭代

forj=1:10

%循环迭代

E(j)=0;

fori=1:30

%%网络输出计算

t=i;

LB_b=1/(1+exp(-w11*t));%LB层输出

LC_c1=LB_b*w21;%LC层输出

LC_c2=y(i,2)*LB_b*w22;%LC层输出

LC_c3=y(i,3)*LB_b*w23;%LC层输出

LC_c4=y(i,4)*LB_b*w24;%LC层输出

LC_c5=y(i,5)*LB_b*w25;%LC层输出

LC_c6=y(i,6)*LB_b*w26;%LC层输出

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

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));%阀值

ym=LD_d-theta;%网络输出值

yc(i)=ym;

%%权值修正

error=ym-y(i,1);%计算误差

E(j)=E(j)+abs(error);%误差求和

error1=error*(1+exp(-w11*t));%计算误差

error2=error*(1+exp(-w11*t));%计算误差

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);

%修改权值

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

%画误差随进化次数变化趋势

figure(1)

plot(E)

title('训练误差','fontsize',12);

xlabel('进化次数','fontsize',12);

ylabel('误差','fontsize',12);

%print-dtiff-r60028-3

%根据训出的灰色神经网络进行预测

fori=31:36

t=i;

LB_b=1/(1+exp(-w11*t));%LB层输出

LC_c1=LB_b*w21;%LC层输出

LC_c2=y(i,2)*LB_b*w22;%LC层输出

LC_c3=y(i,3)*LB_b*w23;%LC层输出

LC_c4=y(i,4)*LB_b*w24;%LC层输出

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层输出

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));%阀值

ym=LD_d-theta;%网络输出值

yc(i)=ym;

end

yc=yc*100000;

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

%计算预测的每月需求量

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 刷脸支付是真的吗

刷脸支付真的有骗局。

缴纳19900元，成为“支付宝城市独家代理商”，将刷脸支付推广后，可以拿到交易流水的提成收益——这样的“新型商业模式”，不仅交了代理费，每拿一台还要给钱。

支付宝官方提示广大消费者：支付宝没有任何官方刷脸支付代理商；支付宝刷脸代理不会收取任何代理费，天猫官方旗舰店均可买得到“蜻蜓”(支付宝官方的刷脸机器)。

(10)神经网络定位算法扩展阅读：

导航:首页 > 源码编译 > 神经网络定位算法

神经网络定位算法

与神经网络定位算法相关的资料