神经网络提取特征精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的神经网络提取特征主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络提取特征范文

关键词：图像分类；深度学习；Caffe框架；卷积神经网络

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）35-0209-03

Research and Implementation of Image Classification Based on Convolution Neural Network

WANG Chao

（Information Engineering Institute，East China University of Technology， Nanchang 330013， China）

Abstract： The problem of image classification has been the core problem in computer vision. A good solution is developed by further study which can solve the problem of extracting image features in image classification. In order to learn image features efficiently， constructing the machine learning model with hidden layer as well as training a large number of image data will eventually promote the accuracy of image classification or prediction. This paper is intended as an in-depth Caffe learning framework to construct a small image data-base. The convolutional neural network provided by Caffe framework will make a training analysis of the data set and then extract the information of target image features. These can be used for the final prediction of the target image. Compared with the traditional image classification algorithm， the accuracy of the prediction will be greatly improved.

Key words： image classification； deep learning； Caffe framework； Convolutional Neural Network

S着计算机与互联网技术的快速发展，我们已经进入了一个以图像构建的世界。但是面临有海量图像信息却找不到所需要的数据的困境，因而图像分类技术应运而生。通过各种机器学习算法使计算机自动将各类图像进行有效管理和分类，但是由于图像内容包含着大量复杂且难以描述的信息，图像特征提取和相识度匹配技术也存在一定的难题，要使得计算机能够像人类一样进行分类还是有很大的困难。

深度学习是近十年来人工智能领域取得的重要突破，在图像识别中的应用取得了巨大的进步，传统的机器学习模型属于神经网络模型，神经网络有大量的参数，经常会出现过拟合问题，因而对目标检测准确率上比较低。本文采用卷积神经网络框架，图像特征是从大数据中自动学习得到，而且神经网络的结构深由很多层组成，通过重复利用中间层的计算单元来减少参数，在特征汇聚阶段引入图像中目标的显著信信息，增强了图像的特征表达能力。通过在图像层次稀疏表示中引入图像显著信息，加强了图像特征的语义信息，得到图像显著特征表示，通过实验测试，效果比传统的图像分类算法预测的准确度有明显的提升。

1 基于卷积神经网络的图像分类方法

1.1 人工神经网络

人工神经网络（Artificial Neural Network， ANN）是描述生物神经网络运行机理和工作过程的抽象和简化了的数学物理模型，使用路径权值的有向图来表示模型中的人工神经元节点和神经元之间的连接关系，之后通过硬件或软件程序实现上述有向图的运行[1]。目前最典型的人工神经网络算法包括：目前最典型的人工神经网络有BP网络 [2]Hopfield网络[3]Boltzmann机[4]SOFM网络[5]以及ART网络人工神经网络[6]，算法流程图如图1所示[7]。

1.2 卷积神经网络框架的架构

Caffe是Convolutional Architecture for Fast Feature Embedding的缩写[8]，意为快速特征嵌入的卷积结构，包含最先进的深度学习算法以及一系列的参考模型，图2表示的是卷积神经网络结构图。Caffe深度学习框架主要依赖CUDA，IntelMKL，OpenCV，glog软件以及caffe文件。本文使用的各个软件版本说明，如表1所示。

Caffe深度学习框架提供了多个经典的卷积神经网络模型，卷积神经网络是一种多层的监督学习神经网络，利用隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能，卷积神经网络模型通过采取梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练来提高网络的精度。卷积神经网络使用权值共享，这一结构类似于生物神经网络，从而使网络的复杂程度明显降低，并且权值的数量也有大幅度的减少，本文使用这些模型直接进行训练，和传统的图像分类算法对比，性能有很大的提升，框架系统训练识别基本流程如图3表示。

1.3 图像分类特征提取

卷积神经网络的结构层次相比传统的浅层的神经网络来说，要复杂得多，每两层的神经元使用了局部连接的方式进行连接、神经元共享连接权重以及时间或空间上使用降采样充分利用数据本身的特征，因此决定了卷积神经网络与传统神经网络相比维度大幅度降低，从而降低计算时间的复杂度。卷积神经网络主要分为两个过程，分为卷积和采样，分别的对上层数据进行提取抽象和对数据进行降维的作用。

本文以Caffe深度学习框架中的 CIFAR-10数据集的猫的网络模型为例，如图4所示，对卷积神经网络模型进行训练。CIFAR-10是一个标准图像图像训练集，由六万张图像组成，共有10类（分为飞机，小汽车，鸟，猫，鹿，狗，青蛙，马，船，卡车），每个图片都是32×32像素的RGB彩色图像。通过对数据进行提取和降维的方法来提取图像数据的特征。

2 实验分析

将猫的图像训练集放在train的文件夹下，并统一修改成256×256像素大小，并对猫的图像训练集进行标记，标签为1，运行选择cpu进行训练，每进行10次迭代进行一次测试，测试间隔为10次，初始化学习率为0.001，每20次迭代显示一次信息，最大迭代次数为200次，网络训练的动量为0.9，权重衰退为0.0005，5000次进行一次当前状态的记录，记录显示如下图5所示，预测的准度在98%以上。而相比传统的图像分类算法BP神经网络网络的收敛性慢，训练时间长的，网络的学习和记忆具有不稳定性，因而卷e神经网络框架在训练时间和预测准度上具有非常大的优势。

3 结束语

本文使用Caffe深度学习框架，以CIFAR-10数据集中猫的网络模型为例，构建小型猫的数据集，提取猫的图象特征信息，最后和目标猫图像进行预测，并和传统的图像分类算法进行对比，预测的准确率有很大的提升。

参考文献：

[1] 杨铮， 吴陈沭， 刘云浩. 位置计算： 无线网络定位与可定位性[M]. 北京： 清华大学出版社， 2014.

[2] 丁士折. 人工神经网络基础[M]. 哈尔滨： 哈尔滨工程大学出版社， 2008.

[3] McClelland J L， Rumelhart D E， PDP Research Group. Parallel distributedprocessing[J]. Explorations in the microstructure of cognition， 1986， 2.

[4] Hopfield J J. Neural networks and physical systems with emergent collectivecomputational abilities[J]. Proceedings of the national academy of sciences， 1982， 79（8）： 2554-2558.

[5] Ackley D H， Hinton G E， Sejnowski T J. A learning algorithm for boltzmannmachines[J]. Cognitive science， 1985， 9（1）： 147-169.

[6] Kohonenmaps T. Self-Organized Formation of Topologically Correct Feature Maps[J]. Biological Cybernetics，1982， 43（1）： 59-69.

第2篇：神经网络提取特征范文

关键词：乳腺癌；计算机辅助诊断；肿瘤；B 神经网络

中图分类号：TB

文献标识码：A

doi：10.19311/ki.16723198.2016.26.149

1 研究背景

乳腺癌在初期常无明显临床症状，或者仅仅表征为轻微的疼痛。至今为止，乳腺癌发病的确切原因还不明确，虽然已知遗传因素、环境因素和生活方式对乳腺癌的发病有一定影响，但60%以上的乳腺癌并不存在明显的危险因素。目前还没有有效的预防乳腺癌方法，而且中、晚期乳腺癌患者的愈后效果很差，任何干预都很难见效。因此，早发现、早诊断仍是当前提高乳腺癌治愈率和降低死亡率的最有效途径。

肿瘤是乳腺癌的直接病理征象，也是乳腺癌的主要诊断依据，但尽管肿瘤是乳腺癌的一个重要早期迹象，但是医师用肉眼很难将它们与正常的乳腺组织区分开来。但计算机辅助诊断（CAD）技术可以帮助医师有效地进行对乳腺异常的检测。

近些年来，随着B 神经网络理论的飞速发展和高度成熟，B 神经网络在医学领域得到了广泛应用，如赵炳让利用B 神经网对冠心病进行来辅助诊断，取得了很好的效果。EI-Solh用B 神经网络对活动性肺结核进行辅助诊断，实验结果显示正确诊断肺结核的灵敏度为100%，其表明了B 神经网络在诊断活动性肺结核的应用效果上高于临床医生的主观评价，具备广泛的推广价值。Monica DiLuca等人通过基于B 神经网络的仿真实验对早期阿尔茨海默病进行了辅助诊断。

2 基于B 神经网络的乳腺肿瘤计算机辅助诊断方法

2.1 提取ROI

本文实验对象为选自DDSM数据库中的乳腺图像，首先将ROI从实验样本图像中提取出。

2.2 提取特征

特征的提取是所有工作中关键的一环，是模式识别和专家自动诊断系统的关键技术之一。其基本流程是：在对实验图像进行预处理（包括图像定向、图像去噪和图像增强等）后，进行图像的分割以提取出所需的ROI，最后对ROI进行特征提取。经过以上步骤提取出的特征被用于对乳腺肿瘤良恶性的诊断，从而为医师提供医疗建议。

对2.1节实验中所得到的ROI进行特征提取，提取到基于不变矩、基于图像内容等的79维特征。

2.3 辅助诊断

将2.2节实验所得的79维特征值进行归一化处理，再将经过处理的79个特征数据作为B 神经网络的79个输入。将良性乳腺肿瘤和恶性乳腺肿瘤这两个不同的乳腺肿瘤类别作为B 神经网络的期望输出。

下面通过仿真实验，记录其迭代次数、程序运行时间和诊断准确率，并取其平均值，以完成对网络性能的评价。

将样本数据随机排序并编号后，采用5-折交叉法将其分为5组。每次实验所使用的训练样本数据和测试样本数据如表1所示。

平均迭代次数为10.2次，乳腺肿瘤诊断准确率平均值为94.41434%，并且每次仿真的迭代次数和准确率都非常的接近，网络的性能优良。这说明，使用B 神经网络对乳腺肿瘤进行辅助诊断是可行的且取得了良好的诊断效果。

3 总结

本文在B 神经网络方法的基础上，对实验所用的乳腺图像样本进行了辅助诊断。主要工作为：

（1）分割出样本图像的ROI；

（2）提取了样本图像ROI的79维特征；

（3）使用B 神经网络方法对样本数据进行辅助诊断，仿真结果显示将B 神经网络用于检测乳腺肿瘤的良恶性时，网络的性能优良且有很好的诊断准确率。

参考文献

[1]胡永升.现代乳腺影像诊断学[M].北京：科学出版社，2001.

[2]刘君，方志沂.乳腺癌的早期诊断.中国全科医学，2002，5（6）：431432.

[3]郝欣，曹颖，夏顺仁.基于医学图像内容检索的计算机辅助乳腺x线影像诊断技术.中国生物医学工程学报，2009，28（6）：922930.

[4]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2007.

[5]赵炳让，胡北来，秦勤.人工神经网络在冠心病诊断中的应用.天津医药，2002，30（9）：575576.

[6]Ali A，EI-Solh，Chiu-Bin Hsiao，Susan Goodnough，et al. redicting active pulmonary tuberculosis using an artificial network.Chest，2009，（116）：968973.

第3篇：神经网络提取特征范文

关键词：神经网络;模糊逻辑;模式识别;具体应用

现阶段人工智能领域正在开展关于多种智能识别方法的融合应用来改善识别效果，基于模糊逻辑与神经网络而成的模糊神经网络对于真正智能模拟的实现有着极为重要的作用。

1.模式识别概述

模式在本质上是一个内涵十分丰富的概念，其主要是指人类可以利用感官直接或间接接受的外界信息，Watanabe等人在研究中将模式定义为：凡是可以给出一个名字的便可以称为“模式”，并且其在定义过程中将某些具有共同特性的模式集合统称为“模式类”。“模式识别”在本质上是识别特定事物或模式相同点与相似点的过程，所以在研究过程中主要是利用自动技术来实现这一过程，在该类技术的支撑下计算机可以自动地将待识别模式分配到各自的模式类中，在这个过程中用到的技术统称为模式识别技术，尤其是在计算机技术的支撑下使其发展形成一种模拟人的识别方法，所以对于模式识别的概念应该定义为自动判别和分类的过程。模式识别的过程为研究对象、数据采集、数据预处理、测量空间、特征选择与提出、特征空间比对、模式分类、储存至类型空间等，对于整个模式识别过程来说数据采集、数据预处理、特征提取以及特征选择是其重点。在模式识别中，数据预处理后所获取的原始数据所在空间则被称为测量空间，将模式进行分类的空间则称为特征空间。模式识别系统在设计过程中主要由学习模块与测试模块两个核心模块组成，并且整个系统在运行过程中具备训练模式样本特征数据输入、制定分类判决规则、错误率检测、模式样本特征选择和正特提取方法调整等多项功能。

2.模式识别系统分析

模式识别系统在运行中的学习模块与测试模块中都设计了数据预处理的功能，其可以根据用户需求将感兴趣的模式从背景中进行分离处理，并且可以避免噪声信号对整个系统的运行产生影响，还可以根据用户的实际需求来建立标准化模式样本等。学习模块在运行中会将已知的样本模式进行数值化处理后输入计算机，这个过程被称为训练模式样本特征数据的输入，系统可以对输入的样本进行分析并排除无效或容易出现混淆的特征，对于一些对分类判别有效的数据特征则可以进行界定并保留，这个过程被称为模式识别系统在运行阶段的特征选择。

模式识别系统在运行过程中还需要将一些变换技术作为支撑，这是因为通过变换技术的应用可以得出比原来数目少的综合性特征作为分类用，这一过程被称为特征维数压缩或特征提取，系统会按照设想的分类判决数学模型对样本模式进行训练来得出分类的判决规则。模式识别系统在获取判决规则后便可以开始整个识别过程，其需要将未知模式特征数据进行采集、选择与提取，然后根据已有的判决规则对输入的模式进行分类，最后便可以根据用户需求来输入整个模式识别的结果。系统还可以将已识别的分类结果与已知分类输入模式进行对比，以便于对判决规则与特征选择、提取方法进行不断的优化，系统只有在该种模式下才能制定出错误率最小的判决规则与特征选择、提取策略，对于模式识别系统来说，这一过程被称为再学习的过程。

3.神经网络在模式识别中的具体应用

国内在较早阶段便开始了神经网络在模式识别中应用的相关研究，但是学者所提出的研究成果并没有得到广泛应用。在20世纪80年代末期，我国一些专家对模式识别在地震特征提取等方面的应用进行了优化与改进，并结合不同地区不同地质条件开展了一系列试验研究，先后取得了很多效果十分显著的成果，并且在这个基础上为整个系统增加了人机交互功能，改进后的模式识别系统开始在国内相关领域中得到了广泛应用。我国部分领域所使用的模式识别系统在最初以统计识别策略为主，在最近几年才将神经网络识别策略应用于模式识别系统中。20世纪80年代后期，世界上关于人工神经网络的研究开始进入一个热潮，这是因为在该阶段由Rumelhart等人在研究中提出了反向传播学习算法，对于神经网络来说其可以有效解决前馈反向神经网络学习训练的问题，所以对于整个神经网络研究领域来说开辟了一条新的途径。前馈反向神经网络学习问题的有效解决使神经网络的各项优势充分彰显出来，而前馈反向神经网络模式识别则成为模式识别中的一个核心发展方向，并且开始被广泛应用于生物、医学、地质以及化工等产品检测领域中，本文认为关于神经网络在模式识别中的应用将会给社会带来巨大变革，同时也意味着基于神经网络的模式识别技术将成为网络数字化时代的一项核心技术。

4.结语

现阶段前馈反向神经网络模式识别已经开始在社会各领域进行实践应用，虽然在该技术体系中还存在一些不足与缺陷，但是在现代科技的支持下其势必会迎来一个新的发展时期，对于我国社会各生产领域来说有着极为重要的推动作用。

参考文献：

[1]汪烈军.一种改进的结构自适应自组织神经网络算法[J].微电子学与计算机，2007（01）.

[2]赵菊敏，程海青，张立毅.基于动量项前馈神经网络盲均衡算法[J].太原理工大学学报，2007（03）.

第4篇：神经网络提取特征范文

【关键词】人工神经网络；故障诊断；模式识别；Matlab软件

一、人工神经网络综述

BP神经网络是目前应用最为广泛和成功的神经网络之一，它是由一个输入层，一个或多个隐层以及一个输出层组成，上下层之间实现全连接，而每层神经元之间没有连接。网络的学习过程包括信号正向传播和误差反向传播。在正向传播进程中，输入信息从输入层经隐层加权处理传向输出层，经功能函数运算后得到的输出值与期望值进行比较，若有误差，则误差反向传播，沿原先的连接通道返回，通过逐层修改各层的权重系数，减小误差。随着这种误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。

二、人工神经网络的识别、诊断过程

滚动轴承在设备中是比较典型的，本文以滚动轴承的故障识别、诊断为例。进行模式识别的大体步骤为：首先对经过零均值化后的振动信号数据进行时域、频域分析，将筛选后的有效时域、频域特征值作为人工神经网络输入层的输入，经Matlab软件进行神经网络的训练，最后可得出一个可以识别轴承工作状态的神经网络，进而可以对滚动轴承进行模式识别。可见采用振动信号检测法对机器设备进行故障诊断的过程包含信号采集、特征提取、状态识别、故障分析和决策干预等五个基本环节，在滚动轴承故障诊断中，振动信号的采集是关键，保证信号采集的准确性、合理性和实时性是正确实现故障诊断的前提。（1）信号采集。每台机器设备都有自身的固有频率，若设备发生故障，其频率变化，其振动信号也会发生变化。因此，振动信号可以作为故障诊断的一个重要标准。在信号采集中主要用到加速度传感器、电荷放大器、带滤波的A/D转换器。先通过压电式加速度传感器对振动信号进行拾取，然后经过电荷放大器及通过带滤波的A/D转换电路得到微机可以识别的数字信号，从而实现振动信号的采集。（2）特征值提取。为了便于观察，要把采样点的值分布在0附近，故先对采集的采样点值进行零均值化。用matlab对零均值化后的的采样点进行时域、频域分析。时域分析是计算振动信号的在时域范围内的特征参数，包括：平均值、方差、均方根、峰值峰值因子、峭度系数等参数。频域分析是对零均值化后数据进行傅里叶变换，绘制频谱图，对不同样本故障轴承和正常轴承的频谱图进行对比，找出幅值差别比较明显的几组，作为频域分析的特征值。由于各个特征值的幅值大小不一致，不便于比较同一特征值在不同样本之间的差异，所以对所有有效特征值进行归一化，归一化后的结果可以作为神经网络的输入值。（3）模式识别和故障分析。在状态检测过程中，样本数据来源于实验数据分析后提取的有效特征值，这些有效的特征值作为神经网络的输入。神经网络的输出为轴承状态，分为正常轴承和故障轴承（也可以把故障具体分，比如内圈、外圈、滚动体故障等），可以用（0 1）表示正常轴承，（1 1）表示故障轴承，因此网络中设计2个输出神经元表示这2个状态。对轴承的不同状态进行识别，建立神经网络对它进行训练，可以用公式（其中是输入层神经元数，是隐层神经元数）大体的计算出隐层神经元层数。我们设计一个隐层可以随意改变的BP神经网络，通过误差对比确定隐层数目。设定神经网络的隐含层神经元的传递函数为tansig，输出层神经元的传递函数为logsig，目标误差为0.001，最大训练步数为1000。由以上设计写出网络训练代码，经Matlab运行，找出网络误差最小所对应层数，该层数作为神经网络的隐层。

确定神经网络的隐层后便可确定神经网络的最终结构，下一步就要对网络进行训练，使人工神经网络所产生的网络误差小于目标误差，对神经网络训练好以后，接下来就是对轴承的测试，神经网络测试代码为：y=sim（net，测试数据）。把正常轴承和故障轴承的测试数据导入Matlab程序中，结果整理后可得（以实验室中的一组实验数据为例）：

用均值表示结果为：

把预先设定好的状态值和测试后的结果进行比较，很清楚的可以辨别出正常轴承和故障轴承。可见，对机器设备或者系统的故障诊断实质是一个模式识别过程。利用神经网络的模式识别能力，直接识别系统的当前模式，实现正常模式和故障模式之间、以及不同故障模式或不同故障程度之间的区分。

参 考 文 献

第5篇：神经网络提取特征范文

关键词：手势动作识别 PNN 传播率 识别率

中图分类号：TP183 文献标识码：A 文章编号：1672-3791（2013）07（a）-0217-01

表面肌电信号（sEMG）是从皮肤表面由电极引导记录下来的一种重要的生物电信号。表面肌电信号使用方便，对人体无损伤，被广大的手势动作识别研究中应用，同时也是智能假肢理想的控制信号源。目前，在手势动作识别方面国内外学者取得了有效的成果。例如K.Englehart等对四种手势动作进行识别，识别率为90%。2004年Kiguchi.K等人提出的识别方法大致可分为统计识别方法、句法识别、集成识别方法、神经网络识别方法等。本文采用改进的PNN神经网络方法进行识别，该方法结构简单、训练时间短且识别率较高不仅克服了传统BP神经网络识别率低、训练时间长的缺点同时也克服了传统PNN网络传播率系数需要手动设置的不足，较好的改善了识别率。本文采用改进的PNN神经网络对造型“C”、食指伸展、伸腕、向下曲腕、握拳、向侧曲腕、手掌伸展7种手势动作进行模式识别。

1 sEMG的特征提取与特征选择

表面肌电信号的特征提取对手势动作的识别率有直接影响。本文采用时域、频域及时频域的特征作为不同手势动作的特征。但是，特征太多会给计算带来困难，而且会造成分类效果的恶化。因此本文采用K-W检验的方法对时域、频域及时频域的单个特征进行评价，选择最具有分离度的特征。本文将提取的特征作为改进PNN神经网络的输入信息对7种手势动作识别分类，并与传统的神经网络进行识别率对比分析。

2 改进PNN神经网络模型

PNN神经网络是1990年由Specht提出的一种径向基函数（RBF）网络的重要变形。它的训练学习过程是一个完全正向的过程这一点与传统神经网络不同，大大减少了训练时间。不仅如此该网络不易陷入局部极小值点，非常适合模式识别研究。在进行仿真实验时，传播率的改变对识别结果的影响明显，总会有一个值能使识别率最高，但是在概率神经网络中该参数一般是手工设定，增加了训练时间，为了提高效率本文通过仿真实验，在多次试验中找使结果最好的取值。粒子群优化算法被广泛应用与优化数值的求解，本文采用该方法选取最优的传播率参数。

3 仿真实验及结果分析

将本文的改进算法统传统的算法进行比较分析，改进PNN神经网络算法记为P1算法，传统BP神经网络算法记为P2算法。对于P1算法：设计的PNN网络的结构为：输入层有4个神经元，输出层有7个神经元，中间层的传递函数为高斯函数，输出层的传递函数为线性函数。将第1通道均值、第2通道均值、第1通道功率谱密度、第2通道功率谱密度作为输入特征，进行仿真实验研究。

4 结论

传统的神经网络训练时间长且易陷入局部极小值，在手势动作识别研究中正确识别率也并不高，本文针对这些问题提出的改进PNN神经网络有效克服了这些不足，识别率提高到90%左右，并且训练时间也缩短了一半。有效的改善了手势动作识别效果。

改进PNN神经网络的提出为手势动作识别分类提供了理论基础，为智能假肢的研究提高的科学依据，但是，为了将手势动作的识别算法应用于智能假肢，改进的概率神经网络识别算法的识别率仍有待提高。因此，寻找更有效的识别算法，提高手势动作的识别准确率是今后的研究热点问题。

参考文献

[1] JIN D W，WANG R CH.Artificial lntelligent prosthesis[J].Chinese J. Clinical Rehabilitation，2002，5（20）：2994-2995.

[2] Paclik P，Novovicova J，Pudil P.Road sign classification using Laplace classifier[J].Pattern Recognition Letters，2000，21（13-14）：1165-1173.

[3] Sueteus P，Fua P， Hanson A putational strategies for object recognition[J].ACM Computing Surveys，1992，24（1）：5-61.

[4] Specht D.Probabilistic neural network[J].Neural Networks，1990，3（1）：109-118.

[5] McDuff R J，Simpson P K.An Investigation of Neural Networks for F-16 Fault Dignosis：II.System Performance[C]//SPIE 1294 Application of Artificial Neural Networks.1990：42-45.

第6篇：神经网络提取特征范文

关键字：木材表面缺陷,神经网络,BP网络

Abstract: from now neural network in pattern recognition of the development perspective, in large network structure optimization problem and network learning problems is still open to solve and improve. Therefore, to study various neural network in the wood surface defect recognition of the practicability and accuracy, wood surface defect recognition to promote the study of the method, has very important practical significance.

Key word: wood surface defect, neural network, and BP network

中图分类号：F762.4 文献标识码：A 文章编号：

随着科学技术的发展，神经网络理论作为一门新兴学科，近年来被广泛应用于木材表面缺陷的识别分类中，以达到神经网络具有的实时性、容错性以及学习性等特点。然而，由于木材表面缺陷种类繁多，随机性比较强，这些都给分类器提出了很高的要求。现阶段，人们普遍采用都是基于误差逆传播算法（BP）的神经网络，然而BP网络的缺点是对干扰量非常敏感、隐含层节点数需要经过多次尝试、学习速度慢且易陷入局部极小点。

1．误差逆传播神经网络(BP网络)

按照误差逆传播学习算法进行训练的多阶层神经网络被直接称为误差逆传播神经网络，即BP网络。BP网络是一种具有三层神经元的阶层神经网络，不同阶层神经元之间实现权重连接，而每层内各个神经元之间不连接。

2．木材缺陷特征提取

⑴ 划分缺陷区域并确定缺陷的尺寸和位置

在二值化图像中，相互连接的黑像素的集合称为一个区域。在这部分程序设计中，通过对图像内每个区域进行标记操作(标号)，求得这样区域的数目(也就是在这幅二值图像中存在的缺陷数)，进而计算每个缺陷的边界，再按照求得条件进行区域划分，把每个缺陷均划在一个区域中，使一幅图像分成多幅图像。然后分别对每个小幅图像进行计算，确定缺陷的位置及尺寸。

⑵ 根据缺陷位置及尺寸提取灰度特征

根据M[][]数组中的缺陷位置数据，从二值化前的灰度图像中提取缺陷的灰度特征，由此依次地得到缺陷特征数组BB[Rmax-Rmin][Lmax-Lmin]。其中缺陷部分为具体的灰度值，其它均为0。

3．BP网络设计

BP神经网络是目前所有神经网络中算法最为成熟，应用最为广泛的一种神经网络，且具有简单、易于实现等特点。

⑴ 输入层和输出层的设计

BP神经网络的输入，输出层维数完全根据使用者的要求来设计。本实验研究对象为木材缺陷图像，输入为表征木材图像缺陷特征的特征向量，在图像处理过程中，我们提取了缺陷的3个特征数据：缺陷灰度均值、缺陷灰度方差和缺陷形状。

如果把它们作为网络的输入，则网络的输入层的单元个数便确定为3个，根据所达到的识别要求，对木材的十种缺陷进行有效识别，选择输出层单元的个数十个，即每个单元的输出代表一种缺陷类型，这样便确定了网络的输入和输出层单元数目，再根据这两个数据确定中间层(隐层)单元数。

⑵ 隐层的设计

1989年，RobertHeeht-Nielson证明了对于任意在闭区间内的一个连续函数都可以用含一个隐层的BP神经网络来逼近，因而一个单隐层的BP神经网络可以完成任意的n维空间到m维空间的映射，隐层神经元数目选择是一个十分复杂的问题，往往需要根据设计者的经验和多次试验来确定，不存在一个理想的解析式来计算。

⑶ 初始值的选取

由于系统是非线性的，初始值对于学习能否达到局部最小和是否能够收敛的结果关系很大。一个重要的要求是：初始值在输入累加时使每个神经元的状态值接近于零，权值一般取随机数，要比较小。输入样本也同样希望进行归一化处理，使那些比较大的输入仍落在传递函数梯度大的地方。

⑷ 传递函数的选择

BP神经网络传递函数必须是可微的，根据网络的要求和所要达到的网络输出目的，选择网络中间层的传递函数为s形函数，它主要根据值的大小作出运算和判断，它的输出性质与所要求的网络输出具有相同的性质。

⑸ 网络学习算法的构成

木材缺陷的识别应用BP神经网络模型，网络训练采用梯度下降法，使输出误差最小，直到满足给定的精度要求。利用图像处理模块部分构成网络的输入特征量，即把缺陷的灰度均值、灰度方差和形状的长宽比作为输入向量{xl、x2、x3)选择值。这一步也就是向神经网络输入的待识别图像的数字特征通过计算机利用一定的算法对这些数字化特征进行分类。当神经元的非线性函数是s型时，由神经元组成的前传型网络的传递函数是连续可微的，故误差反向传播算法可以用LMS法则进行。

⑹识别网络的系统模型及构成

板材表面特征通常是表现为存在表面缺陷和无表面缺陷两种情况，所以适合选用两级神经网络板材表面缺陷检测模型。一级神经网络用于检测图像是否存在缺陷，如果存在缺陷，则图像存入缓冲区，利用二级神经网络对缓冲区的图像进行分析处理，如果没有缺陷，则不保存图像，直接输出检测结果；二级神经网络根据缺陷图像特征参数对缺陷进行分类，确定图像中每个缺陷的位置。

将人工神经网终与有效的特征提取结合起来，有可能获得更为满意的识别效果。根据图像处理模块分析提取反映缺陷形态的特征向量，这些特征向量既可直接输入神经网络的输入节点，作为网络训练或形态识别的参数，也可导入形态识别特征数据库。另外，为了提高网络的自适应性，进一步完善识别诊断模型，还可在原有的训练的网络基础上，对神经网络模型进行再学习。

4．识别结果与讨论

训练后的BP网络是否满足需要，必须经过检验才能确定。验证网络的正确性一般采用与实际样本数据相比较的方法，即先把验证样本的数据经初始化后输入模型号，经BP网络模型计算，输出相应数据，然后将对照样本的实际值与网络输出值相比较，若误差在允讲范围内，此网络是可用的，否则要重新训练。

5．结束语

神经网络算法识别给传统模式识别法带来了巨大的挑战。它具有记忆、学习和算法多样等功能，在识别中能够得到非常准确的识别结果，所以神经网络识别在对于板材表面缺陷识别这一方面具有可行性和应用价值。由于实验尚处于对神经网络开发的初级阶段，所选择的网络算法((BP算法)是神经网络算法中比较成熟的算法，它具有构造、学习等比较容易的优点，但它的一些不可克服的缺点却影响了它在应用中效果。但是这些缺点是可以克服的，神经网络识别的强大优势和识别效果是非常吸引人的。应用一些新型的网络算法，在多次实验研究的基础上，可以根据对板材表面缺陷识别的一些特有的要求来构造有利于这一识别的新型网络，那么神经网络方法对表面缺陷的识别即可达到优于其它传统识别方法的性能。所以，神经网络算法上的改进是今后研究木材表面缺陷神经网络识别首先解决的工作。

参考文献：

[1]王业琴等 计算机视觉木材表面色差检测的研究[J] 林业科技 2005

[2]赵茂程等 基于BP网络的树形识别系统研究[J] 林业科学 2004

第7篇：神经网络提取特征范文

关键词：径向基，神经网络，特征提取，有价证券识别

中图分类号：G64 文献标识码：A 文章编号：1672-3791（2015）05（c）-0000-00

1引言

随着我国经济快速发展，有价证券在日常经济活动中的流通也更加频繁，如何对有价证券进行快速鉴伪越来越重要。每张有价证券都具有独一无二的序列号，是每张有价证券的“身份证”，金融领域常采用有价证券序列号来进行有价证券的鉴伪，因此，如何对有价证券序列号进行快速识别是有价证券鉴伪工作的关键，也成为图像识别与人工智能领域研究的热点问题[1]。

传统的有价证券序列号主要采取人工识别，人工识别不但浪费大量的人力成本，而且识别效率低，已经不能适应快速发展的经济活动需求。随着计算机技术与自动验钞技术的发展，有价证券序列号自动识别系统引起了广大学者的广泛关注，新的算法与技术不断涌现出来。有价证券序列号识别主要为序列号图像特征的提取与分类两个阶段，其中分类器算法的设计是整个识别过程的关键。目前分类器算法主要采取模式匹配法。模式匹配算法是一种数字统计方法，在识别过程中由于有价证券自身的残缺、特征提取不够明显的前提下，会出现错识别现象，影响了整个系统的识别精度。同时模式匹配算法也缺乏智能性，无法适应整个清分系统的发展需求[2]。近年随着人工智能算法的不断发展，在不同领域得到了广泛应用，其中人工神经网络更是在模式识别算法中得到了重要应用，也为有价证券序列号识别提供了新的解决思路。

本文基于人工神经网络算法，提出了一种快速的有价证券序列号模式识别算法，并运用模拟仿真与模式识别算法进行了对比分析。

2 有价证券序列号码识别流程

有价证券序列号识别系统通常有硬件部分与软件部分组成。硬件部分包括计算机、光学图像传感器与数字信号处理单元，软件部分包括图像预处理、序列号特征提取与序列号识别等[3]。本文算法主演研究软件部分，识别系统如图1所示。

图1 有价证券序列号识别流程图

3 有价证券图像预处理与序列号特征提取

3.1有价证券图像预处理

图像预处理是机器视觉实际应用中非常重要的一个环节，能有效提高有价证券序列号的识别准确率。预处理包括对图像进行噪声抑制、信号增强及目标提取等。

有价证券放入验钞机后，通过CIS采集序列号正反两面图像，通常序列号的透射图像与反射图像位置信息基本一致，但由于有价证券在流通过程中会不可避免出现磨损、污染、缺损等现象，加上图像传感器本身存在的噪声源，因此图像采集过程中噪声会加载到原始图像上而影响后期处理。抑制噪声通常采用滤波操作，本文采用中值滤波法去除图像噪声。中值滤波法是基于邻域的算法，不仅可以有效清除脉冲噪声，同时能较好地保护图像边沿。其核心思想是为待处理像素点选取一个邻域，然后将邻域中所有的像素点按灰度级排序，再取中间值作为该点输出的像素。中值滤波的效果通常由邻域的空间范围和中值计算中所涉及的像素个数决定。去噪后的图像采用基于占空比的二值化方法对序列号图像进行二值化，同时利用Hough变换对序列号码图像进行了倾斜校正[4]。

基于有价证券图像特征，采用垂直投影法对字符上下边界及左右边界进行了准确定位与切分。切分好的序列号图像采用线性归一化方法，通过最近邻域插值法缩放成32x48的字符图像。

3.2有价证券序列号特征提取

特征提取是整个字符识别系统中十分重要的步骤，其基本任务是从原始数据中找到最能代表同类数据的特征及同类数据中的差异，从而有效提高识别率[5]。通过对比分析，本文采用基于网格的八方向梯度特征作为序列号字符的识别特征，网格特征能有效降低图像的维度并具有较好地区分性能，而梯度信息能反映出图像的轮廓信息。

4基于BP神经网络的有价证券序列号识别

人工神经网络是由许多神经元的节点相互连接构成，通常采用基本的BP（Back Propagation）神经网络或其衍生网络。BP神经网络是单向传播的多层前馈网络，第一层为输入节点，最后一层为输出节点，中间有一层或多层隐藏节点。一般中间层采用Sigmoid传递函数，而输出层一般采用线性变换函数。BP神经网络的特点是各神经元仅与相邻层神经元有连接而与本层神经元无连接，如图2所示。

图2 BP神经网络结构图

根据BP神经网络的特性，其初始值与激励函数对模型的识别性能有较大的影响。初始值选取不当可能造成神经网络的早熟或不收敛。本文采用遗传算法确定BP神经网络初值，激励函数采用经典Sigmoid函数，其模型如下式：

其中为阈值，T为网络温度常数。

本文针对有价证券序列号包含字符与数字的特征，采用的神经网络结构如表1所示，识别基本步骤如下：

1） 按照3.1所示方法对有价证券图像进行预处理；

2） 按照3.2所示方法对有价证券序列号图像进行字符分割与特征提取；

3） 对特征向量采取BP神经网络进行训练，建立有价证券序列号识别模型；

4） 对待识别有价证券序列号模型进行识别，输出结果。

5仿真分析

为验证BP神经网络在有价证券序列号识别中的有效性，选择了500张有价证券进行仿真测试，其中450张用于学习建模，50张用于测试，检验模型性能，运行结果表明，该方法能够很好对有价证券进行识别。该仿真采用PC机配置为：CPU PⅣ 2.4G，内存为2G，操作系统为Windows XP，编程语言Matlab，调用Matlab人工神经网络工具箱。同时以识别率和耗时最为指标对识别模型进行评估，并与模式匹配算法和向量机作为对比算法[6]，样本测试结果如表2所示。

从表2结果分析，采用BP神经网络算法正确率达到96%，高于其他两种算法的识别效果，识别速度也有较大的提升，更加符合有价证券序列号的在线、实时识别，结果表明了算法的有效性。

6 结论

本文以图像处理技术为基础，提出了一种基于BP神经网络的有价证券序列号识别算法。首先通过中值滤波降噪、二值化等技术对图像预处理，然后采用基于网格的八方向梯度特征对序列号进行特征提取，最后采用BP神经网络对其进行识别，并运用MATLAB进行仿真分析。仿真结果表明，本文算法具有识别准确率高，识别速度快的优点，验证了算法的有效性。

参考文献

[1]胡学娟阮双琛等.基于改进梯度方向直方图的有价证券识别.深圳大学学报理工版.2014（9）Vol.31

[2]涂豫.神经网络的有价证券序列号识别算法.计算机仿真.2011（12）

[3]刘洋.有价证券纸币号码识别算法的研究.辽宁工程技术大学.2012

[4]朱雪娇.图像清分的有价证券序列号码识别关键技术研究.南京理工大学2014

第8篇：神经网络提取特征范文

关键词：卷积神经网络 人体行为识别 Dropout

中图分类号：TP391.41 文献标识码：A 文章编号：1672-3791（2017）04（c）-0028-02

该文采用随机Dropout卷积神经网络，笔者将此法的优点大致概况为将繁琐杂乱的前期图像处理简易化，原来的图像不可以直接输入，现在的原始图像即可实现直输功能，因其特性得到广泛研究与应用。另外，卷积神经网络在图像的处理中能够将指定的姿势、阳光的照射反应、遮避、平面移动、缩小与放大等其他形式的扭曲达到鲁棒性，从而达到良好的容错能力，进而可以发现其在自适应能力方面也非常强大。因为卷积神经网络在之前建立网络模型时，样本库为训练阶段提供的样本，数量有限，品质上也很难满足要求，致使网络权值参数不能够完成实时有效的调度与整理。

1 卷积神经网络

据调查卷积神经网络由K.Fukushima在80年代提出，那时候它被称为神经认知机，这一认知成为当时的第一个网络，后来网络算法发生了规模性变革，由LeCun为代表提出了第一个手写数字识别模型，并成功投入到商业用途中。LeNet被业界冠以卷积神经网络的代表模型，这类系统在很多方面都起到了不容小趋的作用，它多数应用于各类不同的识别图像及处理中，在这些层面上取得了重要成果。

笔者经查阅资料发现卷积神经网络其实是由两个种类组合而来，它们分别是特征提取、分类器，这种组成我们可以看到特征提取类可由一定数量的卷积层以及子采样层相互重叠组合而成，全部都连接起来的1层或者2层神经网络，就是由分类器来进行安排的。卷积神经网络中的局部区域得到的感觉、权值的参数及子采样等可以说是重要网络结构特征。

1.1 基本CNN网络结构

图1中就是最为经典的LeNet-5网络模型结构图。通过图1中我们可以获悉，该模型有输入输出层，除这两层外还有6层，其征提取可在前4层中体现，后两层体现的是分类器。

在特征提取部分，6个卷积核通过卷积，是图像经尺寸为32×32的输入而得见表1，运算过程如式（1）：

（1）

式中：卷积后的图像与一个偏置组合起来，使函数得到激活，因此特征图变诞生了，通过输出得到了6个尺寸的特征图，这6个尺寸均为28×28，近而得到了第一层的卷积，以下笔者把它简要称为c1；那么c1层中的6个同尺寸图再经由下面的子采样2×2尺寸，再演变成特征图，数量还是6个，尺寸却变成了14×14，具体运算如公式（2）：

通过表2我们可以使xi生成的和与采样系数0.25相乘，那么采样层的生成也就是由加上了一个偏置，从而使函数被激活形成了采样层的第1个层次，以下我们简要称为s1；这种过程我们可反复运用，从而呈现出卷积层中的第2层，可以简要称之为c2，第2层简称s2；到目前为止，我们对特征的提取告一段落。

神经网络的识别，我们可以看到它是由激活函数而形成的一个状态，这一状态是由每个单元的输出而得；那么分类器在这里起到的作用是将卷积层全部连接起来，这种通过连接而使1层与上面1层所有特征图进行了串连，简要称之为c5；因而2层得到了退变与简化效应，从而使该神经网络成为经典，简要称之为F6，向量及权值是由F6 输送，然后由点积加上偏置得到结果的有效判定。

1.2 改进的随机DropoutCNN网络

1.2.1 基本Dropout方法

神经网络泛化能力能够得到提升，是基于Dropout方法的深入学习。固定关系中存在着节点的隐含，为使权值不再依附于这种关系，上述方法可随机提取部分神经元，这一特性是通过利用Dropout在网络训练阶段中随机性而得，对于取值能够有效的存储及保护存留，这一特性在输出设定方面一定要注重为0，这些被选择的神经元随然这次被抽中应用，但并不影响下次训练的过程，并具还可以恢复之前保留的取值，那么每两个神经元同时产生作用的规避，可以通过重复下次随机选择部分神经元的过程来解决；我们通过这种方法，使网络结构在每次训练阶段中都能呈现不同变化，使一些受限制的特征，不再受到干扰，使其真正能展现自身的优点，在基于Dropout方法中，我们可以将一些神经元的一半设为0来进行输出，随机神经元的百分比可控制在50%，有效的避免了特征的过度相似与稳合。

1.2.2 随机Dropout方法

Dropout方法就是随机输出为0的设定，它将一定比例神经元作为决定的因素，其定义网络在构建模型时得到广泛采用。神经元基于随机Dropout的方法是该文的重要网络输出途径，通过设定输出为0，使其在网络中得到变。图2是随机Dropout的加入神经元连接示意图，其在图中可知两类神经元：一类是分类器的神经元，这一阶段的神经元可分榱讲悖涣硪焕嗌窬元是由输出而形成的层次。模型在首次训练的阶段会使神经元随机形成冻结状态，这一状态所占的百分比为40%、60%，我们还可以看到30%及50%的神经元可能在网络随机被冻结，那么这次冻结可以发生在模型第二次训练，那么第三次神经元的冻结可从图示中得出70%及40%，还可以通过变化用人工设置，其范围值宜为35%～65%，那么网络神经元连接次序的多样化，也因此更为突出与精进，网络模型的泛化能力也得到了跨越势的提高。

2 实验及结果分析

2.1 实验方法

卷积神经网络通过实验，通过输入层呈现一灰色图像，该图像尺寸被设定成28×28的PNG格式，这里我们以图像框架图得到双线性差值，用来处理图像及原视频中的影像，将框架图的卷积核设定为5×5的尺寸，子采样系数控制值为0.25，采用SGD迭代200次，样本数量50个进行设定，一次误差反向传播实现批量处理，进行权值调整。实验采用交叉验证留一法，前四层为特征提取层，C1-S1-C2-S2按顺序排列，6-6-12-12个数是相应特征，通过下阶段加入随机Dropout，这阶段为双层也就是两层，进行连接，连接层为全体，从而可知结果由分类得出，又从输出层输出。

2.2 实验结果分析

识别错误率可通过卷积神经网络模型，及训练过程与检测过程中可查看到的。在训练阶段中，我们可以将Dropout的网络中融入200次训练，在将没有使用该方法的网络进行相互比较分析，我可以得知，后者训练时的识别错误率稍高于前者，前者与后的相比较所得的差异不是很大，进而我们可知使用Dropout方法，对卷积神经网络在泛化能力上得到有效的提升，从而有效的防止拟合。

3 结语

笔者基于Dropout卷积神经网络，人体行为识别在视频中进行， 通过Weizmann数据集检测实验结果，随机Dropout在分类器中加入。通过实验可以得知：随机Dropout的加入，使卷积神经构建了完美网络模型，并且使其在人体行为识别中的效率赢得了大幅度的提升，近而使泛化能力可以通过此类方法得到提高，可以防止拟合。

参考文献

[1] 其它计算机理论与技术[J].电子科技文摘，2002（6）.

第9篇：神经网络提取特征范文

关键词：神经网络；预测；剩余油气；模式识别；训练

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）09-0200-02

Abstract： The paper is aimed at the problem of traditional exploration methods can not predict the remaining oil and gas accurately， the methods of fuzzy theory and self-organizing map are approached. It takes the advantage of Fuzzy neural network system converging faster and higher prediction accuracy， as well as the unsupervised competitive learning mechanism of self-organizing map， it achieves the goal of predicting the remaining oil and gas. The method of neural network improve the precision of remaining oil and gas， it obtains better effect of prediction.

Key words： neural network； predict； remaining oil and gas； pattern recognition； train

石油是国家经济发展的命脉，油气勘探开发则是石油工业的基础，在国民经济的地位举足轻重。随着地震勘探理论方法日趋成熟，我国各大油气田勘探程度相继提高，油气田已经被大幅度开采。然而我国的石油平均采收率并不高，约为30%多一点，还有近70%的油气并未采收，传统的油气勘探方法已经不能满足增加石油的采收率。当前我国各大油田的地质勘探工作已经进入中后期，迫切需要一些新的方法研究方法和技术，对油气田剩余油气的分布和变化趋势做出预测，以便在寻找新的勘探开发领域，同时也能继续对老油气田进行挖掘，从而提高油气产量。

近些年来，随着神经网络技术[1]的日趋成熟，基于模式识别的各类方法技术，如统计模式识别、神经网络、模糊判别等技术和理论在剩余油气预测方面都得到了较多的应用，也取得了较好的结果。其中模糊理论具有很强的表达能力并且容易被人理解，神经网络的自适应学习能力很强。由于模糊理论和人工神经网络各自的优点，常常被单独或者是组合起来运用到实践中，本文主要介绍神经网络的方法运用于预测剩余油气的工作中。

1 模糊理论

1.1 发展历程

1965年美国加州大学伯里克分校的扎德教授首先创立了模糊集合的数学理论，随后P.N.Marions也开始从事相关研究，于1966年发表了一份关于模糊逻辑的研究报告。1974年扎德教授作了模糊推理的研究报告，同年英国的E.H.Mamdanl运用模糊逻辑和模糊推理首次实现了蒸汽机的实验性控制，从此模糊理论的雏形形成了，随后模糊理论[2]掀起了一波热潮。

1.2 在剩余油气预测中的应用

在预测剩余油气[3]的实践中，首先对地震资料做初步的特征提取，然后将提取的样本用模糊理论的聚类方法进行训练，对训练样本进行几类。每类都有各自对应的神经网络，用专属于每类的样本依次训练各自对应的神经网络。具体步骤如下：

1）流体属性的提取

流体属性数据是三维数据，属性的提取方法依赖于具体的物理问题与数据网格的划分。三维数据场属性边界的提取所采用的方法是求出网格点的梯度，特征区域一般是梯度模值较大的区域。对于均匀的三维网格，估计其梯度的方法可采用三维差分。为得到网格点上的梯度值，简单的方法是利用前、后、左、右、上、下六个邻近点的场值进行简单的差分估计。在计算流体力学问题中，采用的网格大都是结构化网格，为计算网格点上的梯度，需将网格变换为均匀规则正交网格。设三维网格交换为[x=T1（ξ，η，?）]，[y=T2（ξ，η，?）]，[z=T3（ξ，η，?）]，在点（m，n，p），其场值梯度在两种网格上的关系式为：

[?f?ξ?f?η?f??=?f?x?f?y?f?z?x?ξ?x?η?x???y?ξ?y?η?y???z?ξ?z?η?z??]

2）模糊系统处理流体属性

确定输入输出的学习样本[（αK，βK，γk）]，k为样本个数。利用模糊聚类的方法将输入样本分成N类，N类样本对应N条神经网络。利用各自的样本训练各自的神经网络，选择合适的学习样本，系统经过多次样本训练和样本学习之后，优化出一部分识别精度高的样本，优选的样本到达能辨别精度后，将该样本输出，这样就可以被识别了。

2 自组织神经网络

2.1 结构与工作过程

自组织神经网络是上世纪80年代芬兰Helsink大学的Kohonen在Willshaw与Von der Malsberg在的工作上，结合对自然界中的生物神经系统的理解，创建Kohonen模型，又称Kohonen网络。自组织神经网络[4]的特征映射是基于生物的大脑神经系统，模拟它的自组织特征映射机制，在样本训练中有很强大学习能力，在组织学习中不需要监控，是一种无监督竞争式学习的前馈网络。自组织神经网络通过学习，从而提取某组数据中的某种重要特征或内在规律，按离散时间的方式进行分类。网络可以把任意高维的输入作为输入神经元，映射到低维空间得到输出神经元，并且使得输入神经元内部的某些相似性质表现为几何上邻近的特征映射，这就是人们常说的降维处理。这样输出神经元会聚集成一个输出层，输出层就可以绘制成一维或二维离散几何图形，并且其拓扑结构保持不变。此分类反映了样本集之间的本质区别，大幅度降低了一致性准则中的人为因素。

如图1所示，SOM网络是一种比较简单的双层网络， 由若干输入神经元和输出神经元组成。输入层与输出层各神经元之间实现了全部互相直接或间接的连接方式，每个输出神经元可通过可变连接权与所有输入神经元相连， 且输出神经元间存在局部相互连接。每个连接都具有对应的连接权值，用于表示该连接的强度。各个神经元的连接权值均具有一定的分布，每个输入神经元与输出神经元之间的联系通过连接权来传达。输出层的神经元之间实行侧向连接，相邻的神经元相互激励，距离较远的神经元则相互抑制，然而超过了一定的距离的神经元又具有较弱的激励作用，最后剩下的一个神经元或一组神经元，则反映该类样本的属性。

2.2 预测剩余油气的步骤

1）根据勘探数据体提取流体属性[5]，并对其进行预处理。

2）优选出所要了解的流体属性，对其进行降维压缩，将压缩集作为模式识别的输入，以统计的油气储层参数作为输出来训练组组织神经网络。

3）利用模式识别[6]参数和降维压缩集对储层的油气进行预测，从而得到如今的剩余油气的分布。

3 结束语

本文针对传统油气勘探的方法难以满足预测油气田剩余油的难题，着重介绍了模糊理论和自组织神经网络的方法，这两种神经网络的方法各有优势。其中模糊神经网络的系统训练和学习速度快，收敛较快，预测的精度高。自组织神经网络的竞争模式起到了快速优选的作用，神经元之间的协作模式在某种意义上则缩短了整个流程的工作时间。总而言之，神经网络的技术与方法在预测油气田的剩余油气的实践中取得了不错的成果。

参考文献：

[1] 汪镭，周国兴，吴启迪.人工神经网络理论在控制领域中的应用综述[J].同济大学学报：自然科学版，2001，03：357-361.

[2] 王晓军，杨海峰，邱志平，等.基于测量数据的不确定性结构分析的模糊理论[J].北京航空航天大学学报，2010，08：887-891.

[3] 熊艳，包吉山，肖慈.模糊神经网络预测储层及油气[J].石油地球物理勘探，2000，02：222-227.

[4] 易荣庆，李文辉，王铎.基于自组织神经网络的特征识别[J].吉林大学学报：工学版，2009，01：148-153.