第12章  基于优化改进的反向传播神经网络目标识别

目前关于目标识别分类的方法有许多，比如支持向量机以及在它基础上发展出来的其他分类算法，如模糊支持向量机、先进支持向量机等，还有一些基于图像中目标结构进行分类的方法，除此以外，现在比较热门的人工智能，在分类算法中，神经网络也是图像处理的重要发展领域，因为神经网络模仿的是人类的大脑神经，所以在自主学习、泛化能力和高度并行性等方面更出色，能够很好地去解决非线性复杂目标识别问题，所以具有很高的研究价值和应用前景，所以在本章中将主要利用其作为识别算法来研究和验证。

目前在神经网络领域经常被使用的网络主要有径向基函数（RBF）神经网络、反向传播（BP）神经网络和Elman网络等多种网络。其中在理论研究中，我们通常使用得最多的是前两种神经网络。BP神经网络属于监督学习，一般都被应用于多层感知进行训练，而在实际工业应用中，BP神经网络虽然本身存在一些不足，但是它是被应用最多的网络。在非连续函数中，BP神经网络使得多层前向神经网络中的权重有非常好的调整效果。在BP神经网络中，它能够容纳大量的输入与输出之间的映射关系，最重要的是它具有强大的逼近能力。所以本章选择BP神经网络来作为系统最终的识别算法进行研究和验证。

通过理论分析和查阅文献，我们知道BP神经网络对任何复杂的神经网络具有非常强大的非线性映射能力，如果内部机制很复杂，它是不二之选，因为本章中目标识别是一个非常复杂的机制系统，所以选择它来做识别算法。另外它的映射条件没有那么苛刻，具备非常良好的学习能力，非常强的鲁棒性，且易用计算机操作处理实现。除上面非常好的优点外，它也存在许多不足的地方，最重要的就是BP神经网络的学习速度慢，这也是目前研究的重点；其次它本身存在容易陷入局部极值这样的问题，这样学习训练的效果会非常差；而且受参数设置的影响比较大，如果设置不同的参数，那么它得到结果也都不会相同。所以本章根据上述BP神经网络存在的不足之处对其进行优化，目前因为其参数可优化性比较强，所以利用目前一些比较好的优化算法对其进行融合，来提高BP神经网络的学习效率和收敛速度，这样通过局部参数优化来到全局优化的目的。本章选择粒子群来对其参数进行优化处理，然后再应用于多特征信息融合目标识别中去。

因为本书前面已经详细介绍了利用多传感图像信息采集，再对采集到的图像进行有效的预处理，主要包括对图像的去噪和图像增强，然后通过各种特征提取算法将图像中的目标特征提取，然后利用特征融合算法将获得的目标特征数据进行有效可靠的融合处理，本章将进行目标识别，所以下面主要对基于粒子群去优化神经网络进行论述和实验验证其有效性。