改进的BP神经网络在车辆目标识别中的应用研究

刘 路

（桂林航天工业学院，广西桂林 541004）

0 引言

近年来，智能识别和人工神经网络一直都是热门的研究方向，先后有谷歌、百度、华为和阿里巴巴等知名企业加入到其研发的队伍行列中。人工神经网络的研究涉及多学科多领域，应用范围也非常广泛，并在不断地扩展变宽，包括智能识别、模型构建、序列分析和生产控制等。在人工神经网络的研究领域，最热门的研究对象当属神经网络的学习算法，其中，对前馈神经网络学习算法的研究尤为深入，而BP神经网络是前馈神经网络中最具代表性的网络，对其改进优化的研究也是当今的热点之一。

目前，遥感图像下车辆目标的模式识别系统多数采用的是传统BP神经网络，传统的BP神经网络算法是基于梯度的最速下降法，因而存在固有的缺陷，如网络训练易陷入局部极小值、学习过程收敛速度缓慢、网络的结构难以确定、所设计网络泛化能力不能保证等，这些缺陷一定程度上影响了车辆目标模式识别系统的识别效率和准确度。李友[1]提出将含有车辆的道路从卫星图像中截取出来，结合灰度等纹理特征和BP神经网络的方法检测车辆目标。陈雪云[2]针对传统BP神经网络学习效率低下的问题，提出采用单纯性体积纹理算子优化训练样本，减少训练成本。本文提出采用随机梯度下降法和深层滑动神经网络算法对传统BP神经网络进行改进，能有效提高车辆目标识别系统的识别速度和精度。

1 传统的BP神经网络算法

传统的BP神经网络算法聚焦的对象是其网络闭值和权值的学习[3]，概括来说BP神经网络的学习过程主要是由信号正传播和误差反传播这两个过程构成。……