《基于BP神经网络的应用 毕业设计论文.doc》由会员分享，可在线阅读，更多相关《基于BP神经网络的应用 毕业设计论文.doc（17页珍藏版）》请在三一文库上搜索。
1、安阳师范学院本科学生毕业论文基于BP神经网络的应用作者 院（系） 物理与电气工程学院 专业 电子信息工程 年级 10级 学 号 101102056 指导教师 日期 2014.5.7 学生诚信承诺书本人郑重承诺：所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得安阳师范学院或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：日期：论文使用授权说明本人完全了解安阳师范学院有关保留、使用学位论文的规定，即：学
2、校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。签名：导师签名：日期：基于BP神经网络的应用 摘 要：神经网络是近年来信息科学、脑科学、神经心理学等诸多学科共同关注和研究的热点。由于其具有良好的抽象分类特性现已应用于图像识别系统的研究和开发，并成为解决识别相关问题的有效工具。文章在讲述图像识别过程的基础上重点讨论利用BP神经网络对人脸进行识别,用MATLAB完成对神经网络的训练和测试,并获得满意的结果。关键词：人脸识别；图像识别；BP神经网络1 引言1.1 设计的目的和意义 人脸识别技术具有广泛的应用前景，在国家安全
3、、军事安全和公共安全领域，智能门禁、智能视频监控、公安布控、海关身份验证、司机驾照验证等是典型的应用；在民事和经济领域，各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证，社会保险人的身份验证等具有重要的应用价值；在家庭娱乐等领域，人脸识别也具有一些有趣有益的应用，比如能够识别主人身份的智能玩具、家政机器人，具有真实面像的虚拟游戏玩家等等。 人工神经网络模式识别方法是近些年提出的新方法，为字符识别研究提供了一种新手段，它具有一些传统技术所没有的优点：良好的容错能力、分类能力强、并行处理能力和自学习能力。因而，采用神经网络识别方式是一种很好的选择。1.2 本课题的研究内容 第一部分为引言部分，
4、指出课题研究目的和意义、课题主要完成的工作；第二部分介绍了BP神经网络，涵盖BP算法、BP神经网络的基本原理及模型、BP算法的步骤，还介绍了BP神经网络的主要功能；第三部分介绍了基于BP神经网络的人脸识别技术的研究，主要包括BP神经网络分类器的设计、BP神经网络应用的程序设计、设计仿真结果；第四部分介绍了BP神经网络进行的优化及技术改进，通过系统设计的实现，用实验验证其有效性；第五部分为论文的结语部分，对本课题的设计进行了总结。2 神经网络的基本原理2.1 BP算法的概述人工神经网络（Artificial Neural Net works，简写为ANNs）也简称为神经网络（NNs）或称作连接模
5、型（Connectionist Model），它是一种模范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。人工神经网络发展的主要历程有:20世纪50年代末,Rosenblatt提出的感知器模型和Widrow提出的自适应线性元件,出现了简单的线性分类器;1986年,Rumelhart和Mcllelland 提出了层网络“误差反向传播算法(BP)”,使有导师学习多层感知器网络(ML PN)模式分类器走向实用化,在此基础上又派生出若干前向网络,如径向基函数网络( RBFN)和函数链网络等;1982
6、年,美国加州工学院的物理学家Hopfield提出的一种用于联想记忆和优化计算的反馈网络模型 ,由于引进了“能量函数” 的概念,使网络走向具体电路有了保证;20世纪 70年代,Watanabe 提出了使用模式子空间的概念来设计不同类别对应的子空间 ,由不同类别聚类的子空间实现模式识别; Kohonen提出的自组织特征映射网络模型等都为神经网络模式识别理论提供了进一步的根据。构成人工神经网络的三个基本要素是 :神经元、络拓扑结构和网络的训练 (学习)方法。神经元 (节点)的作用是把若干输入加权求和 ,并对这种加权和进行非线性处理后输出。神经元的选择一般有以下特点 :每个神经元都具有多个输入、个输出
7、 ,具有闭值 ,采用非线性函数。2.2 BP神经网络模型及其基本原理BP网络是一种多层前馈神经网络，由输入层、隐层和输出层组成。图1为一个典型的三层BP网络的拓扑结构，层与层之间采用全互连方式，同一层之间不存在相互连接,隐层可以有一层或多层。层与层之间有两种信号在流通：一种是工作信号(用实线表示)，它是施加输入信号后向前传播直到在输出端产生实际输出的信号，是输入和权值的函数。另一种是误差信号(用虚线表示),网络实际输出与期望输出间的差值即为误差，它由输出端开始逐层向后传播。BP网络的学习过程程由前向计算过程和误差反向传播过程组成。在前向计算过程中，输入量从输入层经隐层逐层计算，并传向输出层，每
8、层神经元的状态只影响下一层神经元的状态。如输出层不能得到期望的输出，则转入误差反向传播过程，误差信号沿原来的连接通路返回，逐次调整网络各层的权值和阈值，直至到达输入层，再重复向计算。这两个过程一次反复进行，不断调整各层的权值和阈值，使得网络误差最小或达到人们所期望的要求时，学习过程结束。 图1典型Bp网络模型 BP网络是应用最广泛的网络，现已成功地应用于图像识别、预测预估、语声变换、数据压缩、模式辨识和自动控制等领域。据统计，应用BP算法的神经网络高达80%。因此本文选用它作为进行人脸识别的方法。下面介绍其工作原理 。 BP算法的基本思想是，学习过程由信号的正向传播与误差的逆向传播两个过程组成
9、。正向传播时，模式作用于输入层，经隐层处理后，传向输出层。若输出层未能得到期望的输出，则转入误差的逆向传播阶段，将输出误差按某种子形式，通过隐层向输入层逐层返回，并“分摊”给各层的所有单元，从而获得各层单元的参考误差或称误差信号，以作为修改各单元权值的依据。这种信号正向传播与误差逆向传播的各层权矩阵的修改过程，是周而复始进行的。权值不断修改的过程，也就是网络的学习（或称训练）过程。此过程一直进行到网络输出的误差逐渐减少到可接受的程度或达到设定的学习次数为止。图2为BP算法流程图:图2算法流程图 2.3 BP算法的步骤 BP算法是一种有监督式的学习算法，其主要思想是：输入学习样本，使用反向传播算
10、法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。具体步骤如下：（1） 初始化，随机给定各连接权w,v及阀值i，rt。（2）由给定的输入输出模式对计算隐层、输出层各单元输出。（3）计算新的连接权及阀值。 （4）选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。第一步，网络初始化。给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数e，给定计算精度值和最大学习次数M。第二步,随机选取第k个输入样本及对应期望输出。第三步，计算隐含层各神经元的输入和输出。第四步，利用网
11、络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数。第五步，利用隐含层到输出层的连接权值、输出层和隐含层的输出计算误差函数对隐含层各神经元的偏导数。第六步，利用输出层各神经元和隐含层各神经元的输出来修正连接权值。第七步，利用隐含层各神经元和输入层各神经元的输入修正连接权。 第八步，计算全局误差。第九步，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。2.4 BP神经网络的主要功能 目前，在人工神经网络的实际应用中。绝大部分的神经网络模型都采用BP神经网络及其变化形式。它也是前
12、向网络的核心部分，体现了人工神经网络的精华。 BP网络主要用于以下四方面。（1）函数逼近：用输入向量和相应的输出向量训练一个网络以逼近一个函数。（2）模式识别：用一个待定的输出向量将它与输入向量联系起来。（3）分类：把输入向量所定义的合适方式进行分类。（4）数据压缩：减少输出向量维数以便传输或存储。3 基于BP神经网络的面部识别应用的设计3.1 BP网络神经实现人脸识别过程： 人脸识别就是对于输入的人脸图像或者视频，首先判断其中是否存在人脸，如果存在人脸，则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息，并依据这些信息，进一步提取每个人脸中所蕴含的身份特征，并将其与已知人脸库中的
13、人脸进行对比，从而识别每个人脸的身份。图3为人脸识别过程。人脸识别的过程可以分为以下三个部分：1、人脸检测：判断输入图像中是否存在人脸，如果有，给出每个人脸的位置，大小；2、面部特征定位：对找到的每个人脸，检测其主要器官的位置和形状等信息；3、人脸比对：根据面部特征定位的结果，与库中人脸对比，判断该人脸的身份信息； 图3人脸识别过程3.2 BP神经网络分类器的设计标准BP神经网络分3层，即输入层，隐含层和输出层.记输入层神经元数为I，隐含层神经元数为H，输出层神经元数为J.对于人脸类别数为p的人脸识别问题来说，网络输出层的神经元数J就取为人脸类别数p，对于任意一个人脸测试图像，可根据网络输出层
14、输出矢量的最大分量分类.人脸图像矢量的维数N通常比较大，而训练样本数K通常比较小，所以设计用于人脸识别的BP神经网络分类器比较困难.为了实现具有推广能力强的BP神经网络分类器，可以从特征压缩着手，压缩输入矢量的维数，并适当地选择隐含层的神经元数.为了加快网络训练的收敛速度，可对输入矢量作标准化处理，并给各连接权值适当地赋予初值。1 特征压缩 KL变换是在最小均方误差准则意义下获得数据压缩的最佳变换.KL变换的产生矩阵常取为训练样本集的总体散布矩阵或类间散布矩阵，本文将类间相关矩阵取作为KL变换的产生矩阵：(1)这里mi(i=1,p)是训练样本集中各类模式样本的均值矢量.产生矩阵Rb的秩一般为p
15、，由奇异值分解定理，可以得到Rb的p个正交归一特征向量，对于任意N维的人脸图像矢量，通过向特征向量投影可将人脸图像的特征维数从N维压缩到p维.2 隐含层神经元数的选取网络的隐含层可以认为是通过输入层与隐含层之间的连接权值的“自组织化”对输入模式进行特征抽取，并将抽取出的特征传递给输出层，关于隐含层的神经元数H的选取尚无理论上的指导.一般地，隐含层的神经元数H大，网络的冗余性大，增加了网络一次训练的训练时间，尽管使网络收敛的训练次数会减少，但会降低分类器的推广能力.为了保证分类器的稳定性，显然网络未知的连接权值的个数不宜超过训练样本值的个数，所以隐含层的神经元数H的选取宜满足如下要求：(I+1)
16、H+(H+1)JKI (2)人脸识别网络输出层的神经元数J取为人脸类别数p，而通过特征压缩，网络输入层的神经元数I也是取为人脸类别数p，这样可按下式选取隐含层的神经元数H：HK/2 (3)即网络隐含层的神经元数宜取为训练样本数的一半.3 输入矢量的标准化由于Sigmoid激励函数F(s)的曲线两端平坦，中间部分变化剧烈，为了提高网络的收敛速度，对网络输入矢量的每个分量宜作如下形式的标准化处理：(4)这里与(xi)分别为所有训练样本矢量的第i个分量xi的均值与均方差.4连接权值初值选取将网络输入、隐含两层神经元连接权值与隐含、输出层两层神经元连接权值分别记为wih与whj（i=0,I；h=0,H
17、；j=1,J），这里woh与woj为神经元阈值.一般认为连接权值初值可在区间-0.5,0.5内随机选取。假设网络连接权值初值在区间-,内随机选取，网络输入矢量x的分量xi相互独立，其均值为0，方差为1，并取神经元阈值初值为0，则在网络隐含层每个神经元上的输入为wihxi,由中心极限定理可认为它近似服从正态分布，其均值与方差为： (5)式中的近似等式可由统计知识得到.由于当自变量s在区间5，5上变化时，Sigmoid激励函数F(s)才起作用，因此根据正态分布的3规则，连接权值的初值选取宜满足如下要求： (6)3.3 BP网络的面部识别的程序设计3.3.1 面部图像信息提取（1）本文采用已得的面部
18、图形，如图： 图4面部图形（2）以脸向右为例，从面部取8个信息点，包括两眼间距等面部特征值，如下： 0.8700 1.4300 0.9100 3.1900 0.5500 0 0.10000 因为一共是8个特征值，所以可知用二值定义的用3个数表示向左的期望值：100 以此类推，可以定义出各种面部方向期望值为：1 1 0 0 00 0 0 1 10 0 0 0 0（3） 程序如下：images= ;M_train=1; %表示人脸N_train=5; %表示方向sample=;pixel_value=;sample_number=0;for j=1:N_train for i=1:M_trains
19、tr=strcat(Images,num2str(i),_,num2str(j),.bmp); %读取图像，连接字符串形成图像文件名。 img=imread(str); rows cols=size(img); %获得图像的行和列值 img_edge=edge(img,Sobel); %由于在分割图片中我们可以看到这个人脸的眼睛部分也就是位于分割后的第二行中，位置变化比较大，而且眼睛边缘检测效果很好 sub_rows=floor(rows/6); %最接近的最小整数,分成6行 sub_cols=floor(cols/8); %最接近的最小整数，分成8列 sample_num=M_train*N
20、_train; %前5个是第一幅人脸的5个角度 sample_number=sample_number+1; for subblock_i=1:8 %因为这还在i，j的循环中，所以不可以用i block_num=subblock_i; pixel_value(sample_number,block_num)=0; for ii=sub_rows:(2*sub_rows) for jj=(subblock_i-1)*sub_cols+1:subblock_i*sub_cols pixel_value(sample_number,block_num)=pixel_value(sample_numb
21、er,block_num)+img_edge(ii,jj); end end endendend%将特征值转换为小于1的值max_pixel_value=max(pixel_value); max_pixel_value_1=max(max_pixel_value); for i=1:3 mid_value=10i; if(max_pixel_value_1/mid_value)1)&(max_pixel_value_1/mid_value)10) multiple_num=1/mid_value; pixel_value=pixel_value*multiple_num; break; en
22、d end % T 为目标矢量 t=zeros(3,sample_number); %因为有五类，所以至少用3个数表示，5介于2的2次方和2的3次方之间 for i=1:sample_number % if(mod(i,5)=1)|(mod(i,5)=4)|(mod(i,5)=0) if(i9)&(i12)&(i3)&(i9)&(i6)&(i12)&(i=15) t(3,i)=1; end end 3.3.2 BP网络设计的程序程序如下： % NEWFF生成一个新的前向神经网络 % TRAIN对 BP 神经网络进行训练 % SIM对 BP 神经网络进行仿真 % 定义训练样本 % P 为输入矢量
23、 P=pixel_value% T 为目标矢量 T=tsize(P)size(T)% size(P)% size(T)% 创建一个新的前向神经网络 net_1=newff(minmax(P),10,3,tansig,purelin,traingdm)% 当前输入层权值和阈值 inputWeights=net_1.IW1,1 inputbias=net_1.b1 % 当前网络层权值和阈值 layerWeights=net_1.LW2,1 layerbias=net_1.b2 % 设置训练参数net_1.trainParam.show = 50; net_1.trainParam.lr = 0.0
24、5; net_1.trainParam.mc = 0.9; net_1.trainParam.epochs = 10000; %每次练1000次就显示一个结果net_1.trainParam.goal = 1e-3; %训练目标，误差小于0.001，就可以停止训练。% 调用 TRAINGDM 算法训练 BP 网络net_1,tr=train(net_1,P,T); % 对 BP 网络进行仿真A = sim(net_1,P); % 计算仿真误差 E = T - A; MSE=mse(E) x=0.14 0 1 1 0 1 1 1.2;sim(net_1,x) 其中设计的BP网络是包含一个隐含层，
25、一个输出层，隐含层设计了10个神经元，传递函数采用的是tansig，输出层设计了3个神经元，传递函数采用的是purelin。最后计算仿真误差。3.4 设计仿真结果通过计算可得到最后的误差为 9.8588e-004，近似为0，可以达到要求，实现对面部的识别，如图5所示。使用该BP神经网络设计，将能实现的效果，举例说明。如果采样输入为X=0.14 0 1 1 0 1 1 1.2、sim（net_1，x），得到仿真结果ans=0.3888 、-0.0781、1.2998由这组数据判断人脸的方向。图5 误差防真结果其中部分结果如下：(1)当前输入层权值和阈值inputWeights = 2.0293
26、0.1735 -0.7195 -0.5960 0.4144 -0.4572 -0.0045 0.5240 -1.3790 0.4991 -0.2724 0.3452 -0.6698 0.3092 0.5887 -0.5006 0.6020 0.7922 0.6370 -0.0844 0.2777 -0.3676 0.5203 0.9760 -0.0830 0.4701 -1.0475 0.6972 -0.1940 0.0816 0.2463 0.2062 1.9531 -0.5386 -0.6507 -0.0463 0.4502 -0.5764 0.4557 -0.3310 2.1315 -0
27、.2556 -0.8726 -0.1804 0.0062 0.5324 0.3741 0.8438 -0.2675 0.8918 -0.6682 0.5801 0.3499 -0.2472 -0.2788 0.1464 -2.6701 0.7706 0.2078 0.0380 -0.1072 0.6604 -0.3348 -0.1564 1.9952 -0.1857 -0.5105 -0.5034 -0.3297 0.7262 -0.2831 0.6181 -0.3756 0.8912 -0.7385 0.3189 -0.5731 0.2102 0.0665 0.4216(2)当前输入层阈值i
28、nputbias = 1.6589 1.3770 -4.5447 -0.1503 0.1323 -1.0410 -1.7268 -1.2491 1.7206 -2.3039(3)当前网络层权值和阈值layerWeights =0.5896 0.7603 -0.4571 0.4746 0.7878 0.3229 -0.8704 -0.1530 -0.1342 0.5207 0.9137 -0.6541 -0.4953 -0.7270 -0.6017 -0.4312 0.9767 0.0310 -0.5481 0.0596 0.0452 0.9595 0.7515 -0.9765 -0.4026
29、-0.0616 0.1656 -0.3321 0.1596 0.2811 layerbias = -0.5819 -0.2404 0.56674 BP神经网络的改进与优化4.1 标准BP算法的缺陷：1）易形成局部极小（属贪婪算法，局部最优)而得不到全局最优；2）训练次数多使得学习效率低下，收敛速度慢（需做大量运算）；3）隐节点的选取缺乏理论支持；4）训练时学习新样本有遗忘旧样本趋势。4.2 BP网络的优点以及局限性 BP神经网络最主要的优点是具有极强的非线性映射能力。理论上，对于一个三层和三层以上的BP网络，只要隐层神经元数目足够多，该网络就能以任意精度逼近一个非线性函数。其次，BP神经网络具
30、有对外界刺激和输入信息进行联想记忆的能力。这是因为它采用了分布并行的信息处理方式，对信息的提取必须采用联想的方式，才能将相关神经元全部调动起来。BP 神经网络通过预先存储信息和学习机制进行自适应训练，可以从不完整的信息和噪声干扰中恢复原始的完整信息。这种能力使其在图像复原、语言处理、模式识别等方面具有重要应用。再次，BP 神经网络对外界输入样本有很强的识别与分类能力。由于它具有强大的非线性处理能力，因此可以较好地进行非线性分类, 解决了神经网络发展史上的非线性分类难题。另外， BP 神经网络具有优化计算能力。BP神经网络本质上是一个非线性优化问题, 它可以在已知的约束条件下，寻找一组参数组合，
31、使该组合确定的目标函数达到最小。不过，其优化计算存在局部极小问题，必须通过改进完善。 由于BP网络训练中稳定性要求学习效率很小，所以梯度下降法使得训练很慢。动量法因为学习率的提高通常比单纯的梯度下降法要快一些，但在实际应用中还是速度不够，这两种方法通常只应用于递增训练。 多层神经网络可以应用于线性系统和非线性系统中，对于任意函数模拟逼近。当然，感知器和线性神经网络能够解决这类网络问题。但是，虽然理论上是可行的，但实际上BP网络并不一定总能有解。 对于非线性系统，选择合适的学习率是一个重要的问题。在线性网络中，学习率过大会导致训练过程不稳定。相反，学习率过小又会造成训练时间过长。和线性网络不同，
32、对于非线性多层网络很难选择很好的学习率。对那些快速训练算法，缺省参数值基本上都是最有效的设置。 非线性网络的误差面比线性网络的误差面复杂得多，问题在于多层网络中非线性传递函数有多个局部最优解。寻优的过程与初始点的选择关系很大，初始点如果更靠近局部最优点，而不是全局最优点，就不会得到正确的结果，这也是多层网络无法得到最优解的一个原因。为了解决这个问题，在实际训练过程中，应重复选取多个初始点进行训练，以保证训练结果的全局最优性。 网络隐层神经元的数目也对网络有一定的影响。神经元数目太少会造成网络的不适性，而神经元数目太多又会引起网络的过适性。4.3 改进的BP网络算法1 改进算法概述 此前有人提出
33、：任意选定一组自由权，通过对传递函数建立线性方程组，解得待求权。本文在此基础上将给定的目标输出直接作为线性方程等式代数和来建立线性方程组，不再通过对传递函数求逆来计算神经元的净输出，简化了运算步骤。没有采用误差反馈原理，因此用此法训练出来的神经网络结果与传统算法是等效的。其基本思想是：由所给的输入、输出模式对通过作用于神经网络来建立线性方程组，运用高斯消元法解线性方程组来求得未知权值，而未采用传统BP网络的非线性函数误差反馈寻优的思想。2 改进算法的具体步骤 对给定的样本模式对，随机选定一组自由权，作为输出层和隐含层之间固定权值，通过传递函数计算隐层的实际输出，再将输出层与隐层间的权值作为待求
34、量，直接将目标输出作为等式的右边建立方程组来求解。 现定义如下符号（见图1）：x（p）输入层的输入矢量；y（p）输入层输入为x（p）时输出层的实际输出矢量；t（p）目标输出矢量；n，m，r分别为输入层、隐层和输出层神经元个数；W为隐层与输入层间的权矩阵；V为输出层与隐层间的权矩阵。具体步骤如下：（1）随机给定隐层和输入层间神经元的初始权值wij。（2）由给定的样本输入xi（p）计算出隐层的实际输出aj（p）。为方便起见将图1网络中的阀值写入连接权中去，令：隐层阀值j=wnj，x（n）=1，则：aj（p）=f（wijxi（p）（j=1，2m1）。（3）计算输出层与隐层间的权值vjr。以输出层的第
35、r个神经元为对象，由给定的输出目标值tr（p）作为等式的多项式值建立方程，用线性方程组表示为：a0（1）v1r+a1（1）v2r+am（1）vmr=tr（1）a0（2）v1r+a1（2）v2r+am（2）vmr=tr（2）a0（p）v1r+a1（p）v2r+am（p）vmr=tr（p）简写为：Av=T为了使该方程组有唯一解，方程矩阵A为非奇异矩阵，其秩等于其增广矩阵的秩，即：r（A）=r（AB），且方程的个数等于未知数的个数，故取m=p，此时方程组的唯一解为：Vr=v0r，v2r，vmr（r=0，1，2m1）（4）重复第三步就可以求出输出层m个神经元的权值，以求的输出层的权矩阵加上随机固定的隐
36、层与输入层的权值就等于神经网络最后训练的权矩阵。5结论 在这几个月里，面对着诸多的问题和考验，我一次又一次享受了难题解决前的困惑和难题解决后的兴奋。虽然本次设计的成品还存在着一些问题，但是，对于我自己来说，却是不小的收获。还有在编写论文时，由于论文篇幅和时间的因素，有很多需要论述的地方都已经省略，本论文只着重论述各种功能的基本算法，至于基本输入输出并没有包括在内，还有很多地方是一笔带过的，希望读者见谅。致 谢经过几个月的努力，查找资料、深入分析，此次毕业论文终于圆满完成。虽然自己查阅了大量资料、还进行了深入分析，做了许多相关的工作，但没有导师的悉心指导和其他老师同学的大力帮助，我也是无法完成此
37、次毕业设计的，特在此向在我完成此次毕业论文过程中给了我许多鼓励和帮助的老师同学一并致谢。在整个毕业论文的写作当中，初稿是很重要的部分。在我创作初稿的时候有很多疑惑，正是有了老师的指导，初审，修改，审稿，校正，论文的初稿才能顺利的完成。在进行设计的这段时间，我学习了很多专业知识，逐步学会了理论知识与实际操作的相结合。通过本次设计，充分认识到了理论与实践之间的紧密联系，对我今后的学习和工作当中起到很大的作用。本次毕业设计是针对我们大学四年来所学知识而进行的一次全面性的检验，它涵盖的知识面广，涉及到多个领域，需要我们具有较高的综合知识水平及较强的解决问题的能力。同时也是对我们工作能力的一次考验。在这
38、里首先我要感谢我的导师，她从下达任务书，资料查阅、文章结构的安排、文字表述等各个环节和各个方面都给了我悉心的指导。虽然她平时的工作也很繁忙，但她还是挤出许多时间，给了我许多指导和启发。她渊博的知识，前沿的理论研究，严谨的治学精神以及诲人不倦的高尚品德都让我无比钦佩和无比感激，我也会以她为榜样在今后的工作和学习中继续努力。 最后，向评审我的论文的老师们表示深深的敬意！并向答辩委员会的全体老师表示衷心的感谢！参考文献1 郑君里,杨行峻.人工神经网络. 北京: 高等教育出版社,1992.5:15-302 郝中华.B P神经网络的非线性思想. 洛阳师范学院学报2008.3(4)3 董长虹 编著 .Ma
39、tlab神经网络与应用. 北京：国防工业出版社，2007.9:1-134 胡守仁，等.神经网络导论.长沙：国防科技大学出版社，1993:23-455 张玲，张钹.人工神经网络理及应用. 浙江：浙江科技大学出版社，1997.5:20-626 楼顺天，等.基于Matlab的系统分析与设计-神经网络. 西安：西安电子科技大学出版社，2000.8:23-407 魏海坤.神经网络结构设计的理论与方法.国防工业出版社，2005.9:20-308 李学桥.神经网络工程应用. 重庆：重庆大学出版社，1995.6:20-739 冯蓉, 杨建华.基于BP神经网络的函数逼近的MATLAB实现J. 榆林学院学报, 2
40、007,(02)Based on the application of BP neural network Wang Linlin (anyang normal college physics and electrical engineering college, henan anyang 455000).Abstract: In recent years, the neural network of information science, brain science, neuropsychology, and many other subjects of mutual concern an
41、d research hot spot. Since it has good abstract classification, characteristic has been applied to image recognition system of research and development, and become the effective tool to solve the problem of identifying relevant. Articles about image recognition process on the basis of focus on BP neural network is used to analyse the human face recognition, neural network training and testing is completed by MATLAB, and get satisfactory results.Key words: face recognition; Image recognition; The BP neural network; 第15页