宋俊芳

（西藏民族大學 信息工程學院，咸陽　712082）

1　遺傳算法

遺傳算法是一種隨機化尋優(yōu)算法，不存在求導(dǎo)和函數(shù)連續(xù)性的限定，不易陷入局部最優(yōu)。算法基本流程包含以下關(guān)鍵部分：

初始化：隨機生成N個體作為初始群體P(0)。定義進化代數(shù)計數(shù)器t，并設(shè)置最大進化代數(shù)T

個體評價：計算第t代群體P(t)的各個個體的適應(yīng)度

選擇：把優(yōu)化的個體直接遺傳到下一代或通過配對交叉產(chǎn)生新的個體，然后再遺傳到下一代

交叉：把兩個父代個體的部分結(jié)構(gòu)加以替換重組而生成新個體

變異：修改個體的某些特征

經(jīng)過以上各步，生成下一代群體P(t+1)

如果t=T，那么迭代結(jié)束，輸出最優(yōu)解

2　BP網(wǎng)絡(luò)訓(xùn)練

BP網(wǎng)絡(luò)的訓(xùn)練過程就是對各層神經(jīng)元權(quán)值的校正過程，首選輸入模式由輸入層節(jié)點直接傳送到隱藏層各節(jié)點上，然后隱藏層對各神經(jīng)元作Sigmoid轉(zhuǎn)換后，輸入到下一層，以此類推循環(huán)進行，直到輸出層結(jié)束。該過程可以具體描述如下。

假設(shè)設(shè)有一個具有Q層的BP人工神經(jīng)網(wǎng)絡(luò)，其第一層為輸入層，第Q層為輸出層，第層的節(jié)點數(shù)為nq，第q層的第i個神經(jīng)元與第q-1層各神經(jīng)元連接的各權(quán)值系數(shù)為wij，那么第q層節(jié)點i的輸入為：

權(quán)系數(shù)矩陣的修正是基于以下公式進行迭代的：

E為系統(tǒng)的相應(yīng)誤差，η為系統(tǒng)的“學習效率”

3　圖像提取

采用BP網(wǎng)絡(luò)提取目標圖像首先要利用樣本值對網(wǎng)絡(luò)進行訓(xùn)練，并使之收斂到最優(yōu)解。然后再利用網(wǎng)絡(luò)提取目標圖像。因此可分3步進行：

特征值提?。捍_定前景色和背景色的范圍，并且保存前景色和背景色作為訓(xùn)練樣本值。然后再計算相應(yīng)的特征值，若為前景將其特征值設(shè)為1，若為背景，將其特征值設(shè)為0。

基于遺傳算法神經(jīng)網(wǎng)絡(luò)的訓(xùn)練：利用樣本值和特征值對網(wǎng)絡(luò)進行訓(xùn)練，直到均方誤差收斂到指定值，或者達到最大迭代次數(shù)?？蛇m當增加迭代次數(shù)，使之收斂到最優(yōu)

圖像分割：實質(zhì)上是圖像分類。每個像素作為一個樣本送入網(wǎng)絡(luò)，根據(jù)設(shè)置的門限值，可確定該像素的類型

4　仿真結(jié)果

首先生成樣本數(shù)據(jù)：generatesample('datasample.mat')

根據(jù)遺傳算法生成BP網(wǎng)絡(luò)權(quán)值和閾值的初始值，以初始化網(wǎng)：gabptrain(gaP,bpP,p,t)

Net = initnet(W1,B1,W2,B2,bpP)

根據(jù)樣本值和特征值，采用遺傳算法對BP網(wǎng)絡(luò)進行訓(xùn)練，讀入準備好的圖像，如圖3(a)所示

采用已經(jīng)收斂到最優(yōu)的網(wǎng)絡(luò)對3(a)進行目標提取，提取后的圖像如圖3(b)所示, 提取出了圖案的清晰輪廓，并達到了理想的圖像分割效果。

圖3　圖像分割效果

5　結(jié)束語

圖像分割是進行圖像識別的基礎(chǔ)，將基于遺傳算法訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)用于各類目標圖像分割，效果都很好，所以基于BP網(wǎng)絡(luò)模型高度的非線性映射能力，可保證圖像提取的高質(zhì)量，尤其用遺傳算法訓(xùn)練BP網(wǎng)絡(luò)模型時，其內(nèi)在的隱并行性和良好的全局尋優(yōu)能力可用于自適應(yīng)地調(diào)整搜索方向，在一定程度上可以降低網(wǎng)絡(luò)訓(xùn)練的時間。

[1]邵虹, 崔文成. 基于BP神經(jīng)網(wǎng)絡(luò)的人臉圖像識別方法的研究[J]. 沈陽工業(yè)大學學報, 2000,22(4):346-348.

[2]施少敏, 馬彥恒, 陳建泗. 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識別方法[J]. 兵工自動化,2006, 25(10):40-41.

[3]胡方明, 簡琴, 張秀君. 基于BP神經(jīng)網(wǎng)絡(luò)的車型分類器[J]. 西安電子科技大學學報(自然科學版), 2005, 32(3):439-442.

[4]程曦, 吳云志, 張友華,等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的儲糧害蟲圖像識別[J].中國農(nóng)學通報, 2018(1).

[5]葛蕓, 江順亮, 葉發(fā)茂,等. 基于ImageNet預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像檢索[J]. 武漢大學學報(信息科學版),2018(1).