基于仿真模型的神经网络三维目标识别方法实验结果与效果分析

（1）BP神经网络识别结果

采用仿真模型方法消除了背景、光照等差异可能对实验带来的不利影响。通过使用不变矩消除了目标在图像中因平移、旋转和尺度变化产生的差异；同时，本章还系统采集了目标物体在各个角度的图像，因此，本章得到的训练样本是完备的。

在设置好各类参数之后，通过2133组样本训练得到的神经网络，其识别的错误如表5-1所示，总共99个不同角度拍摄的样本中识别错误个数为7个，错误率7.07%，即正确率为92.93%。

表5-1 第一个弱分类器识别错误数和误差率

（2）使用自适应增强后的识别效果

在使用5.4.3小节的程序进行自适应增强之后，得到的输出如下。

构成强分类器的10个弱分类器总的识别错误数和误差率如表5-2所示。最终得到的强分类器错误数和误差率如表5-3所示。

表5-2 10个BP神经网络弱分类器识别错误数和总误差率

表5-3 强分类器识别错误数和误差率

将表5-2和表5-3中的数据进行分析和对比，可发现10个弱分类器的平均分类误差率高于强分类器的分类误差率，说明单一神经网络弱分类器的识别效果不如采用由多个网络组成的强分类器的识别效果。之所以会产生这样的差距，是由于强分类器能够通过每个网络训练时的错误调整权重，增强有助于识别正确的特征，削弱无用特征，从而提高整体的识别正确率。(www.xing528.com)

表5-4总结了几种方法的识别正确率，从中可以发现强分类器的实验结果表现出了很高的正确率，说明本文提出的基于仿真模型的神经网络三维目标识别方法是可行的。通过大量实验发现，如果目标出现在采样点之外的角度可能造成识别的不稳定，但是这种情况随着采样间隔的减小而逐渐减少。

表5-4 强弱分类器识别正确率对比

通过验证实验，可充分证实采用强分类器之后能够提高网络的识别正确率，这说明本书所述方法能够有效提高神经网络三维目标识别的正确率。

在强分类器神经网络构建中，首先选择BP神经网络作为弱分类器，然后根据每次训练集之中每个样本分类的正确性，以及上次的总体分类的准确率，来确定每个样本的权值，再将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器融合起来，作为最后的决策分类器使用。实验结果表明，采用强分类器进行的识别正确率比弱分类器识别平均正确率高。

经验分享：神经网络参数的选取

在使用神经网络进行目标识别时，面临的一大问题就是神经网络结构的确定。由于输入层和输出层的神经元个数由具体的输入输出决定，所以神经网络具体结构的选择，主要是指对于隐含层数目和对应神经元个数的选择。但是目前尚没有十分准确的推导方法来确定应该用多少层隐含层以及各自的神经元个数，常用的方法一般是经验公式或者试凑法。需要注意的是，隐含层和神经元并不是越多越好，当然也不是越少越好，神经元个数过多或过少将会分别导致网络归纳能力不足或学习能力不足。所以，应当兼顾归纳能力和学习能力，选取一个合适的值。

经验公式方法是一种普遍归纳出来的方法，主要应用于单隐含层网络隐含层神经元个数的确定。该方法通过下面的经验公式确定：

n为输入层神经元数，m为输出层神经元数，n₁为隐含层神经元个数，a为1～10之间的整数。

试凑方法是对于给定的输入输出摸式，通过反复调试得到合适的隐含层神经元的值。比如，尝试将隐含层神经元个数分别设为10、20、30个，若10个和30个时识别正确率都不如20个时高，则选择20附近的数作为实际使用的个数。

本书中先用经验公式计算出隐含层神经元个数的范围，再在此基础上做一定的调整，找出效果好的个数。