人工智能的新時(shí)代的到來(lái)對(duì)人們的生活方式也帶來(lái)了巨大的改變,深度學(xué)習(xí)作為人工智能的一個(gè)分支已經(jīng)被廣泛地使用到各個(gè)領(lǐng)域,它擴(kuò)大了人工智能的領(lǐng)域,其中在特定環(huán)境下的字符檢測(cè)和字符識(shí)別已經(jīng)成功地應(yīng)用。隨著汽車與人工智能的不斷結(jié)合,汽車電路圖也更加精細(xì)和復(fù)雜,并且由于當(dāng)前我國(guó)生產(chǎn)汽車型號(hào)的汽車電路圖與國(guó)外些許差異,這使維修人員在汽車維修時(shí)降低了人工識(shí)別的效率且難度增加。深度學(xué)習(xí)中的字符識(shí)別技術(shù)可以對(duì)汽車電路圖進(jìn)行信息提取,將圖片信息轉(zhuǎn)化為文本信息,通過(guò)汽車電路維修協(xié)助系統(tǒng)將大大提高對(duì)汽車電路圖的讀取效率同時(shí)對(duì)維修人員的檢修工作提供了重要的協(xié)助。在實(shí)際應(yīng)用中通常使用傳統(tǒng)算法來(lái)對(duì)圖像中的字符進(jìn)行識(shí)別和提取,但是由于人工制定特征不普遍,使應(yīng)用具有一定的局限性。常用的目標(biāo)檢測(cè)算法在實(shí)時(shí)性和準(zhǔn)確性雖有一定程度地提高但仍有很大的改進(jìn)空間,字符識(shí)別算法不僅在傳輸過(guò)程中會(huì)產(chǎn)生信息損失且提高了計(jì)算成本,在區(qū)分不同的姿勢(shì)和和其他方面的差異性的效果不是很好。因此本文創(chuàng)新地使用了如今發(fā)展相對(duì)成熟的人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)于汽車電路圖的字符提取,從字符檢測(cè)和字符識(shí)別兩個(gè)方面設(shè)計(jì)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的網(wǎng)絡(luò)模型具有很強(qiáng)的泛化... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

感知機(jī)結(jié)構(gòu)圖

第2章神經(jīng)網(wǎng)絡(luò)概述9圖2.2常用激活函數(shù)曲線圖Sigmoid函數(shù)計(jì)算如公式2.2所示。該函數(shù)的取值范圍為[0,1]，是Logistic函數(shù)的特例，可用于二分類。也稱為神經(jīng)元的飽和激發(fā)率(firingrate)：xex11)(………………………………（2.2）tanh函數(shù)計(jì)算如公式2.3所示。該函數(shù)的取值范圍為[-1,1]并且穿過(guò)零點(diǎn)：xxxxeeeexf)(……………………………（2.3）ReLU函數(shù)計(jì)算如式子2.4所示該函數(shù)在x>0范圍內(nèi)保持梯度增加，減少梯度消失的概率并提高計(jì)算效率。激活函數(shù)曲線圖如圖2.4所示：xxf),0max()(…………………………（2.4）LeakyReLU函數(shù)計(jì)算如式子2.5所示。該函數(shù)避免出現(xiàn)神經(jīng)元“kill”的現(xiàn)象：xxx),01.0max()(……………………（2.5）ELU函數(shù)計(jì)算如式子2.6所示。該函數(shù)繼承了ReLU函數(shù)的優(yōu)勢(shì)；輸出均值接近零：………………（2.6）以上這些函數(shù)都具有一定的缺陷，例如Sigmoid函數(shù)會(huì)引起飽和神經(jīng)元出現(xiàn)梯度消失的現(xiàn)象，該函數(shù)輸出不是零中心的exp()運(yùn)算導(dǎo)致計(jì)算較復(fù)雜；tanh函

第2章神經(jīng)網(wǎng)絡(luò)概述10數(shù)的飽和神經(jīng)元仍然會(huì)“kill”梯度；ReLU函數(shù)的輸出非零中心；x<0的范圍無(wú)梯度，無(wú)法更新權(quán)重的現(xiàn)象出現(xiàn)；ELU函數(shù)exp()運(yùn)算較復(fù)雜。Softmax函數(shù)計(jì)算如公式2.7所示。該函數(shù)先對(duì)每一個(gè)Zi取指數(shù)并使其值大于零，之后除以所有項(xiàng)之和得到一個(gè)新的數(shù)值：),...,1()exp()exp()(1KizzziKji……………………（2.7）一個(gè)神經(jīng)網(wǎng)絡(luò)有一個(gè)規(guī)定的輸入，如果訓(xùn)練后的輸出與設(shè)定的預(yù)期輸出不一致，就會(huì)產(chǎn)生誤差。對(duì)于這種現(xiàn)象可以通過(guò)改變標(biāo)量神經(jīng)元的參數(shù)，將輸入通過(guò)網(wǎng)絡(luò)生成期望輸出。神經(jīng)網(wǎng)絡(luò)的另一個(gè)重要概念是成本函數(shù)的計(jì)算，感知器通過(guò)被稱為均方誤差的代價(jià)函數(shù)計(jì)算來(lái)學(xué)習(xí)，還有許多其他類型的成本函數(shù)可以用來(lái)確定輸出誤差。梯度下降要求成本函數(shù)是凸的，從而引入隨機(jī)梯度下降。圖2.3神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程訓(xùn)練過(guò)程如圖2.3所示。對(duì)于分類問(wèn)題，標(biāo)簽為類別；對(duì)于檢測(cè)問(wèn)題，標(biāo)簽為一個(gè)邊界框。使用訓(xùn)練數(shù)據(jù)訓(xùn)練模型和計(jì)算損失，通過(guò)不斷調(diào)整模型參數(shù)來(lái)改變訓(xùn)練數(shù)據(jù)，最終生成模型。通過(guò)測(cè)試數(shù)據(jù)來(lái)測(cè)試最終的模型是否理想，最終實(shí)

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用[J]. 圣文順,孫艷文.  軟件工程. 2019(02)
[2]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測(cè)應(yīng)用綜述[J]. 周俊宇,趙艷明.  計(jì)算機(jī)工程與應(yīng)用. 2017(13)
[3]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[4]汽車電路的識(shí)別及維修[J]. 劉宏濤.  硅谷. 2013(08)
[5]汽車修理中電路圖的設(shè)置與識(shí)別[J]. 劉亞林.  民營(yíng)科技. 2012(09)
[6]促進(jìn)學(xué)生深度學(xué)習(xí)[J]. 何玲,黎加厚.  現(xiàn)代教學(xué). 2005(05)
[7]基于神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的圖像檢索方法[J]. 張磊,林福宗,張鈸.  軟件學(xué)報(bào). 2001(10)



本文編號(hào)：3526360