前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡特征主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡特征范文

針對人工校驗視頻監控設備屏幕顯示（OSD）效率低下、人力物力資源耗費大的問題，提出一種OSD自動校驗系統，取代傳統的人工校驗方式。系統首先綜合多種數理統計特征進行OSD定位，然后利用改進的Otsu算法進行精確字符分割并二值化，最后通過基于Gabor特征離線訓練的改進型BP神經網絡進行字符識別。實驗結果表明，在確保92.7%識別率的前提下，該系統識別一幀OSD平均耗時53ms。

關鍵詞：

屏幕顯示校驗；Gabor特征；BP神經網絡；字符分割；快速二值化

0引言

隨著網絡多媒體技術的發展，數字視頻系統在銀行、交通、治安、家電、手持式設備等領域取得了廣泛的應用[1-3]，屏幕顯示（OnScreenDisplay， OSD）技術隨之發展起來。此技術是利用在屏幕上顯示特定的字或者圖像來完成人機交互的過程，讓使用視頻的用戶獲得如監控的時間及位置等信息。而在視頻終端設備如機頂盒、硬盤錄像機（Digital Video Recorder， DVR）、網絡視頻率相機（Network Video Recorder， NVR）中，OSD更是以界面菜單的方式起到關鍵性作用[4]。

在監控系統或視頻設備使用之前，要花費很大的人力物力對OSD的正確性進行校驗。由于OSD在圖像中的位置隨機，背景復雜程度各異，很難采用傳統的程序化方式進行校驗。目前普遍采用人工校驗的方式，但這樣校驗耗時耗力，而且很難實現OSD字符集的遍歷校驗。一旦校驗疏忽，投產的視頻設備出現OSD錯誤，會對產品信譽造成極大的負面效應，帶來嚴重的經濟損失。

目前國內外已公布OSD識別方面相關的研究成果很少。關于字體識別，文獻中采用的Gabor特征是一種能夠良好反映字形特征的處理方法[5-7]，近年來為很多識別系統所采用。通過分析多種OSD原理，本文提出了一種基于Gabor特征與改進型BP神經網絡的OSD自動校驗系統，以取代傳統的人工校驗方式。目前已經作為OSD自動校驗的一套解決方案，為國內某視頻監控公司實際使用。

5結語

本文提出了一種基于Gabor特征與改進型BP神經網絡的OSD自動校驗系統，在局部強光照、噪點、花紋等較為惡劣的背景干擾下，所采用多數理統計特征定位方法有效，僅作垂直邊緣檢測能夠更加精確地進行字符分割，改進的Otsu二值化算法大幅度提高了二值化的處理速度，Gabor特征與BP神經網絡識別算法比傳統算法識別率高，實驗結果表明在識別率達到92.7%時，平均識別一幀耗時53ms。

參考文獻：

[1]

桂丹. 高速公路視頻監控系統及OSD的設計與實現[D]. 武漢：武漢理工大學，2010.

[2]

白楊. 基于Nios Ⅱ的紅外熱像儀OSD顯示與功能實現[D]. 南京：南京理工大學，2010.

[3]

費莉梅. 網絡視頻錄像機OSD子系統軟件設計[D]. 杭州：浙江大學，2012.

[4]

任，邱軍，顧成成. 基于Linux平臺的實時視頻OSD設計與實現[J]. 計算機應用與軟件，2010，27（10）：185-187.

[5]

戴維. 基于Gabor特征與SVM的漢字識別系統研究與實現[D]. 上海： 上海交通大學，2008.

[6]

趙英男. Gabor濾波器在車輛檢測和車型識別中的應用研究[D]. 南京： 南京理工大學，2004.

[7]

鄧洪波. 基于Gabor特征的人臉表情識別和手寫體漢字識別[D]. 廣州：華南理工大學，2006

[8]

曾德瑞，普玉偉，楊明武. 數字視頻ASIC 中OSD 系統的實現[J].器件與應用，2011，35（23）：36-39.

[9]

黃燕群，李利品，王爽英. 基于FPGA的OSD設計[J]. 液晶與顯示，2010，25（3）：429-433.

[10]

林國政，沈小林. 基于ARM的嵌入式視頻監控系統設計[J]. 電子測試，2011（3）：55-59.

[11]

鄭世程，于忠臣. 基于BES7456芯片的OSD的應用平臺設計[J].單片機與嵌入式系統應用，2011，11（6）：35-37.

[12]

黃益貴，王汝傳. 基于DM6446的P2P機頂盒OSD研究與實現[J].計算機技術與發展，2010，20（4）：220-223.

[13]

江維，羅才華. 高清數字電視機頂盒3D OSD 顯示框架的設計與實現[J]. 有線電視技術，2012（1）：72-75.

[14]

張引. 基于空間分布的最大類間方差牌照圖像二值化算法[J]. 浙江大學學報：工學版，2001，35（3）：272-275.

[15]

HUANG L L， SHIMIZU A， KOBATAKE H. Classificationbased face detection using Gabor filter features[C]// Proceedings of Sixth IEEE International Conference on Automatic Face and Gesture Recognition. Washington， DC： IEEE Computer Society， 2004：397-402.

[16]

FASEL I R， BARTLETT M S， MOVELLAN J R. A comparison of Gabor filter methods for automatic detection of facial landmarks[C]// Proceedings of Fifth IEEE International Conference on Automatic Face and Gesture Recognition. Washington， DC： IEEE Computer Society， 2002：231-235.

第2篇：神經網絡特征范文

關鍵詞：車牌字符；BP人工神經網絡；圖像識別；模式識別

引言

近年來，神經網絡的智能化特征與能力使其應用領域日益擴大，潛力日趨明顯。許多用傳統信息處理方法無法解決的問題采用神經網絡后取得了良好的效果。其中，神經網絡在車牌字符識別中的應用效果尤為明顯。目前，車牌字符識別主要采用兩種方法，即模式匹配法和神經網絡法。由于神經網絡模式識別方法能夠實現基于計算理論層次上的模式識別理論所無法完成的模式信息處理工作，這種方法是選用適當的字符圖像特征提取方法，然后使用訓練樣本訓練網絡并構建一個識別網絡作為分類器。所以，相信未來一段時期內神經網絡在車牌字符識別領域中的應用還會是趨于主導地位。

1 人工神經網絡簡介

人工神經網絡來提取特征向量，把字符平均分成8份，統計每一份內黑色像素點的個數作為8個特征, 即分別統計這8個區域中的黑色像素點的數目，可以得到8個特征。然后統計水平方向中間兩列和豎直方向中間兩列的黑色像素點的個數作為4個特征，最后統計所有黑色像素點的個數作為第13個特征。如下圖所示:

                         

 圖3 13特征提取法

第3篇：神經網絡特征范文

關鍵詞：粒子群 徑向基 神經網絡 語音識別

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2013）04-0109-02

近年來，語音識別作為一種便捷的人機交互方式被大量研究，并在日常生活中得到廣泛應用。大體上講，語音識別就是在給定的語料庫中找出與待識別詞語相同的語料，其識別方法的選擇對識別效果至關重要。語音識別的方法主要有3種：基于語音特征和聲道模型的方法、模板匹配的方法和人工神經網絡[1]。第1種方法出現較早，但由于其模型過于復雜，并未得到實際應用。第2種方法較為成熟，主要通過動態時間規整（DTW）、隱馬爾可夫模型（HMM）和矢量量化（VQ）技術實現[2]。第3種方法充分利用人工神經網絡較強的分類能力和輸入——輸出映射能力，非常適合解決語音識別這類難以用算法描述而又有大量樣本可供學習的問題[3]。

因此，本文將智能領域廣泛使用的RBF神經網絡運用到語音識別中，針對RBF神經網絡隱層基函數的中心值和寬度隨機確定的缺陷，運用具有全局尋優能力的粒子群算法（PSO）進行優化，來提高網絡的泛化能力和收斂速度，從而提高識別率。實驗結果表明，粒子群優化的RBF神經網絡用于語音識別，能夠顯著提升識別性能。

1 粒子群優化RBF神經網絡

1.1 RBF神經網絡

1.2 粒子群優化RBF網絡算法

因此，RBF神經網絡隱層基函數中心值和寬度的優化過程就是PSO算法依據輸入樣本進行聚類的過程，其基本流程為：

（1）參數初始化，包括粒子速度、位置，個體最優位置和全局最優位置；

（2）據（5）式計算慣性權重；

（3）據（3）（4）式更新粒子的速度和位置；

（4）據（6）式計算各粒子適應度值，并更新個體最優位置和全局最優位置；

（5）用全局最優粒子代替本次迭代適應度差的粒子；

（6）反復迭代，直到最大迭代次數則停止，得聚類中心。

2 PSO優化RBF語音識別系統

語音識別過程主要包括信號預處理、特征提取、網絡訓練及識別[6]。預處理主要對語音進行分幀、預加重和加窗處理。特征提取用于提取語音中反映聲學特征的相關參數，本文采用的是過零峰值幅度（ZCPA）。網絡訓練是在識別之前從語音樣本中去除冗余信息，提取關鍵參數，再按照一定規則對數據加以聚類，形成模式庫。網絡識別是通過已訓練好的網絡，計算測試樣本數據與模式庫之間的相似度，判斷出輸入語音所屬的類別。粒子群優化RBF神經網絡的語音識別系統原理框圖如圖1所示。

PSO優化RBF神經網絡進行語音識別的實驗步驟如下：

第1步：提取特征。

首先對用于訓練和識別的各種信噪比的語音文件進行ZCPA特征提取。語音信號的采樣頻率為11.025kHz，每幀為256個采樣點，經過時間和幅度歸一化處理后，得到256維特征矢量序列。

第2步：網絡訓練。

網絡訓練的過程就是調整RBF神經網絡基函數的中心和寬度以及隱層到輸出層之間的連接權值。實驗中，類別數為待識別的詞匯數，如對10個詞進行識別，則隱層節點數、輸出層節點數和聚類中心均為10，如對20個詞進行識別，則隱層節點數、輸出層節點數和聚類中心均為20，以此類推，本文對10詞、20詞、30詞和40詞分別進行訓練識別。利用PSO優化算法通過聚類獲取隱層基函數的中心值和寬度，網絡輸出權值使用偽逆法得到。在PSO算法中，種群大小為20，最大進化迭代次數為40。

第3步：網絡識別。

RBF神經網絡訓練好后，將測試集中的樣本輸入網絡進行識別測試。每輸入一個單詞的特征矢量，經過隱層、輸出層的計算后可得一個單詞分類號，將這個分類號與輸入詞自帶的分類號進行對比，相等則認為識別正確，反之，識別錯誤。最后將識別正確的個數與所有待識別單詞數的比值作為最終的識別率。

3 實驗仿真分析

本文運用matlab在PC機上仿真實現了PSO優化RBF神經網絡的孤立詞語音識別系統，選用在不同高斯白噪聲條件下（包含15dB、20dB、25dB和無噪聲），18個人分別錄制40詞各三次，形成實驗語音數據，實驗時選其中10人的10詞、20詞、30詞、40詞語音數據分別作為訓練樣本，另外8個人對應的10詞、20詞、30詞、40詞語音數據分別作為測試樣本進行實驗，得到了不同噪聲和詞匯量下的粒子群優化RBF神經網絡的語音識別結果。

表1所示為在不同詞匯量和不同SNR下，分別基于PSO優化RBF神經網絡和標準RBF神經網絡采用ZCPA語音特征參數的語音識別結果。由表中識別率的變化可知，基于PSO優化的RBF神經網絡的識別率在不同詞匯量和不同信噪比下都比標準RBF神經網絡的高，正確識別出的詞匯量明顯增多，這充分證明改進后的RBF神經網絡具有自適應性和強大的分類能力，縮短網絡訓練時間的同時，提高了系統的識別性能，尤其在大詞匯量的語音識別中表現出更加明顯的優勢。

4 結語

本文采用粒子群優化算法來聚類RBF神經網絡隱層基函數中心值和寬度，并將PSO改進的RBF神經網絡用于語音識別中。通過仿真實驗，得出了其與標準RBF神經網絡在不同詞匯量和不同SNR下的語音識別結果。通過分析比較，證明了PSO優化后的RBF神經網絡有較高的識別率，且訓練時間明顯縮短，表明神經網絡方法非常適宜求解語音識別這類模式分類問題。

參考文獻

[1]Edmondo Trentin， Marco Gori. A survey of hybrid ANN/HMM models for automatic speech recognition[J].Neurocomputing，2001，（37）：91-126.

[2]王凱.免疫粒子群改進LBG的孤立詞語音識別算法研究[J].數字技術與應用，2013，（1）：111-113.

[3]夏妍妍，黃健，尹麗華.基于徑向基函數神經網絡的語音識別[J].大連海事大學學報，2007，（S1）：157-159.

[4]孟艷，潘宏俠.PSO聚類和梯度算法結合的RBF神經網絡優化[J].自動化儀表，2011，（02）：6-8.

第4篇：神經網絡特征范文

［關鍵詞］BP神經網絡農業工程農業管理農業決策

一、引言

采用神經網絡算法的信息處理技術，以其較強的計算性和學習性，現如今已經在各工程領域內得到了廣泛應用。隨著科技不斷的發展和研究的不斷深入，農業系統中采用的傳統分析和管理的方法已經不能滿足農業工程領域快速發展的需要。在農業系統中采用神經網絡技術可在一定程度上可彌補傳統方法的不足，現已成為實現農業現代化的一個重要途徑。神經網絡現已在農業生產的各個環節得到廣泛的應用，從作物營養控制、作物疾病診斷、產量預測到產品分級，顯示了巨大的潛力，并正以很快的速度與生產實際相結合。目前應用比較多的BP神經網絡，可通過學習以任意精度逼近任何連續映射，在農業生產與科研中展示出了廣闊的應用前景。

BP人工神經網絡方法。人工神經網絡是對生物神經網絡的簡化和模擬的一種信息處理系統，具有很強的信息存貯能力和計算能力，屬于一種非經典的數值算法。通常可分為前向神經網絡、反饋神經網絡和自組織映射神經網絡。BP神經網絡(Backpropugation Neura1 Network)是一種單向傳播的多層前向神經網絡，可通過連續不斷的在相對于誤差函數斜率下降的方向上計算網絡權值以及偏差的變化而逐漸逼近目標值，每一次數字和偏差的變化都與網絡誤差的影響成正比，并以反向傳播的方式傳遞到每一層，從而實現了神經網絡的學習過程。BP人工神經網絡的結構如圖所示，BP神經網絡可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有一層，中間層可有一層或多層。同層的網絡結點之間沒有連接。每個網絡結點表示一個神經元，其傳遞函數通常采用Sigmoid型函數。BP神經網絡相當于從輸入到輸出的高度非線性映射，對于樣本輸入和輸出，可以認為存在某一映射函數g，使得y0=g(xi)，i＝1，2，3，…，m，其中m為樣本數，xi為輸入樣本，yo為輸出結果。

BP神經網絡的一個顯著優點就是其可進行自學習，能夠通過訓練得到預期的效果。其學習過程由正向傳播和反向傳播組成，神經網絡的輸入值經過非線性變換從輸入層經隱含層神經元的逐層處理傳向輸出層，此為正向傳播過程。每一層神經元的狀態將影響到下一層神經元狀態。如果輸出層得到的數值與期望輸出有一定的偏差，則轉入反向傳播過程。神經網絡通過對輸入值和希望的輸出值(教師值)進行比較，根據兩者之間的差的函數來調整神經網絡的各層的連接權值和各個神經元的閾值，最終使誤差函數達到最小。其調整的過程是由后向前進行的，稱為誤差反向傳播BP算法。具體學習過程如下：

（1)隨機給各個權值賦一個初始權值，要求各個權值互不相等，且均為較小的非零數。

（2)輸入樣本集中每一個樣本值，確定相應的網絡實際輸出值。

（3)計算實際的輸出值與相應的樣本集中的相應輸出值的差值。

（4)按極小誤差方式調整權值矩陣。

（5)判斷網絡誤差是否小于訓練前人為設定的一個較小的值，若小于，則跳出運算，此時的結果為神經網絡的最終訓練結果；若大于，則繼續計算。

（6）判斷最大迭代次數是否大于預先設定的數，若小于，返回（2）;若大于，則中止運算，其結果為神經網絡的最終訓練結果。

上述的計算過程循環進行，直到完成給定的訓練次數或達到設定的誤差終止值。

二、BP神經網絡在農業工程領域中的應用

1.在農業生產管理與農業決策中的應用

農業生產管理受地域、環境、季節等影響較大，用產生式規則完整描述實際系統，可能會因組合規則過多而無法實現。神經網絡的一個顯著的優點就是其具有較強的自學習、自適應、自組織能力，通過對有代表性的樣本的學習可以掌握學習對象的內在規律，從而可以在一定程度上克服上述信息量大的問題。神經網絡在農業生產管理方面可用于農作物生長過程中對農作物生長需求進行預測，從而通過對養分、水分、溫度、以及PH值的優化控制達到最優的生長狀況。采用神經網絡預測算法的主要思想可描述為：（1）收集一定規模的樣本集，采用BP算法進行訓練，使網絡收斂到預定的精度；（2）將網絡權值矩陣保存到一存儲介質中，例如文本文件或數據庫中；（3）對于待預測數據的輸入部分，從存儲介質中讀出網絡連接權值矩陣，然后通過BP神經網絡的前向傳播算法計算網絡輸出，輸出結果既是預測出來的數值向量。如霍再林等針對油葵不同階段的相對土壤含鹽濃度對其產量的影響有一定的規律的現象，以油葵的6個成長階段的土壤溶液含鹽的相對濃度為輸入樣本，相對產量為輸出樣本，通過比較發現，訓練后的神經網絡能較好預測油葵產量，采用此方法可補充傳統模型的不足，為今后進一步的研究開辟了新路。

在農業決策方面，主要將農業專家面對各種問題時所采取的方法的經驗，作為神經網絡的學習樣本，從而采用神經網絡建立的專家系統將從一定程度上彌補了傳統方法的不足，將農業決策智能化。如何勇、宋海燕針對傳統專家系統自學習能力差的缺點，利用神經網絡可自我訓練的優點，將神經網絡引入專家系統中。將小麥缺素時的田間宏觀表現，葉部、莖部、果實癥狀及引起缺素的原因這五個方面的可信度值作為神經網絡的輸入量，將農業專家診斷的結論作為輸出量，將這些數據作為神經網絡的訓練數據。實際應用表明此系統自動診斷的結果與專家現場診斷的結果基本一致，從而采用該系統能夠取代專家，實現作物的自我診斷，為農業管理方面提供了極大的幫助。如馬成林等針對于傳統施肥決策方法中非線性關系描述不足的問題，基于數據包分析和BP神經網絡，建立了施肥決策模型，應用表明，在有限的范圍內，模型預測結果較為合理，可以反映玉米的需肥特性。劉鋮等人提出采用神經網絡應用在農業生產決策中，以莜麥播種方式決策為例，通過對產生式規則的分析導出神經網絡輸入、輸出單元數，并通過多次試驗確定隱層單元數，用MATLAB方針結果表明，采用神經網絡作為農業生產決策的方法，取得了較好的效果。譚宗琨提出將基于互聯網環境下的神經網絡應用在玉米智能農業專家系統中，根據農作物發育進程分成若干個發育期，分別對各個發育期建立管理模型，依照作物各發育期進程時間間隔，由計算機系統自動選取相應的模型進行決策。應用分析的結果表明采用神經網絡的玉米智能專家系統已初步接近農業生產的實際。

2.在農產品外觀分析和品質評判

農產品的外觀，如形狀、大小、色澤等在生產過程中是不斷變化的，并且受人為和自然等復雜因素的影響較大。農產品的外觀直接影響到農產品的銷售，研究出農作物外觀受人為和自然的影響因素，通過神經網絡進行生產預測，可解決農產品由于不良外觀而造成的損失。如Murase 等針對西紅柿表皮破裂的現象，西紅柿表皮應力的增長與西紅柿果肉靠近表皮部分水分的增加有關，當表皮應力超過最大表皮強度時，將導致表皮破裂。用人工神經網絡系統，預測在環境溫度下的表皮應力，可通過控制環境變量來減少西紅柿表皮破裂所造成的損失。

在農業科研和生產中，農產品的品質評判大多是依賴于對農產品外觀的辨識。例如對果形尺寸和顏色等外觀判別果實的成熟度，作物與雜草的辨別，種子的外觀質量檢測。由于農業環境的復雜性和生物的多樣性，農產品的外觀不具有較確定的規律性和可描述性，單一采用圖像處理技術辨識農產品的外觀時不宜過多采取失真處理和變換，否則則增加圖像處理的復雜性，特征判別也相對困難。人工神經網絡由于其具有自學習、自組織的能力，比較適宜解決農業領域中許多難以用常規數學方法表達的復雜問題，與圖像處理技術相結合后，可根據圖像特征進行選擇性判別。采用此方法可以部分替代人工識別的工作，提高了生產效率，也有利于實現農業現代化。如Liao等將玉米籽粒圖像用34個特征參數作為神經網絡的輸入變量，將輸出的種粒形態分為5類，經過學習的神經網絡對完整籽粒分類的準確率達到93％，破籽粒分類的準確率達91％。

3.蔬菜、果實、谷物等農產品的分級和鑒定

在農業生產中，蔬菜、果實、谷物等農產品的分級和鑒定是通過對農產品外觀的辨識進行的。傳統的農產品外觀的辨識方法費時費力、預測可靠度很低，而且多采用人工操作，評價受到操作者主觀因素的影響，評判的精度難以保證。利用人工神經網絡技術結合圖像處理技術可部分代替以往這些主要依靠人工識別的工作，從而大大提高生產效率，實現農業生產與管理的自動化和智能化。

利用BP神經網絡技術對農產品果形尺寸和顏色等外觀評判，目前國內外已有不少成果用于實際生產中。何東健等以計算機視覺技術進行果實顏色自動分級為目的，研究了用人工神經網絡進行顏色分級的方法。分別用120個著色不同的紅星和紅富士蘋果作為訓練樣本集對網絡進行離線訓練。兩個品種的蘋果先由人工依據標準按著色度分成4級，對每一個品種分別求出7個模式特征值作為BP網絡的輸入，用訓練好的神經網絡進行分級。結果表明紅富士和紅星果實的平均分級一致率分別為94.2％和94.4％。劉禾等用對稱特征、長寬特征、寬度特征、比值特征等一系列特征值來描述果形。采用BP網絡與人工智能相結合，建立果形判別人工神經網絡專家系統。試驗水果品種為富士和國光。試驗表明系統對富士學習率為80％，對非學習樣本的富士蘋果的果形判別推確率為75％，系統對國光學習率為89％，對非學習樣本的國光蘋果果形判別系統的難確率為82％。

三、未來的發展方向

人工神經網絡的信息處理技術現已在農業工程領域內得到了迅速的應用，采用人工神經網絡算法的農業系統能夠從一定程度上改善控制效果，但此技術在農業范圍內還不夠成熟，有待于進一步的研究。今后科研的方向大體上可以從以下幾方面著手：

1.人工神經網絡算法的改進

人工神經網絡算法由于本身具有一定的缺點，從而采用人工神經網絡的算法的信息處理技術在應用過程中具有一定的局限性。在今后的研究中，可以從人工神經網絡方向著手，改進人工神經網絡算法，從而實現其在農業領域內更好的應用。近年來隨著模糊算法、蟻群算法等算法的相繼出現，將神經網絡與其他算法結合在一起已經成為了研究的熱門話題，也是未來算法研究的主要方向之一。

2.應用領域的擴展

人工神經網絡算法在農業工程方面現已得到了迅速的發展，擴展其在農業工程領域的應用范圍是未來的一個主要研究方向。人工神經網絡由于其具有自學習能力，可對農業系統的非線形特性進行較好的描述，采用人工神經網絡可解決傳統方法的不足，從而實現農業現代化。如何將神經網絡較好地引入到農業系統，解決農業工程中的部分問題，已是今后農業科研中的一個方向。

四、結束語

神經網絡作為一種人工智能范疇的計算方法，具有良好的自學習與數學計算的能力，可通過計算機程序進行模擬運算，現已廣泛用于模式識別、管理決策等方面。隨著計算機硬件和軟件的不斷發展與農業工程方面的研究的不斷深入，神經網絡將在農業管理、農業決策、農作物外觀分類、品質評判等方面充分發揮其自學習能力強，計算能力強的優勢，通過對樣本數據的學習，神經網絡可較好地解決農作物生長過程中的作物分類、預測等非線形的問題。在農業工程領域內，神經網絡擁有廣闊的科研前景。

參考文獻:

[1]余英林李海洲:神經網絡與信號分析[M]. 廣州: 華南理工大學出版社,1996:45

[2]霍再林史海濱孔東等: 基于人工神經網絡的作物水―鹽響應初步研究[J].內蒙古農業大學學報，2003，24（3）：66～70

[3]何勇宋海燕:基于神經網絡的作物營養診斷專家系統[J]. 農業工程學報,2005,21（1）:110～113

[4]馬成林吳才聰張書慧等:基與數據包絡分析和人工神經網絡的變量施肥決策方法研究[J].農業工程學報,2006，20（2）:152～155

[5]劉鋮楊盤洪: 莜麥播種方式決策的BP神經網絡模型[J]. 太原理工大學學報，2006,37(5):119～121

[6]譚宗琨: BP人工神經網絡在玉米智能農業專家系統中的應用[J].農業網絡信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579

第5篇：神經網絡特征范文

關鍵字：智能手機；安全；神經網絡；病毒病毒識別模型在智能手機監測中的優越性以及可行性。

0 引言

現階段，互聯網已成為當今社會不可或缺的一部分，智能手機的數量也是與日俱增，與此同時不斷發展的是手機病毒，手機病毒已成為現代病毒發展的趨勢。

所謂手機病毒，其實是一種破壞手機系統的程序，且其傳播手段極為廣泛，可通過短信、彩信、郵件、網站或者下載文件、藍牙等傳播，手機一旦被病毒感染就會根據所感染病毒程序的要求對手機實施破壞，其表現方式不盡相同，可以使關機、死機、刪除手機資料、自動通話、發郵件等，有的病毒還能夠破壞手機SIM卡和芯片等手機硬件設備。

怎樣才能避免手機遭受病毒的破壞？其主要措施還是殺毒軟件和防火墻：

①定期對殺毒軟件的病毒庫進行更新升級，盡可能的保證其擁有當時已出現的病毒程序的破解，若病毒庫中不存在某個病毒的特征，則殺毒軟件就不能對該病毒進行查殺。此外，現在的手機殺毒軟件病毒庫采用的是特征代碼法，病毒的細微的變化都需要病毒庫對其進行辨別，然而智能手機的存儲空間和運算能力都是有限的，所以這種防殺毒的方法對智能手機而言，并不是完美的。

②而智能手機的防火墻主要的作用是攔截騷擾電話等，而并不是對手機病毒進行監控，面對現存的多樣易變的病毒，防火墻更是顯得微不足道。

究竟該選擇何種方式來保護手機，這也是本文研究的重點―神經網絡。

1 神經網絡

神經網絡是依據生物神經的機制和原理，對信息進行處理的一種模型。它能夠模擬動物大腦的某些機制機理，實現一些特定的功能。人工神經網絡具有很大的優越性：

①具有自學功能。比如說，當對一幅圖像進行識別時，將各種不同的圖像樣本及其對應的結果輸入人工神經網絡，它就能夠自己學習識別相同類型的圖像。

②具有聯想存儲功能。人工神經網絡中的反饋網絡具備了聯想存儲的功能。

③具有高速尋找優化解的功能。

2 神經網絡安全監控系統

神經網絡安全監控系統就是監控手機應用程序，使手機的正常業務能夠順利進行，而對那些異常業務則進行阻止。所謂正常的業務就是那些手機用戶已知的、按照用戶的意愿運行的、并且其運行并不破壞用戶手機中的資源和產生額外費用的已經授權的程序。

通過神經網絡監控手機的而應用程序的流程圖如圖1所示：

圖1 神經網絡安全監控流程圖圖2 單層感知器神經網絡結構

神經網絡智能手機安全監控的第一步是獲取所運行程序的特征，然后借助于神經網絡的識別功能，對所提取的應用程序的行為特征進行識別，如果識別結果為病毒手機會向用戶發出提示信息，若不為病毒則程序將繼續運行。

3.1 程序行為特征的獲取

這里舉個例子說明。例如OwnSkin.A病毒，該病毒以手機主題的形式誘導手機用戶進行下載安裝，一旦該病毒被安裝進了手機，它就會在用戶不知情的情況下自動連接網絡，自動想外界批量發送短信，對手機收到的短信的信息內容進行刪除等等。從對病毒的描述詳細程度方面來說，病毒具有很多種特征，本文以3個為例，進行說明，這3個特征分別是有無按鍵、是否自啟動、是否特殊號碼，程序行為特征獲取的方法如下：

①針對手機自啟動的行為特征：每種手機的系統，都有其正常的程序啟動方式，例如Windows Mobile通過“啟動”設置，Symbian的系統式通過“Recognizer”來設置程序的啟動，Linux系統是將啟動語句加入/ect/init.d/rcs，或者/usr/etc/rc.local中，在程序啟動的時候對這些個位置進行監控，就可以很容易的判別其是否為自啟動。

②針對按鍵這個行為特征：塞班的系統對是否有按鍵這個行為特征的監控是粗略的監控，以短信為例，手機短信的使用一般是先按功能鍵啟動功能圖標，然后選取短信的圖標，接著是對短信內容的編輯，即一系列的數字鍵，監控可得到一個相應的按鍵序列，這樣就可以通過是否有按鍵這個行為特征來監測手機程序的啟動是否正常。

③針對“被叫號碼”和“文件信息”的特征： 對于被叫號碼主要執行的是，查看所要撥出去的電話號碼是否是設置在黑名單里的電話，對于文件信息則是查看信息中所添加的附件是否是安裝文件，如果是手機用戶之間的正常傳輸行為，則必定有按鍵行為特征，這樣也就會避免手機中的病毒程序隱蔽性的自啟動來傳輸文件。

3.2 神經網絡建模

仍舊以上述3個行為特征為例，將其三個特征分別用“0”或者“1”來表示，若無按鍵、自啟動、特殊號碼，其特征值都取“1”，反之則取“0”，這三個特征值一共組合成了8中可能出現的情況，將其標記為矩陣如下：

(1)

借助于神經網絡的識別功能，本文以單層單神經元的神經網絡為例進行說明，采用以下的參數對神經網絡進行設計：

該網絡包含有一個輸入向量，包汗三個元素，并且每個元素取0―1之間的值。

神經網絡中的神經元通過hardlim函數為傳輸手段，根據這個函數設計出如圖2所示的神經網絡結構,：

(2)

該結構輸出結果為二值向量“0”或者“1”，其中“0”表示不是病毒特征，“1”則表示是行為特征。

在智能手機的實際應用中，傳輸函數和網絡結構、層數極易神經元等的類型多種多樣，可根據病毒的實際情況進行選擇和應用，在此筆者只是舉個例子來論述神經網絡是如何識別網絡的。當網絡建好之后，就需要通過適當的方法對病毒樣本進行訓練得出誤差。

仍以上述例子為例進行訓練：

輸入向量為：p= ;目標向量選為：t= ,在MATLAB7.1的環境中對病毒進行訓練，根據所的結果得出訓練的誤差性能曲線，如圖3所示：

圖3 訓練誤差性能曲線

經過訓練并獲取矩陣權重，至此，神經網絡的建模基本完成，其模型為

a=hardlim(P1*2+P2*2+P3*1-3)

在手機中所執行的應用程序，計算程序的行為特征向量與病毒的行為特征向量（111）之間的歐式距離，當所得之數比程序的特征行為向量和正常行為特征向量之間的歐式距離大時，系統將將此程序判定為病毒。

運用神經網絡系統對手機進行監測不需要像殺毒軟件一樣需要定期更新，這對手機的安全具有更好的防護作用。

3結語

隨著現代社會智能手機數量的增多和日常化，網絡黑客技術也在不斷的發展和完善，因此智能手機安全問題已然不能忽視或者小視。本文針對這個問題，以及殺毒軟件和防火墻的不足之處，論述了神經網絡病毒識別模型在智能手機監測中的優越性以及可行性。

參考文獻

[1]劉一靜,孫瑩,藺洋. 基于手機病毒攻擊方式的研究[J]信息安全與通信保密, 2007, (12) .

[2]李錦. 手機病毒特點及防范對策[J]通信技術, 2009, (02) .

[3]楊建強,吳釗,李學鋒. 增強智能手機安全的動態惡意軟件分析系統[J]. 計算機工程與設計, 2010, (13) .

[4]智能手機安全防護框架淺析[J]. 信息安全與通信保密, 2010, (10).

第6篇：神經網絡特征范文

關鍵詞：BP神經網絡；人臉識別；奇異值

中圖分類號：TP391 文獻標識碼：A文章編號：1007-9599 (2011) 13-0000-01

Face Recognition Based on the BP Neural Network

Liu Weiwei

(Chinese People's Public Security University,Beijing100872,China)

Abstract:In order to achieve the purpose of face recognition by classifying the feature vector of face image,a new methods for face recognition on neural networks is presented in this paper.Singular values features of face image matrix are used as features,Back-Propagation(BP)networks are used as recognition.Through the experiments,it show that the method of face recognition is reliable and have a ability of high maneuverability.

Kewwords:BP neural network;Face recognition;Singular values

一、引言

人臉識別的發展應用廣泛，利用人臉圖像進行識別身份容易被接受，具有非打擾性、直接性、唯一性。人臉識別主要是對人臉特征向量分類識別。神經網絡可以用做人臉特征的分類器。它是一種模擬人類大腦的思維方式和組織形式而建立的數學模型。具有強大的自適應、自學習、高度容錯能力，因此成功運用在模式識別和預測等領域。BP網絡是神經網絡中最完美的，采用BP神經網絡可以進行人臉特征向量識別分類。

二、BP神經網絡

BP網絡是一種單向傳播的多層前饋神經網絡，它包括一個輸入層、若干隱含層和一個輸出層，上下層之間實現全連接，而每層神經元之間沒有連接。利用BP神經網絡可以實現輸入向量 到輸出向量 的非線性映射。該網絡的前層和后層都有連接權值 ，每一層有閾值 ，這些值在初始時刻是隨機生成的。在具體的應用中，將特征值向量作為輸入向量，特征值所對應的結果作為輸出向量，BP網絡載入這些數據訓練和學習，從而對連接權值和閾值不斷進行修正，使網絡達到的最優狀態，完成網絡的學習和訓練過程，為后續的數據分類做準備。因此可以將BP神經網絡作為人臉特征向量的分類器，以達到人臉識別的目的。

三、基于BP神經網絡的人臉識別

人臉識別是基于人臉的唯一性進行識別，這里采用奇異值分解的方法提取人臉特征向量。本實驗的數據取自ORL人臉數據庫，該庫由40人、每人10幅、共400幅人臉圖像組成。這些照片包含測試者的不同面部表情。本實驗選擇兩個測試者進行識別，每個測試者的十幅圖像作為一個類，每個類的前九幅圖像的特征向量作為網絡的學習訓練樣本，第十幅圖像的特征向量作為測試數據。

（一）樣本數據的獲取

采用奇異值分解的方法提取人臉圖像的特征向量，這些特征向量作為BP網絡的學習和訓練樣本數據，對樣本數據進行歸一化后得到。例如 =（0.55650.53230.36750.40620.35990.38540.37030.3062）表示第一個測試者的第一副圖像的特征向量，在BP網絡中對應的輸出向量為（1，0）。

（二）BP神經網絡的建立

第一，確定隱含層的層數。對于一般的模式識別問題，三層網絡可以有效的解決此問題。本試驗采用三層網絡，輸入層的神經元個數為特征向量的維數n=8，隱含層的神經元個數為p=2n+1=17，輸出層的神經元個數為輸出向量的維數為m=2。隱含層神經元傳遞函數選用tansig，輸出層神經元傳遞函數選用logsig。輸出向量為（1，0）和（0，1）表示為第一個和第二個測試者。

第二，載入樣本數據學習和訓練。樣本數據包括輸入向量和輸出向量，通過學習和訓練不斷的修正網絡中的權值和閾值。訓練曲線的收斂情況如圖2.

在matlab環境下運行，采用測試樣本進行測試，實驗結果輸出為（0.98490.0027）；（0.00270.9547），試驗結果接近（1，0）和（0，1），分別為一號和二號測試者，實驗達到預期結果。

圖1.訓練曲線

四、結語

運用BP人工神經網絡建立了人臉識別模型，解決了對人臉特征向量進行分類識別的問題，從而達到對人臉識別這一最終目的。識別結果表明，在小樣本空間下，運用BP神經網絡的人臉識別運算速度快、操作簡單、識別率高，BP神經網絡可以用于人臉識別系統中的識別部分，并且可以擴展到其他模式識別問題。

參考文獻：

[1]郝文化.MATLAB圖像圖像應用教程[M].中國水利水電出版社,2004

[2]邵擁軍等.基于BP神經網絡的湘西金礦成礦預測[J].中南大學學報,2007

[3]高全學等.SVD用于人臉識別存在的問題及解決方法[J].中國圖象圖形學報,2006

[4]楊天軍,張曉春等.基于BP神經網絡的城市道路交通安全評價研究[J].中國礦業大學學報,2005

第7篇：神經網絡特征范文

關鍵詞：前饋神經網絡；材質識別；羊毛；粘膠；MIV；圖像處理

中圖分類號：TP391；TS137

文獻標志碼：A

Identifying the Materials of Wool/Viscose Blended Yarns Based on Feed-forward Neural Network

Abstract： In order to identify the materials of blended yarns， the article first selected the indicators that can reflect the morphological characteristics of wool and viscose fibers in the cross-section images of blended yarn by using MIV-BP method. Then it used probabilistic neural network/support vector machine/extreme learning machine to identify wool and viscose materials. The identification results show that by using suitable feed-forward neural network， the materials can be quickly identified with accuracy up to about 90% and the method has the potential for practical use.

Key words： feed-forward neural network； material identification； wool； viscose； MIV； image processing

傳統的混紡紗線檢測多由人工完成，工作量大，易于出錯。隨著數字圖像技術的發展和神經網絡的不斷完善，通過圖像技術提取纖維特征，利用神經網絡進行識別，是現今最主要的自動檢測方式。但是纖維特征的篩選多由主觀確定，且大多利用BP神經網絡來構造材質識別的分類器。由于BP神經網絡的學習速度慢，難以滿足纖維檢測的實時性，所以本文嘗試將前饋神經網絡的多種典型形式結合圖像處理技術，進行羊毛/粘膠混紡紗線的特征選取，訓練計算機更為客觀、準確、迅速的實現毛粘混紡紗線中的材質識別。

1羊毛和粘膠的形態特征

1.1基于圖像處理的羊毛/粘膠特征提取

通過配套PC圖像采集接口的CU-Ⅱ型纖維細度儀，顯微拍攝利用哈氏切片法獲取的羊毛/粘膠混紡紗線橫截面圖片（圖1）。其中羊毛和粘膠為待識別目標，需要保留；而火棉膠溶液的作用是固化紗線，可看作為背景，需要去除。經圖像灰度化、去噪、增強、二值化、形態學處理之后得到的羊毛和粘膠個體示意圖如圖2和圖3所示。通過觀察可以發現，羊毛和粘膠從圖像的角度來看，最大的差異在于羊毛個體的形態較飽滿，外廓參差較少；粘膠個體形態較干癟，外廓參差較多。

通過Matlab中用來度量圖像區域屬性的函數regionprops，獲取第一至第六個特征指標，分別為Area、Eccentricity、EquivDiameter、Solidity、Extent、Perimeter；如圖4所示，第七個特征指標定義為Bc，即從水平與垂直兩個方向獲取的目標個體長度，然后將以較小長度Lmin作為直徑的圓的面積與以較大長度Lmax作為直徑的圓的面積相除（式（1））；如圖5所示，第八個特征指標定義為SMr，Sh和Sv分別是目標個體從水平方向逐行和垂直方向逐列掃描得到的缺口面積總和，S是目標個體的橫截面面積（式（2））。

Bc=L2min/L2max（1）

SMr=1-（Sh+Sv）/S（2）

在本文的研究中總共提取了215個羊毛個體和152個粘膠個體的特征值，部分羊毛和粘膠個體特征值的原始數據見表1。

第8篇：神經網絡特征范文

關鍵詞：壁紙識別；BP神經網絡；不變矩

中圖分類號：TP391.41

貼標的識別以往是通過人工識別，人為因素影響大，識別速度慢，精度低，不能滿足大批量生產的需要。因此，在經濟社會高速發展的今天，此方法越來越不能滿足壁紙行業發展的需要。隨著計算機的發展，通過計算機智能識別壁紙的紋理就成為可能，主要思路是將壁紙拍攝獲知的圖像進行紋理特征的提取，只要建立足夠的特征庫，就可以把需要判別的壁紙圖片輸入計算機，通過檢索來判別該壁紙是哪種材種。因此，本文引入圖像處理技術和BP神經網絡技術，提出一種壁紙貼標自動識別算法，以解決貼標大批量生產的需要。

1 壁紙紋理特征的提取

不變矩是指物體圖像經過平移，旋轉以及比例變換仍保持不變的矩特征量，設物體的二維離散圖像函數用f（x，y）表示，其（p+q）階矩定義為：

（1）

相應的（p+q）階中心矩定義為：

（2）

其中，x0=m10/m00，y0=m01/m00，x0表示二維圖像的灰度在水平方向上的重心，y0表示二維圖像的灰度在垂直方向上的重心。

HuM.K.等人利用二階、三階中心矩得到了7個不變矩特征參數，具體如下：

Φk=|log|Φk，k=1，2，3，4，5，6，7 （3）

在本設計的實驗中要求樣本的尺寸是256×256，從每一類原始樣本中采集100個能表現該樣本紋理的圖片，形成識別樣本庫，之后提取了所有樣本的不變矩紋理特征。

圖1 壁紙樣本圖片

2 BP-神經網絡分類器的設計

2.1 BP神經網絡概述

BP神經網絡（Back Propagation）是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種基于誤差逆傳播算法的多層前饋神經網絡，目前廣泛應用于分類、識別、函數逼近等領域。BP神經網絡結構如圖2所示，包括輸入層、輸出層和隱含層。

圖2 BP神經網絡結構圖

BP學習算法的工作過程由正向傳播和反向傳播組成。正向傳播過程是指輸入信號從輸入層經隱含層，在輸出層產生輸出信號。如果輸出層不能得到期望的輸出信號，輸出信號將反向傳播，將誤差信號沿原有路徑返回，并按照一定規則修改網絡參數，逐漸地向輸入層傳播去進行計算，正向傳播和反向傳播兩個過程的反復運用，直到誤差信號滿足要求。

2.2 BP神經網絡分類器設計

2.2.1 網絡輸入節點數的設計

輸入層節點數主要根據數據特征向量的維數來確定，本文輸入節點數為不變矩特征向量的維數，即輸入節點數為7。

2.2.2 網絡隱含層數的設計

通常情況下，增加網絡的隱含層數可以使網絡誤差降低，提高網絡的精度，但同時也使網絡變得復雜化，使得網絡的訓練時間增加，而且容易出現網絡過擬合的情況。有研究表明，具有Sigmoid非線性函數的3層BP神經網絡能夠逼近任何連續函數。因此，本研究中神經網絡分類器的隱含層數選為3層。

2.2.3 網絡隱含層節點數的設計

在確定BP神經網絡隱含層數后，下一步就需要確定隱含層節點數。隱含層神經元個數一般由 是公式確定，其中n是隱含層神經元個數，n0是輸入層神經元個數，n1是輸出神經元個數，a∈（1～10）。

2.2.4 網絡輸出層的設計

輸出層的節點數是根據BP神經網絡分類器的輸出類別數量決定，也就是說，輸出層的節點數應為類別總數。例如，本研究需要將待識別的壁紙樣本分成8大類，那么輸出層節點數應設置為8，并將每類對應的目標向量依次設置為[1 0 0 0 0 0 0 0]T、[0 1 0 0 0 0 0 0]T、[0 0 1 0 0 0 0 0]T、[0 0 0 1 0 0 0 0]T、[0 0 0 0 1 0 0 0]T、[0 0 0 0 0 1 0 0]T、[0 0 0 0 0 0 1 0]T、[0 0 0 0 0 0 0 1]T，對應目標向量的數目為對應輸入壁紙樣本的數目，即目標向量與輸入壁紙樣本是相互對應的。

本文BP神經網絡分類器采用MATLAB神經網絡工具箱進行設計，訓練函數選擇Trainlm，訓練次數為200，誤差為0.001，將壁紙樣本其分成訓練樣本與測試樣本2部分，并利用訓練好的BP神經網絡對樣本進行自動識別，識別率達到90.0%。

3 結束語

實驗結果表明不變矩紋理特征參數可以用于表征壁紙樣本，使用本文設計的BP神經網絡分類器可以有效識別不同種類的壁紙樣本。

參考文獻：

[1]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2003：55-63.

[2]楊斐，王坤明，馬欣.應用BP神經網絡分類器識別交通標志[J].計算機工程，2000（10）：120-121.

[3]Yaping JIANG，Zuxin XU，Hailong YIN.Study on improved BP artificial neural networks in eutrophication assessment of China eastern lakes [J].Journal of Hydrodynamics，2006（03）：528-532.

[4]嚴曉梅，耿國華，周明全.基于改進BP神經網絡的指紋自動分類器[J].微計算機信息，2007（01）：281-282+288.

[5]李梅，孟凡玲，李群.基于改進BP神經網絡的地下水環境脆弱性評價[J].河海大學學報（自然科學版），2007（03）：245-249.

[6]閔惜琳，劉國華.用MATLAB神經網絡工具箱開發BP網絡應用[J].計算機應用，2001（08）：163-164.

第9篇：神經網絡特征范文

（四川信息職業技術學院，四川廣元628017）

摘要：考慮到傳統BP神經網絡在進行P2P流量識別時，具有系統識別速度慢、精度低，神經網絡自身容易陷入局部最小值等問題，使用遺傳算法對BP神經網絡進行優化。遺傳算法具有較強的自適應性和魯棒性，因此使用遺傳算法對BP神經網絡的權值和閾值進行優化處理，能夠有效提高神經網絡的性能。建立基于遺傳神經網絡的識別系統，采集處理大量樣本數據，對識別系統進行訓練和測試。研究結果表明，基于遺傳神經網絡的P2P流量識別系統具有識別精度高、識別速度快等優點，相比傳統BP神經網絡，其識別性能有明顯提高。

關鍵詞 ：遺傳算法；P2P；流量識別；BP神經網絡

中圖分類號：TN711?34；TP393 文獻標識碼：A 文章編號：1004?373X（2015）17?0117?04

隨著計算機科學技術的不斷發展與進步，P2P技術已經廣泛應用于網絡視頻音頻多媒體播放、網絡文件共享以及數據傳輸等領域，P2P技術不斷吸引了越來越多的網絡用戶、網絡應用服務開發者以及提供商的目光，各種各樣的基于P2P技術的網絡應用和服務不斷涌現，為人們在網絡中提供了便利。然而，隨著人們享受著P2P技術帶來的各種便利的同時，P2P技術的各種負面效應也隨之而來。目前P2P應用存在對網絡流量消耗巨大，監管難度大，以及易于網絡病毒傳播，為網絡帶來安全隱患等問題。因此，對P2P流量的精確識別和監測成為了對P2P技術研究的重中之重[1?5]。

1 P2P 流量識別技術

1.1 典型P2P流量識別技術

典型的P2P流量識別技術主要有：基于端口的識別技術、基于深層數據包的識別技術以及基于流量變化特征的識別技術。

基于端口的識別技術是一種應用最早的識別技術，其主要根據早期P2P應用的固定端口進行識別，具有算法簡便，易于實現等優點，但是對于現如今復雜的網絡環境，此種技術已經不再適用[6?7]。

基于深層數據包的識別技術往往因為存在識別滯后、隱私保護以及算法復雜等缺點而得不到廣泛普及應用。

基于流量變化特征的識別技術通過對P2P流量數據進行采集，通過處理數據得到數據流的統計特征，使用統計特征作為機器學習的訓練樣本，得到經過訓練的識別系統。此識別技術具有算法簡便、效率高等優點[8?9]。

1.2 基于神經網絡的P2P流量識別技術

BP 神經網絡是一種有督導的智能機器學習算法，已經在機械、計算機、通信等領域得到了廣泛應用，其技術發展已經相對成熟。將BP神經網絡用于對P2P流量的識別是一種可行有效的識別技術和手段。

然而將BP神經網絡算法用于P2P流量識別雖然克服了傳統識別方法存在的諸多問題，但是由于算法自身特性也隨之帶來了新的問題。

BP神經網絡實際上是梯度下降算法的一種迭代學習方法。由于梯度下降算法要求具有較小的學習速度時才能進行穩定的學習，因此其收斂速度較慢。并且，由于BP神經網絡在進行訓練時，會在某點沿著誤差斜面而漸進誤差極值，不同的起點會得到不同的誤差極值和不同的解。因此傳統BP神經網絡具有學習速度慢、抗干擾能力弱以及容易陷入局部最小值等缺點[10?11]。

2 BP 神經網絡和遺傳神經網絡

2.1 BP神經網絡

BP神經網絡結構如圖1所示。通常由輸入層、輸出層和隱含層組成。

4 結論

本文對P2P 流量識別技術進行了深入研究。P2P技術在網絡中已經得到了廣泛應用，其流量在網絡總流量中占有重要地位，因此對其流量進行實時監測識別具有重要意義。本文對P2P流量識別技術進行了分析，對使用比較廣泛的BP神經網絡模型進行了深入研究，并針對其缺點，使用遺傳算法進行優化，建立基于遺傳神經網絡的P2P流量識別模型。通過實驗采集大量網絡訓練樣本和測試樣本，對建立的識別系統進行測試。測試結果表明，基于遺傳算法的神經網絡的識別速度和識別精度要高于BP神經網絡，具有較高的工程應用價值。

參考文獻

[1] 譚紅春，楊松濤，闞紅星.校園網P2P 流量綜合檢測技術研究[J].長沙大學學報，2015（2）：70?72.

[2] 劉興光.一種混合式BT流量實時檢測方法[J].網絡安全技術與應用，2014（3）：53?55.

[3] 湯偉.基于數據流特征向量識別的P2P 僵尸網絡檢測方法研究[D].青島：中國海洋大學，2014.

[4] 席鵬.基于距離判決算法的P2P流量識別模型研究[D].昆明：云南大學，2013.

[5] 鄧力為.基于遺傳神經網絡的P2P流量檢測研究[D].成都：電子科技大學，2013.

[6] 張龍璨.基于粒子群優化半監督學習的網絡流量分類方法研究[D].武漢：華中科技大學，2013.

[7] 張瀚.基于DPI技術的P2P流量檢測系統設計[D].北京：北京郵電大學，2013.

[8] 馬容生.基于自適應神經網絡的P2P流量檢測研究[J].通信技術，2012（6）：113?116.

[9] 張瀚，朱洪亮，辛陽.基于DPI 技術的P2P 流量檢測系統設計[J].信息網絡安全，2012（10）：36?40.

[10] 張小敏.基于DPI的P2P流量識別方法研究[D].南京：南京郵電大學，2012.

[11] 周雪蓮.P2P流量應用層實時檢測技術研究[D].長春：吉林大學，2012.

[12] 賀毅朝，宋建民，張敬敏，等.利用遺傳算法求解靜態與動態背包問題的研究[J].計算機應用研究，2015（4）：1011?1015.

[13] 王曉瑜，原思聰，李曼.基于自適應蟻群遺傳混合算法的PID參數優化[J].計算機應用研究，2015（5）：1376?1378.

[14] 劉奕君，趙強，郝文利.基于遺傳算法優化BP 神經網絡的瓦斯濃度預測研究[J].礦業安全與環保，2015，42（2）：56?60.

[15] 吳連平，楊曉翔.基于神經網絡與遺傳算法的關節軸承擠壓模具優化[J].中國機械工程，2015，26（10）：1351?1355.

[16] 李麟青，楊哲，朱艷琴.一種混合式BitTorrent流量檢測方法[J].計算機應用，2011，31（12）：3210?3214.