图神经 络 图像处理,神经 络与图像处理

CNN神经 络给图像分类（Matlab）

你要看你的图像是什么。如果是彩色数字，先转成灰度。用MNIST训练 络。如果是各种主题，用彩色的imageNET训练。如果你的数据量大到足以与数据集媲美，那么直接用你的数据训练 络即可。

在流行的数据集上训练完，你需要固定卷积池化层，只训练后面的全连接层参数，用你自己的数据集。CNN一是调整 络结构，几层卷积几层池化，卷积的模板大小等。

而是在确定结构上调整参数，weightscale，learningrate，reg等。

你用CNN做图像分类，无非是把CNN当成学习特征的手段，你可以吧 络看成两部分，前面的卷积层学习图像基本-中等-高层特征，后面的全连接层对应普通的神经 络做分类。

需要学习的话，首先你去看UFLDL教程。然后cs231n与其问别人，首先你看了imageNet数据集了吗于把流行数据集与自己数据混合训练模型的方法。如果两种数据十分相似，也未尝不可。

但是对于流行数据集而言，自己的标注数据量一般不会太大，如果是1：1000，1:100这种比例，那么可能不加自己的数据，完全用数据集训练的模型就能得到一个还好的结果。

如果自己的数据和数据集有些差别，那混在一起我认为自己的是在用自己的数据当做噪声加到数据集中。

cnn认为图像是局部相关的，而欺骗CNN的方法则主要出于，自然图像分布在一种流形结构中，训练的模型需要这种流形假设，而人工合成的图像由于添加非自然噪点，不满足模型假设，所以能用肉眼难分辨的噪声严重干扰分类结果。

如果二者相差过大，数据集是一种分布，你的数据是另一种，放到一起训练，我没试过，但我认为结果不会太好。这时候只能把数据集用来训练cnn的特征提取能力。而后用于分类的全连接层，视你的数据量调整规模。

模糊照片修复app

1、VSCO拥有着超级丰富的滤镜库，让许多人一提起手机滤镜就会想到这个APP，简直成为了VSCO的代名词写作猫。不过它的功能可不止是加滤镜，还可以套上个滤镜直接拍照，然后分享到 区里去。

2、黄油相机文艺青年最爱的修图APP，没有之一。想打造出电影大片对白的图片效果，找黄油相机就是了。它的文字库很是丰富，先在照片上加个复古滤镜，再用那些漂亮的字体写上一两句话，效果就俩字：好看！

3、相机360很多人都会装的一个拍照修图APP，和系统自带的相机相互补充吧，毕竟系统的相机没有它那么多的特效和美颜~~~作为一款修图APP，相机360也是有不少工具的，虽然大多数是用在修颜上的。

4、美图秀秀这个就不用多说了吧，用过PC端的朋友应该有很多，APP版的重点放大了它的美颜功能，比如这个“美颜黑科技”，上传自己的照片后可以生成一张手绘，棒棒哒。

5、Snapseed越来越多人在用的修图APP，可以说是手机版的PS。曲线调整、色调对比度、细节调整等原本要到电脑才能进行的操作，都可以在Snapseed上完成。

还有一些特殊合成效果，比如双重曝光、鱼眼等等。

人工神经 络会秒杀人类哪6大领域/h2>

1.图像和物体识别记录表明，机器在图像和物体识别方面的能力远远超过了人类。在一次测试软件识别玩具的能力的实验中，GeoffHinton发明的Capsule 络的错误率几乎只有之前最低错误率的一半。

在不同的扫描过程中，增加这些胶囊的数量可以让系统更好地识别一个物体，即使这个视图与之前分析的不同。

另一个例子来自于一个最先进的 络，它是在一个有标签的图片数据库上训练的，并且能够比一个博士生更好地对物体进行分类，而这些博士生在相同的任务上接受了超过100个小时的训练。

2.电子游戏谷歌的DeepMind使用一种被称为“深度强化学习”的深度学习技术，研究人员用这种方法教电脑玩雅达利的打砖块游戏Breakout。他们没有以任何特定的方式对这台电脑进行教学或编程。

相反，它在看分数的同时还控制了键盘，它的目标是得到尽可能高的分数。玩了两个小时后，电脑就成为了这个游戏的专家。

深度学习 区正在进行一场竞赛，训练计算机在几乎所有你能想到的游戏中击败人类，包括太空入侵者、末日、Pong和魔兽世界。在大多数游戏中，深度学习 络已经胜过有经验的玩家。

电脑并不是通过编程来玩游戏的，他们只是通过玩游戏来学习。3.语音生成和识别去年，谷歌发布了WaveNet，百度发布了DeepSpeech。两者都是深度学习 络，能自动生成语音。

这些系统学会了模仿人类的声音，并且它们的水平随着时间的推移不断提高。将他们的演讲与真实的人区别开来，要比人们想象的要难得多。

牛津大学和谷歌公司DeepMind的科学家们创造了一个深度 络，LipNet，在阅读人们的唇语上达到了93%的正确率，而普通的人类唇语阅读者只能达到52%的正确率。

来自华盛顿大学的一个小组利用唇形同步创建了一个系统，将合成音频与现有视频实现同步。4.艺术品和风格的模仿神经 络可以研究某一特定艺术作品的笔触、颜色和阴影的图案。

在此基础上，它可以根据分析将原始的艺术作品转化为新的图像。就是一个例子，这家公司开发的应用可以使用深度学习来学习数百种不同的风格，你可以将它们应用到你的照片中。

艺术家和程序员GeneKogan也运用了风格转换，基于算法从埃及象形文字中学习的风格来修改蒙娜丽莎画像。

5.预测斯坦福大学的研究人员TimnitGebru选取了5000万张谷歌街景图片，探索一个深度学习 络可以做些什么。结果是，计算机学会了定位和识别汽车。

它检测到超过2200万辆汽车，包括它们的制造、型 、体型和年份。这一系统获得的洞见之一就是，选民队伍的起点和终点在哪里。

根据这一分析，“如果在15分钟车程中遇到的轿车数量高于皮卡车的数量，那么这座城市可能会在下次总统选举中投票给民主党人（88%的几率），”TimnitGebru和他的合著者写道。

另一个机器提供比人类更准确的预测的例子来自谷歌的Sunproof项目，这项技术使用了来自谷歌地球的航拍照片来创建一个你的屋顶的3D模型，将它与周围的树木和阴影区分开。

然后，它利用太阳的轨迹，根据位置参数来预测你屋顶的太阳能电池板能产生多少能量。6. 站设计修改在 站生成器中集成的人工智能可以帮助 站更新，并对 站进行有用的修改，比人类更快速、更准确。

这种系统的基本技术提供了关于 站外观的普通用户的意见，这可以告诉设计师 站设计的好坏。如今， 站建设者们要么利用深层 络来修改设计，要么计划在不久的将来使用它们。

该技术可以分析不同的模式，并根据以前的转化率和其他重要指标，创造更好的结果。虽然我们距离实现矩阵级别的人工智能还差得很远，但企业正在努力快速提高神经 络的智能化水平。

上面提到的项目只是这项技术的浅层次应用，新的想法和改进不断涌现，证明机器在完成任务方面正在不断超越人类的表现。

人工智能的应用领域有哪些/h2>

人工智能是研发模拟、扩展和扩展人的智能理论、方法、技术和应用系统的新技术科学，是认知、决策、反馈的过程。

人工智能技术应用的细分领域:深入学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理-语音识别、自然语言处理-通用、实时语音翻译、情况感知计算、手势控制、视觉内容自动识别、推荐引擎等。

人工智能是研发模拟、扩展和扩展人的智能理论、方法、技术和应用系统的新技术科学，是认知、决策、反馈的过程。

人工智能技术应用的细分领域:深入学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理-语音识别、自然语言处理-通用、实时语音翻译、情况感知计算、手势控制、视觉内容自动识别、推荐引擎等。

人工智能是研发模拟、扩展和扩展人的智能理论、方法、技术和应用系统的新技术科学，是认知、决策、反馈的过程。

人工智能技术应用的细分领域:深入学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理-语音识别、自然语言处理-通用、实时语音翻译、情况感知计算、手势控制、视觉内容自动识别、推荐引擎等。

人工智能是研发模拟、扩展和扩展人的智能理论、方法、技术和应用系统的新技术科学，是认知、决策、反馈的过程。

人工智能技术应用的细分领域:深入学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理-语音识别、自然语言处理-通用、实时语音翻译、情况感知计算、手势控制、视觉内容自动识别、推荐引擎等。

人工智能是研发模拟、扩展和扩展人的智能理论、方法、技术和应用系统的新技术科学，是认知、决策、反馈的过程。

人工智能技术应用的细分领域:深入学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理-语音识别、自然语言处理-通用、实时语音翻译、情况感知计算、手势控制、视觉内容自动识别、推荐引擎等。

人工智能是研发模拟、扩展和扩展人的智能理论、方法、技术和应用系统的新技术科学，是认知、决策、反馈的过程。

人工智能技术应用的细分领域:深入学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理-语音识别、自然语言处理-通用、实时语音翻译、情况感知计算、手势控制、视觉内容自动识别、推荐引擎等。

人工智能是研发模拟、扩展和扩展人的智能理论、方法、技术和应用系统的新技术科学，是认知、决策、反馈的过程。

人工智能技术应用的细分领域:深入学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理-语音识别、自然语言处理-通用、实时语音翻译、情况感知计算、手势控制、视觉内容自动识别、推荐引擎等。

硅谷“封城”前夜，轻舟智航无人车挑战Drive-through

轻舟智航所追求的，是建立自动化规模生产的工厂，相比原本的“造梯子”，他们更希望“造火箭”，为此，就要建立大量的工具链以及仿真测试环境。

文丨AutoR智驾 明阳相比传统自动驾驶公司的“造梯子”路径，轻舟智航是在“造火箭”，3月21日无人驾驶公司轻舟智航CEO于骞在其举办的线上分享会上说道。

作为一家成立不到一年的无人驾驶初创公司，这次线上分享会轻舟智航首次公开分享了其基于大规模智能仿真系统及可自主学习决策规划框架的技术路径，并介绍了大规模智能仿真系统的具体应用。

其目标是打造适应城市复杂交通环境的“老司机”，其业务模式是为合作伙伴提供可量产的无人驾驶解决方案。

对此，轻舟智航决定从两个方面来解决自动驾驶实际落地问题：一方面，基于大规模仿真技术应用来解决规划决策问题是当前无人驾驶技术领域的关键课题，以Waymo为代表的无人驾驶公司正在通过大规模的仿真测试改进规划决策技术。

另一方面，通过建立大量的工具链以及仿真测试环境，可以实现技术迭代的自动化，以更快的速度、更高效的方式应对自动驾驶的边界化难题，应对自动驾驶行业存在的长尾效应。

相比原本的“造梯子”，轻舟智航更希望“造火箭”我们知道，自动驾驶关键因素包括感知、决策和规划，其中，感知是一个比较确定性的问题，如何测试和评价是非常明确的，整体的方法论也是比较清楚，所以业内开始把注意力集中在规划决策技术上，把规划决策视为目前最具挑战性的问题。

规划决策的挑战性可以从两点来看：第一，不确定性难以衡量，现有判断规划决策做得好坏的指标是舒适度和安全性，但这两项指标都是比较偏主观。

一方面，不同人开车有不同的行为喜好，有人激进一些，有人保守一些，舒适程度本身是很主观的一个判断。

另一方面，在安全性上，简单的安全性指标是不碰撞，但即使是不碰撞，要是你的车总是离旁边车就差1厘米，你也会觉得不安全。

第二，从方法论的角度来说，行业里占主流位置的规划决策方法论，整体上看与20年前相比并没有大的突破，模仿学习或强化学习的方法，在大规模实际应用时也仍然存在众多问题。

于骞认为，“仿真技术的出现，其出现很大程度上是为了帮助规划决策进行更好的测试——毕竟不能每修改一次算法就部署到车上进行测试。随着仿真技术的采用，行业又进入一个快速的发展轨道。

”与大部分自动驾驶从无到有的技术构建过程——先做好建图和定位，再做好感知，最后再开始做规划决策和仿真不同，对于轻舟智航而言，从一开始便把仿真测试平台作为关键核心能力，与其他模块一同建设起来，使开发达到了十分高效的状态。

除此之外，自动驾驶技术存在突出的长尾效应，技术上已经解决了90%的问题，但剩下的10%却可能要花费同样多甚至更多的精力，这10%包括很多边界化难题。

于骞对无人驾驶为何迟迟未落地进行分析，他说，“边界化难题的发现和解决除了需要收集大量的数据，更重要的是建立自动化生产的工厂，将源源不断收集来的有效数据，通过自动化的工具，加工成可用的模型。

以更快的速度、更高效的方式应对边界化难题。”上图便是一个典型的边界化难题，在你遇上野鸭子之前，你甚至不知道会有野鸭子的问题，所以边界化难题是需要去发现，并且解决的。那么边界化难题怎样去发现并解决呢/p>

除了收集大量的数据，更重要的是建立自动化生产的工厂，将源源不断收集来的有效数据，通过自动化的工具，加工成可用的模型。以更快的速度、更高效的方式应对边界化难题。

以上面野鸭子的场景为例，如果需要专门针对这些场景去开发特殊的模型，那会有无穷无尽的场景需要处理。但借助自动化的办法，只要数据标注好了，下次系统更新时便可以更好处理这种情况，省下大量工程师的时间。

以感知举例是比较容易理解的，但其实规划技术也一样，要想让车做出准确的规划，最原始的方法是工程师写规则——大量的工程师写出大量的规则，但这种方式维护性很差还不能满足需求。

再进一步便是设计奖励函数——设计奖励函数比写规则要简单的多；再往后则是利用数据自动学习奖励函数。这个过程便是往自动化方向发展的过程。

于骞说，“轻舟智航所追求的，是建立自动化规模生产的工厂，相比原本的“造梯子”，我们更希望“造火箭”，为此，就要建立大量的工具链以及仿真测试环境。

”对此，轻舟智航将有效数据、智能仿真系统以及决策规划框架这三点视为推动技术向前转动的齿轮。

借助大规模智能仿真系统和可自主学习决策规划框架，轻舟智航可做到最大化地利用有效数据，大幅降低测试成本，提升开发效率，保证解决方案的可拓展性。

于骞表示，“过去的一年，轻舟智航不希望通过见招拆招的方式进入到某个具体的小应用场景，变成一家靠堆人来解决问题、无法规模化的工程公司，而是专注于修炼内功，在做到主线够深入、横向可扩展之后，再以轻、快的方式实现真正的无人驾驶。

”拒绝“华而不实”，轻舟智航仿真系统架构首次揭秘当前，市面上有许多仿真软件，最流行的是基于游戏引擎开发的仿真软件，这种仿真软件从界面的角度来说是比较好看的，像一个模拟城市，场景很真实。

与这种主流的仿真软件不同，轻舟智航的仿真软件界面很简单的，抛弃了复杂的渲染工作，仅保留了感知结果，包括3D Box和雷达点的叠加。轻舟智航为什么不利用游戏引擎，造一个好看的模拟城市呢/p>

轻舟智航的联合创始人汪堃总结了基于游戏引擎开发的仿真系统的三大特点：第一，在使用游戏引擎的情况下，其本身的图像渲染工作对感知的提升是很有限的，因为其中的渲染效果和真实物体是有一定差别的。

第二，在自动驾驶领域，这种Re-build软件（基于第三方软件开发）是缺乏测试确定性的。仿真软件在自动驾驶领域的重要应用，就是复现某一次的路测效果。

但由于这种第三方软件的开发与自动驾驶软件的开发是相互独立的，很难保证其中各个模块的确定性，导致整个仿真软件存在不确定性，最终影响可用性。

第三，基于游戏引擎开发的仿真器会消耗大量额外计算资源做图像渲染，不利于大规模应用，这也影响到本身的实用性。基于以上考虑，轻舟智航制定了独特的仿真系统。

轻舟智航仿真系统的系统架构可以分为5层：最底层的是轻舟智航自研的Car OS，借助底层的通讯系统来保证模块之间的高效通讯。

Car OS与仿真器是高度整合的系统，核心仿真器及评估器，是基于底层的Car OS接口开发的，能保证仿真系统的确定性。

再往上一层是仿真周边工具链和基础架构，可保证整个数据闭环的有效性，将全部数据高效利用起来；第四层是大规模场景库构建。最顶层则是分布式系统仿真平台，支持快速、大规模的仿真应用，在短时间内得出正确评估。

轻舟智航的仿真评估器也可以分为5类：第一类是安全性评估器（Safety Evaluator），包含是否碰撞、是否压到路边、是否撞到行人等评估。

第二类是真值评估器（Ground Truth Evaluator），可通过人工标注或自动标注的方式对仿真结果进行检测对比，及时反馈给工程师。

第三类是法规评估（Law Evaluator），指的是根据交通规则进行评估，例如是否闯红灯、是否逆行等；第四类是舒适度评估（Comfort Evaluator），指是否有急刹等带来不舒适感的等行为。

第五类是状况评估（Stats Evaluator），相对比较底层一些，指根据模块生成的中间结果，进行纵向比较得到评估的结果。汪堃表示，“我们认为仿真是达到规模化无人驾驶技术的唯一路径。

首先，借助仿真及相关工具链，能形成高效的数据测试闭环，支持算法的测试和高效迭代，取代堆人或堆车的方式；其次，只有经过大规模智能仿真验证过的软件，才能够保证安全性和可用性。

以一个比喻作为结尾，如果无人驾驶是个赛跑，那么仿真便是助推器，助推完全无人驾驶的实现。

”一镜到底，轻舟智航硅谷“封城”前夜展示无人车真实力加州“在家隔离”强制执行令发布后的3个小时，对轻舟智航来说是难忘的3个小时。

硅谷时间3月16日下午4点23分，轻舟智航收到加州相关政府发布的正式强制性命令，所有居民必须在家隔离，除非采购食物，就医或者其他紧急情况才允许离开住所，强制性命令于当天午夜12点生效。

这一天，轻舟智航要进行试乘直播活动。

于骞表示，“收到这个通知时，离生效只剩下8个小时，我们没有放弃，而是在第一时间联系了硅谷风险投资BoomingStar Ventures管理合伙人Alex Ren作为第三方见证者，在当天晚上7点多紧急录制了路测视频。

”由于时间紧张，轻舟智航只有一次机会，所以接下来的测试视频是一次性录制完成。

本次轻舟智航试乘路线首先将开到一个商业区周边的麦当劳，经过一个汽车穿梭窗口（Drive-through，不必下车即可得到服务的餐馆），随后穿过一个大超市和其停车场，回到公司。

Drive-through 是美国很常见的一种点餐方式，是典型的城市复杂交通环境之一，从技术上角度来看，Drive-through场景也是很有挑战性的。

首先，其车道比单车道更窄，对定位和控制的要求都比较高，如果横向定位和控制不精确，就会轧到路沿或蹭到建筑物，如果纵向不准，就会对不准点餐窗口。

其次，在出口处便是停车场，是非结构化道路，要应对人车混杂的情况，还要通过无保护右转进入道路主路。

最后，更有挑战性的是这里是正常营业的地方，不像开放道路般可以重复进行路测，据悉，轻舟智航通过大量的仿真测试，做到了第一次上路就非常安全可靠。

通过视频来看，Star Ventures管理合伙人Alex Ren乘坐轻舟智航无人车经过一个汽车穿梭餐厅，完成订餐、支付、取餐的全过程，随后，还在一间大型超市周围遇上了由于抢购物资引起的复杂道路场景，但无人车实现了很好的应对。

接下来我们再从仿真角度来看，在真实影像中，我们可看到前方是没有车辆的。但借助仿真，我们在场景中产生了两辆绿色的虚拟车辆，测试车辆能否对虚拟车辆进行准确的避让。

同样，也产生了黄色框的行人来进行测试，视频中的白色边框则是当时的实际行驶轨迹。

汪堃称，“由于麦当劳这种场景是不允许多次实际测试的，这个视频只是众多例子中的一个，实际上生成了非常多个这种类似的场景，在仿真测试中评估器，都得到不错的结果后，才让车辆到实际场景中测试。

”此外，以上视频也展示了仿真场景库的自动生成的相关工作，视频中红色和绿色的两个点，分别代表两辆车的运动轨迹，这些轨迹的生成和变化，是在真实的交通数据集上，利用深度学习的方法进行训练，再使用训练好的深度神经 络合成大规模的互动车辆的轨迹。

大家可以看到互动车辆的运动轨迹在不断变化，这个变化是由于轻舟智航借助生成模型在互动车辆的运动行为空间进行随机抽样而产生的。

该生成模型支持在不同地图上合成不同的场景库，具有真实有效，多样丰富，以及规模扩展等诸多特性。

视频中的两个点或者两辆车，是具有交互性的，它们之间可以进行正确的互动，这种互动行为不是人工手动创制，而是从真实车与车之间的互动数据中通过深度学习的方法学习而来的。

关于轻舟智航：作为一家年轻的初创公司，轻舟智航的的核心团队成员来自Waymo、特斯拉、Uber ATG、福特、英伟达、Facebook等世界顶级自动驾驶公司和科技公司。

目前在美国硅谷、中国北京、深圳、苏州等多个城市都设有办公室。

其联合创始人、CEO于骞是顶尖核心感知算法和地图专家，曾任Waymo感知关键模块的机器学习算法研发负责人，在计算机视觉和机器学习领域拥有十多年经验。

基于优化的BP神经 络遥感影像分类

。

罗小波1刘明培1，2（1.重庆邮电大学计算机学院中韩GIS研究所，重庆，400065；2.西南大学资源环境学院，重庆，400065）摘要：在 络结构给定的情况下，利用遗传算法的全局寻优能力得到一组权值和阈值作为BP神经 络的初始权值和阈值，来避免BP神经 络易陷入局部极小的缺陷，同时也可以提高 络的收敛速度。

然后再利用BP神经 络的局部寻优能力，对权值和阈值进行进一步的精细调整。实验结果表明，把这种基于遗传算法的BP神经 络应用于遥感影像监督分类，具有较高的分类精度。

关键词：BP神经 络；遗传算法；遥感影像分类1引言随着遥感技术的快速发展，遥感技术已经广泛应用于各个领域。其中，遥感影像分类是其重要组成部分。

近年来，随着人工神经 络理论的快速发展，神经 络技术日益成为遥感影像分类中的有效手段，特别是对高光谱等影像数据，更是具有许多独特的优势。

一般我们把采用BP（Back-propogation）算法的多层感知器叫做BP神经 络，它是目前研究得最完善、应用最广泛的神经 络之一。

在进行 络训练之前，利用遗传算法的全局寻优能力确定 络的初始权值和阈值；然后利用BP学习算法的局部寻优能力对 络进行进一步的精细调整。最后利用训练后的 络进行遥感影像监督分类。

结果表明，基于遗传算法的BP神经 络进行遥感影像监督分类，具有较高的分类精度。2BP神经 络2.1 络结构BP神经 络的结构一般包括输入层、中间隐层、输出层。

在模式识别中，输入层的神经元个数等于输入的特征个数，输出层的神经元个数等于需要分类的类别数。隐层可以为一层或多层，但一般的实际应用中一层隐层就可以满足要求。

而各隐层的神经元个数需要根据实际问题的复杂度而定。以单隐层为例，其结构示意图如图1。

为了实现一种通用的遥感影像分类手段，除了提供默认的 络结构外，还为使用者提供了根据实际问题的复杂度自行确定 络隐层数与各隐层神经元数的功能。

这为一些高级用户提供了灵活性，但这种灵活性在一定程度上增加了使用的难度，有时也需要一个实验的过程，才能取得满意的效果。

图1BP神经 络结构2.2BP学习算法算法的基本步骤如下：（1）将全部权值与节点的阈值预置为一个小的随机数。（2）加载输入与输出。在n个输入节点上加载一n维向量X，并指定每一输出节点的期望值。

每次训练可以选取新的同类或者异类样本，直到权值对各类样本达到稳定。（3）计算实际输出y1，y2，…，yn。（4）修正权值。

权值修正采用了最小均方（LMS）算法的思想，其过程是从输出节点开始，反向地向第一隐层传播由总误差诱发的权值修正。

下一时刻的互连权值Wij（t＋1）由下式给出：土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集式中，j为本节点的输出；i则是隐层或者输入层节点的序 ；或者是节点i的输出，或者是外部输入；η为学习率；α为动量率；δj为误差项，其取值有两种情况：A.若j为输出节点，则：δj＝yj（1－yj）（tj－yj）其中，tj为输出节点j的期望值，yj为该节点的实际输出值；B.若j为内部隐含节点，则：土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集其中k为j节点所在层之上各层的全部节点。

（5）在达到预定的误差精度或者循环次数后退出，否则，转（2）。2.3基于遗传算法的 络学习算法遗传算法具有全局寻优、不易陷入局部极小的优点，但局部寻优的能力较差。而BP学习算法却具有局部寻优的优势。

因此，如果将两种算法结合起来构成混合训练算法，则可以相互取长补短获得较好的分类效果。

主要思路如下：（1）利用遗传算法确定最优个体A.把全部权值、阈值作为基因进行实数编码，形成具有M个基因的遗传个体结构，其中M等于所有权值、阈值的个数。

B.设定种群规模N，随机初始化这N个具有M个基因的结构。C.适应度的计算：分别用训练样本集对N组权值、阈值进行训练，得出各自 络期望输出与 络实际输出的总误差e，适应度f＝1.0－e。

D.进行遗传算子操作，包括选择算子、交叉算子和变异算子，形成新的群体：其中，选择算子采用了轮盘赌的方法，交叉算子采用了两点交叉。E.反复进行C、D两步，直到满足停止条件为止。

停止条件为：超出最大代数、最优个体精度达到了规定的精度。（2）把经过GA优化后的最优个体进行解码操作，形成BP神经 络的初始权值和阈值。（3）采用BP学习算法对 络进行训练，直到满足停止条件。

停止条件为：①达到最大迭代次数；②总体误差小于规定的最小误差。 络训练结束后，把待分数据输入训练好的神经 络，进行分类，就可以得到分类结果影像图。

3应用实例实现环境为VC＋＋6.0，并基于Mapgis的二次开发平台，因为二次平台提供了一些遥感影像的基本处理函数，如底层的一些读取文件的基本操作。

实验中使用的遥感影像大小为500×500，如图1所示。该影像是一美国城市1985年的遥感影像图。

根据同地区的SPOT影像及相关资料，把该区地物类别分为8类，各类所对应的代码为：C1为水体、C2为草地、C3为绿化林、C4为裸地、C5为大型建筑物、C6为军事基地、C7为居民地、C8为其他生活设施（包括街道、道路、码头等）。

其中，居民地、军事设施、其他生活设施的光谱特征比较接近。

图1TM原始影像（5，4，3合成）在 络训练之前，经过目视解译，并结合一些相关资料，从原始图像上选取了3589个类别已知的样本组成原始样本集。

要求原始样本具有典型性、代表性，并能反映实际地物的分布情况。把原始样本集进行预处理，共得到2979个纯净样本。这些预处理后的样本就组成训练样本集。

络训练时的波段选择为TM1、TM2、TM3、TM4、TM5、TM7共6个波段。

另外，由于所要分类的类别数为8，因此， 络结构为：输入层节点数为6，输出层节点数为8，隐层数为1，隐层的节点数为10，然后用训练样本集对 络进行训练。

在训练 络的时候，其训练参数分别为：学习率为0.05，动量率为0.5，最小均方误差为0.1，迭代次数为1000。把训练好的 络对整幅遥感影像进行分类，其分类结果如下面图2所示。

图2分类结果为了测试 络的分类精度，在分类完成后，需要进行 络的测试。

测试样本的选取仍然采用与选取训练样本集一样的方法在原始影像上进行选取，即结合其他资料，进行目视判读，在原始图像上随机选取类别已知的样本作为测试样本。

利用精度评价模块，把测试样本集与已分类图像进行比较，得到分类误差矩阵以及各种分类精度评价标准，如表1所示：表1分类误差矩阵总体精度：0.91，Kappa系数：0.90。

从表1可以看出，采用测试样本集进行测试，大部分地物的分类精度都达到了0.9以上，只有居民地和其他生活设施的精度没有达到，但也分别达到了0.89和0.77，总的分类精度为0.91。

Kappa系数在遥感影像分类精度评价中应用极为广泛，在本次测试中其值为0.90。从上面的分析可以看出，利用基于遗传算法的BP神经 络进行遥感影像分类，其分类精度较高，取得了令人满意的效果。

4结论与传统的基于统计理论的分类方法相比，BP神经 络分类不要求训练样本正态分布，并且具有复杂的非线性映射能力，更适合于日益激增的海量高光谱遥感数据的处理。

但BP神经 络也有易陷于局部极小、不易收敛等缺陷。初始权值和阈值设置不当，是引起 络易陷于局部极小、不易收敛的重要原因。

在实验中，利用遗传算法的全局寻优能力来确定BP 络的初始权值和阈值，使得所获取的初始权值和阈值是一组全局近似最优解。然后，利用BP学习算法的局部寻优能力对 络权值和阈值进行精细调整。

这样，训练后的稳定 络，不但具有较强的非线性映射能力，而且总可以得到一组均方误差最小的全局最优解。

实验表明，利用上述的基于遗传算法的BP神经 络进行遥感影像分类，只要所选取的训练样本具有代表性，能反映实际地物的分布情况，就能够得到较高的分类精度，具有较强的实际应用价值。

参考文献H.Yangetal，ABack-propagationneuralnetworkmformineralogicalmappingfromAVIRISdata，Int.J.Remotesensing，20（1）：97～110ArdutiAlessandro，etal.Speeduplearningandnetworkoptimizationwithextendedbackpropogation.NeuralNetworks，1993，6：365～383PatrickP.Minimizationmethodsfortrainingfeedforwardneuralnetworks.NeuralNetworks，1994，7：1～12GoldbergDE.GeneticalgorithmsinSearchOptimizationandMachine：Addison-Wesley，1989RudolphGunter.ConvergenceanalysisofcanonicalgeneticTransactionsonNeuralNetworks，1994，5（1）；102～119FangJ，XiY.Towarddesignbasedonevolutionary.，1997，11（2）：155～161ParkYR，etal.PredictionsunspotsusinglayeredperceptionneuralNeuralNetorks，1996，7（2）：501～505杨行峻、郑君里.人工神经 络与盲信 处理［M］.北京：清华出版 ，2003，23～40周成虎、骆剑成等.遥感影像地学理解与分析［M］.北京：科学出版 ，2001，228～238王耀男.卫星遥感图像的神经 络自动识别［J］.湖南大学学 ，1998，61～66江东，王建华.人工神经 络在遥感中的应用与发展.国土与资源遥感，1999，13～18。

opencv的人脸识别基于什么特征

。

基于几何特征的人脸识别方法基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。

基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。

但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。

模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。

基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。

基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经 络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。

因此，这也是j种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且该方法在复杂背景下，多姿态的人脸图像中也能得到有效的检测结果。

但是这种方法通常需要遍历整个图片才能得到检测结果，并且在训练过程中需要大量的人脸与非人脸样本，以及较长的训练时间。近几年来，针对该方法的人脸检测研究相对比较活跃。

基于代数特征的人脸识别方法在基于代数特征的人脸识别中，每一幅人脸图像被看成是以像素点灰度为元素的矩阵，用反映某些性质的数据特征来表示人脸的特征。

设人脸图像),(yxI为二维NM×灰度图像，同样可以看成是NMn×=维列向量，可视为NM×维空间中的一个点。

但这样的一个空间中，并不是空间中的每一部分都包含有价值的信息，故一般情况下，需要通过某种变换，将如此巨大的空间中的这些点映射到一个维数较低的空间中去。

然后利用对图像投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。在基于代数特征的人脸识别方法中，主成分分析法（PCA）和Fisher线性判别分析（LDA）是研究最多的方法。

本章简要介绍介绍了PCA。

完整的PCA(PrincipalComponentAnalysis)人脸识别的应用包括四个步骤：人脸图像预处理；读入人脸库，训练形成特征子空间；把训练图像和测试图像投影的上一步骤中得到的子空间上；选择一定的距离函数进行识别。

详细描述如下：4.1读入人脸库一归一化人脸库后，将库中的每个人选择一定数量的图像构成训练集，设归一化后的图像是n×n，按列相连就构成n2维矢量，可视为n2维空间中的一个点，可以通过K-L变换用一个低维子空间描述这个图像。

4.2计算K．L变换的生成矩阵训练样本集的总体散布矩阵为产生矩阵，即或者写成:式中xi为第i个训练样本的图像向量，|l为训练样本的均值向量，M为训练样本的总数。

为了求n2×n2维矩阵∑的特征值和正交归一化的特征向量，要直接计算的话，计算量太大，由此引入奇异值分解定理来解决维数过高的问题。

4.3利用奇异值分解(AVD)定理计算图像的特征值和特征向量设A是一个秩为r的行n×r维矩阵，则存在两个正交矩阵和对角阵：其中凡则这两个正交矩阵和对角矩阵满足下式：其中为矩阵的非零特征值，4.4把训练图像和测试图像投影到特征空间每一副人脸图像向特征脸子空间投影，得到一组坐标系数，就对应于子空间中的一个点。

同样，子空间中的任一点也对应于～副图像。这组系数便可作为人脸识别的依据，也就是这张人脸图像的特征脸特征。

也就是说任何一幅人脸图像都可以表示为这组特征脸的线性组合，各个加权系数就是K．L变换的展开系数，可以作为图像的识别特征，表明了该图像在子空间的位置，也就是向量可用于人脸检测，如果它大于某个阈值，可以认为f是人脸图像，否则就认为不是。

这样原来的人脸图象识别问题就转化为依据子空间的训练样本点进行分类的问题。基于连接机制的人脸识别方法基于连接机制的识别方法的代表性有神经 络和弹性匹配法。

神经 络(ANN)在人工智能领域近年来是一个研究热门，基于神经 络技术来进行人脸特征提取和特征识别是一个积极的研究方向。

神经 络通过大量简单神经元互联来构成复杂系统，在人脸识别中取得了较好的效果，特别是正面人脸图像。常用的神经 络有：BP 络、卷积 络、径向基函数 络、自组织 络以及模糊神经 络等n¨。

BP 络的运算量较小耗时也短，它的自适应功能使系统的鲁棒性增强。神经 络用于人脸识别，相比较其他方法，其可以获得识别规则的隐性表达，缺点是训练时间长、运算量大、收敛速度慢且容易陷入局部极小点等。

Gutta等人结合RBF与树型分类器的混合分类器模型来进行人脸识别乜螂1。

Lin等人采用虚拟样本进行强化和反强化学习，采用模块化的 络结构 络的学习加快，实现了基于概率决策的神经 络方法获得了较理想结果，。此种方法能较好的应用于人脸检测和识别的各步骤中。

弹性匹配法采用属性拓扑图代表人脸，拓扑图的每个顶点包含一个特征向量，以此来记录人脸在该顶点位置周围的特征信息¨引。

拓扑图的顶点是采用小波变换特征，对光线、角度和尺寸都具有一定的适应性，且能适应表情和视角的变化，其在理论上改进了特征脸算法的一些缺点。

基于三维数据的人脸识别方法一个完整的人脸识别系统包括人脸面部数据的获取、数据分析处理和最终结果输出三个部分。

图2-1显示了三维人脸识别的基本步骤：1、通过三维数据采集设备获得人脸面部的三维形状信息；2、对获取的三维数据进行平滑去噪和提取面部区域等预处理；3、从三维数据中提取人脸面部特征，通过与人脸库中的数据进行比对；4、用分类器做分类判别，输出最后决策结果。

基于三维数据的方法的代表性是基于模型合成的方法和基于曲率的方法。基于模型合成的方法，它的基本思想为：输入人脸图像的二维的，用某种技术恢复(或部分恢复)人脸的三维信息，再重新合成指定条件下的人脸图像。

典型代表是3D可变形模型和基于形状恢复的3D增强人脸识别算法。

3D可变形模型首先通过200个高精度的3D人脸模型构建一个可变形的3D人脸模型，用这个模型来对给定的人脸图像拟合，获得一组特定的参数，再合成任何姿态和光照的人脸图像n卜捌。

基于形状恢复的3D增强人脸识别算法是利用通用的3D人脸模型合成新的人脸图像，合成过程改变了一定的姿态与光源情况。

曲率是最基本的表达曲面信息的局部特征，因而最早用来处理3D人脸识别问题的是人脸曲面的曲率。Lee禾lJ用平均曲率和高斯曲率值，将人脸深度图中凸的区域分割出来。

如果你是开发者的话，可以去Tel一下colorreco，更好地技术解答。

神经 络的发展趋势如何/h2>

。

神经 络的云集成模式还不是很成熟，应该有发展潜力，但神经 络有自己的硬伤，不知道能够达到怎样的效果，所以决策支持系统中并不是很热门，但是神经 络无视过程的优点也是无可替代的，云 络如果能够对神经 络提供一个互补的辅助决策以控制误差的话，也许就能使神经 络成熟起来1人工神经 络产生的背景自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的研究热情。

生物学家、神经学家经过长期不懈的努力，通过对人脑的观察和认识，认为人脑的智能活动离不开脑的物质基础，包括它的实体结构和其中所发生的各种生物、化学、电学作用，并因此建立了神经元 络理论和神经系统结构理论，而神经元理论又是此后神经传导理论和大脑功能学说的基础。

在这些理论基础之上，科学家们认为，可以从仿制人脑神经系统的结构和功能出发，研究人类智能活动和认识现象。

另一方面，19世纪之前，无论是以欧氏几何和微积分为代表的经典数学，还是以牛顿力学为代表的经典物理学，从总体上说，这些经典科学都是线性科学。

然而，客观世界是如此的纷繁复杂，非线性情况随处可见，人脑神经系统更是如此。复杂性和非线性是连接在一起的，因此，对非线性科学的研究也是我们认识复杂系统的关键。

为了更好地认识客观世界，我们必须对非线性科学进行研究。人工神经 络作为一种非线性的、与大脑智能相似的 络模型，就这样应运而生了。

所以，人工神经 络的创立不是偶然的，而是20世纪初科学技术充分发展的产物。2人工神经 络的发展人工神经 络的研究始于40年代初。半个世纪以来，经历了兴起、高潮与萧条、高潮及稳步发展的远为曲折的道路。

1943年，心理学家W.S.Mcculloch和数理逻辑学家W.Pitts提出了M—P模型，这是第一个用数理语言描述脑的信息处理过程的模型，虽然神经元的功能比较弱，但它为以后的研究工作提供了依据。

1949年，心理学家提出突触联系可变的假设，根据这一假设提出的学习规律为神经 络的学习算法奠定了基础。

1957年，计算机科学家Rosenblatt提出了著名的感知机模型，它的模型包含了现代计算机的一些原理，是第一个完整的人工神经 络，第一次把神经 络研究付诸工程实现。

由于可应用于模式识别，联想记忆等方面，当时有上百家实验室投入此项研究，美国军方甚至认为神经 络工程应当比“原子弹工程”更重要而给予巨额资助，并在声纳信 识别等领域取得一定成绩。

1960年，B.Windrow和E.Hoff提出了自适应线性单元，它可用于自适应滤波、预测和模式识别。至此，人工神经 络的研究工作进入了第一个高潮。

1969年，美国著名人工智能学者M.Minsky和S.Papert编写了影响很大的Perceptron一书，从理论上证明单层感知机的能力有限，诸如不能解决异或问题，而且他们推测多层 络的感知机能力也不过如此，他们的分析恰似一瓢冷水，很多学者感到前途渺茫而纷纷改行，原先参与研究的实验室纷纷退出，在这之后近10年，神经 络研究进入了一个缓慢发展的萧条期。

这期间，芬兰学者T.Kohonen提出了自组织映射理论，反映了大脑神经细胞的自组织特性、记忆方式以及神经细胞兴奋刺激的规律；美国学者S.A.Grossberg的自适应共振理论（ART）；日本学者K.Fukushima提出了认知机模型；ShunIchimari则致力于神经 络有关数学理论的研究等，这些研究成果对以后的神经 络的发展产生了重要影响。

美国生物物理学家J.J.Hopfield于1982年、1984年在美国科学院院刊发表的两篇文章，有力地推动了神经 络的研究，引起了研究神经 络的又一次热潮。

1982年，他提出了一个新的神经 络模型——hopfield 络模型。他在这种 络模型的研究中，首次引入了 络能量函数的概念，并给出了 络稳定性的判定依据。

1984年，他又提出了 络模型实现的电子电路，为神经 络的工程实现指明了方向，他的研究成果开拓了神经 络用于联想记忆的优化计算的新途径，并为神经计算机研究奠定了基础。

1984年Hinton等人将模拟退火算法引入到神经 络中，提出了Boltzmann机 络模型，BM 络算法为神经 络优化计算提供了一个有效的方法。

1986年，D.E.Rumelhart和J.LMcclelland提出了误差反向传播算法，成为至今为止影响很大的一种 络学习方法。

1987年美国神经计算机专家R.Hecht—Nielsen提出了对向传播神经 络，该 络具有分类灵活，算法简练的优点，可用于模式分类、函数逼近、统计分析和数据压缩等领域。

1988年L.Ochua等人提出了细胞神经 络模型，它在视觉初级加工上得到了广泛应用。为适应人工神经 络的发展，1987年成立了国际神经 络学会，并决定定期召开国际神经 络学术会议。

1988年1月NeuralNetwork创刊。1990年3月IEEETransactiononNeuralNetwork问世。

我国于1990年12月在北京召开了首届神经 络学术大会，并决定以后每年召开一次。1991年在南京成立了中国神经 络学会。IEEE与INNS联合召开的IJCNN92已在北京召开。

这些为神经 络的研究和发展起了推波助澜的作用，人工神经 络步入了稳步发展的时期。90年代初，诺贝尔奖获得者Edelman提出了Darwinism模型，建立了神经 络系统理论。

同年，Aihara等在前人推导和实验的基础上，给出了一个混沌神经元模型，该模型已成为一种经典的混沌神经 络模型，该模型可用于联想记忆。

Wunsch在90OSA年会上提出了一种AnnualMeeting，用光电执行ART，学习过程有自适应滤波和推理功能，具有快速和稳定的学习特点。

1991年，Hertz探讨了神经计算理论，对神经 络的计算复杂性分析具有重要意义；Inoue等提出用耦合的混沌振荡子作为某个神经元，构造混沌神经 络模型，为它的广泛应用前景指明了道路。

1992年，Holland用模拟生物进化的方式提出了遗传算法，用来求解复杂优化问题。1993年方建安等采用遗传算法学习，研究神经 络控制器获得了一些结果。

1994年Angeline等在前人进化策略理论的基础上，提出一种进化算法来建立反馈神经 络，成功地应用到模式识别，自动控制等方面；廖晓昕对细胞神经 络建立了新的数学理论和方法，得到了一系列结果。

HayashlY根据动物大脑中出现的振荡现象，提出了振荡神经 络。

1995年Mitra把人工神经 络与模糊逻辑理论、生物细胞学说以及概率论相结合提出了模糊神经 络，使得神经 络的研究取得了突破性进展。

Jenkins等人研究光学神经 络，建立了光学二维并行互连与电子学混合的光学神经 络，它能避免 络陷入局部最小值，并最后可达到或接近最理想的解；SoleRV等提出流体神经 络，用来研究昆虫 会，机器人集体免疫系统，启发人们用混沌理论分析 会大系统。

1996年，ShuaiJW’等模拟人脑的自发展行为，在讨论混沌神经 络的基础上提出了自发展神经 络。

1997、1998年董聪等创立和完善了广义遗传算法，解决了多层前向 络的最简拓朴构造问题和全局最优逼近问题。

随着理论工作的发展，神经 络的应用研究也取得了突破性进展，涉及面非常广泛，就应用的技术领域而言有计算机视觉，语言的识别、理解与合成，优化计算，智能控制及复杂系统分析，模式识别，神经计算机研制，知识推理专家系统与人工智能。

涉及的学科有神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学、光学、动力学、生物电子学等。美国、日本等国在神经 络计算机软硬件实现的开发方面也取得了显著的成绩，并逐步形成产品。

在美国，神经计算机产业已获得军方的强有力支持，国防部高级研究计划局认为“神经 络是解决机器智能的唯一希望”，仅一项8年神经计算机计划就投资4亿美元。

在欧洲共同体的ESPRIT计划中，就有一项特别项目：“神经 络在欧洲工业中的应用”，单是生产神经 络专用芯片这一项就投资2200万美元。据美国资料声称，日本在神经 络研究上的投资大约是美国的4倍。

我国也不甘落后，自从1990年批准了南开大学的光学神经计算机等3项课题以来，国家自然科学基金与国防预研基金也都为神经 络的研究提供资助。

另外，许多国际著名公司也纷纷卷入对神经 络的研究，如Intel、IBM、Siemens、HNC。神经计算机产品开始走向商用阶段，被国防、企业和科研部门选用。

在举世瞩目的海湾战争中，美国空军采用了神经 络来进行决策与控制。在这种刺激和需求下，人工神经 络定会取得新的突破，迎来又一个高潮。自1958年第一个神经 络诞生以来，其理论与应用成果不胜枚举。

人工神经 络是一个快速发展着的一门新兴学科，新的模型、新的理论、新的应用成果正在层出不穷地涌现出来。

3人工神经 络的发展前景针对神经 络存在的问题和 会需求，今后发展的主要方向可分为理论研究和应用研究两个方面。（1）利用神经生理与认识科学研究大脑思维及智能的机理、计算理论，带着问题研究理论。

人工神经 络提供了一种揭示智能和了解人脑工作方式的合理途径，但是由于人类起初对神经系统了解非常有限，对于自身脑结构及其活动机理的认识还十分肤浅，并且带有某种“先验”。

例如，Boltzmann机引入随机扰动来避免局部极小，有其卓越之处，然而缺乏必要的脑生理学基础，毫无疑问，人工神经 络的完善与发展要结合神经科学的研究。

而且，神经科学，心理学和认识科学等方面提出的一些重大问题，是向神经 络理论研究提出的新挑战，这些问题的解决有助于完善和发展神经 络理论。

因此利用神经生理和认识科学研究大脑思维及智能的机理，如有新的突破，将会改变智能和机器关系的认识。

利用神经科学基础理论的研究成果，用数理方法探索智能水平更高的人工神经 络模型，深入研究 络的算法和性能，如神经计算、进化计算、稳定性、收敛性、计算复杂性、容错性、鲁棒性等，开发新的 络数理理论。

由于神经 络的非线性，因此非线性问题的研究是神经 络理论发展的一个最大动力。

特别是人们发现，脑中存在着混沌现象以来，用混沌动力学启发神经 络的研究或用神经 络产生混沌成为摆在人们面前的一个新课题，因为从生理本质角度出发是研究神经 络的根本手段。

（2）神经 络软件模拟，硬件实现的研究以及神经 络在各个科学技术领域应用的研究。

由于人工神经 络可以用传统计算机模拟，也可以用集成电路芯片组成神经计算机，甚至还可以用光学的、生物芯片的方式实现，因此研制纯软件模拟，虚拟模拟和全硬件实现的电子神经 络计算机潜力巨大。

如何使神经 络计算机与传统的计算机和人工智能技术相结合也是前沿课题；如何使神经 络计算机的功能向智能化发展，研制与人脑功能相似的智能计算机，如光学神经计算机，分子神经计算机，将具有十分诱人的前景。

4哲理（1）人工神经 络打开了认识论的新领域认识与脑的问题，长期以来一直受到人们的关注，因为它不仅是有关人的心理、意识的心理学问题，也是有关人的思维活动机制的脑科学与思维科学问题，而且直接关系到对物质与意识的哲学基本问题的回答。

人工神经 络的发展使我们能够更进一步地既唯物又辩证地理解认识与脑的关系，打开认识论的新领域。

人脑是一个复杂的并行系统，它具有“认知、意识、情感”等高级脑功能，用人工进行模拟，有利于加深对思维及智能的认识，已对认知和智力的本质的研究产生了极大的推动作用。

在研究大脑的整体功能和复杂性方面，人工神经 络给人们带来了新的启迪。

由于人脑中存在混沌现象，混沌可用来理解脑中某些不规则的活动，从而混沌动力学模型能用作人对外部世界建模的工具，可用来描述人脑的信息处理过程。

混沌和智能是有关的，神经 络中引入混沌学思想有助于提示人类形象思维等方面的奥秘。

人工神经 络之所以再度兴起，关键在于它反映了事物的非线性，抓住了客观世界的本质，而且它在一定程度上正面回答了智能系统如何从环境中自主学习这一最关键的问题，从认知的角度讲，所谓学习，就是对未知现象或规律的发现和归纳。

由于神经 络具有高度的并行性，高度的非线性全局作用，良好的容错性与联想记忆功能以及十分强的自适应、自学习功能，而使得它成为揭示智能和了解人脑工作方式的合理途径。

但是，由于认知问题的复杂性，目前，我们对于脑神经 的运行和神经细胞的内部处理机制，如信息在人脑是如何传输、存贮、加工的忆、联想、判断是如何形成的脑是否存在一个操作系统/p>

还没有太多的认识，因此要制造人工神经 络来模仿人脑各方面的功能，还有待于人们对大脑信息处理机理认识的深化。

在开始阶段，由于这些理论化的 络模型比较简单，还存在许多问题，而且这些模型几乎没有得到实践的检验，因而神经 络的发展比较缓慢。

随着理论研究的深入，问题逐渐地解决特别是工程上得到实现以后，如声纳识别成功，才迎来了神经 络的第一个发展高潮。

可Minisky认为感知器不能解决异或问题，多层感知器也不过如此，神经 络的研究进入了低谷，这主要是因为非线性问题没得到解决。

随着理论的不断丰富，实践的不断深入，现在已证明Minisky的悲观论调是错误的。今天，高度发达的科学技术逐渐揭示了非线性问题是客观世界的本质。

问题、理论、实践的相互作用又迎来了人工神经 络的第二次高潮。目前人工神经 络的问题是智能水平不高，还有其它理论和实现方面的问题，这就迫使人们不断地进行理论研究，不断实践，促使神经 络不断向前发展。

总之，先前的原因遇到了解释不同的新现象，促使人们提出更加普遍和精确的原因来解释。

理论是基础，实践是动力，但单纯的理论和实践的作用还不能推动人工神经 络的发展，还必须有问题提出，才能吸引科学家进入研究的特定范围，引导科学家从事相关研究，从而逼近科学发现，而后实践又提出新问题，新问题又引发新的思考，促使科学家不断思考，不断完善理论。

人工神经 络的发展无不体现着问题、理论和实践的辩证统一关系。

脑科学与神经科学的进展迅速反映到人工神经 络的研究中，例如生物神经 络理论，视觉中发现的侧抑制原理，感受野概念等，为神经 络的发展起了重要的推动作用。

从已提出的上百种人工神经 络模型中，涉及学科之多，令人目不暇接，其应用领域之广，令人叹为观止。不同学科专家为了在这一领域取得领先水平，存在着不同程度的竞争，所有这些有力地推动了人工神经 络的发展。

人脑是一个功能十分强大、结构异常复杂的信息系统，随着信息论、控制论、生命科学，计算机科学的发展，人们越来越惊异于大脑的奇妙，至少到目前为止，人类大脑信 处理机制对人类自身来说，仍是一个黑盒子，要揭示人脑的奥秘需要神经学家、心理学家、计算机科学家、微电子学家、数学家等专家的共同努力，对人类智能行为不断深入研究，为人工神经 络发展提供丰富的理论源泉。

另外，还要有哲学家的参与，通过哲学思想和自然科学多种学科的深层结合，逐步孕育出探索人类思维本质和规律的新方法，使思维科学从朦胧走向理性。

而且，不同领域专家的竞争与协调同有利于问题清晰化和寻求最好的解决途径。纵观神经 络的发展历史，没有相关学科的贡献，不同学科专家的竞争与协同，神经 络就不会有今天。

当然，人工神经 络在各个学科领域应用的研究反过来又推动其它学科的发展，推动自身的完善和发展。

如何调用微软神经 络语音合成声音晓晓/h2>

1.  创建Azure账 。2.   访问微软Azure云管理平台。3.   根据操作说明 （英文版），添加语音服务的订阅。

(注意：地区Location选择东南亚SoutheastAsia)4.   根据语音API调用说明（英文版），调用神经 络声音，声音名称：MicrosoftServerSpeechTexttoSpeechVoice(zh-CN,XiaoxiaoNeural)。