無線傳感器網(wǎng)絡(luò) DV-Hop定位算法研究

1、無線傳感器網(wǎng)絡(luò) DV-Hop 定位算法研究邱燁,張爽,高亞茹中國礦業(yè)大學(xué)計算機科學(xué)與技術(shù)學(xué)院,江蘇徐州 (221008E-mail :摘 要:首先, 本文在查閱大量相關(guān)文獻(xiàn)的基礎(chǔ)上, 介紹了無線傳感器網(wǎng)絡(luò)定位技術(shù)的國內(nèi) 外研究現(xiàn)狀, 對無線傳感器網(wǎng)絡(luò)相關(guān)技術(shù)作了一個整體概述。 其次, 論文綜述了無線傳感器 網(wǎng)絡(luò)自身定位系統(tǒng)的評價、 分類。 然后, 本文重點對無需測距自定位算法中的 DV-Hop 算法 進(jìn)行了研究,并用 VC+編程實現(xiàn)仿真。關(guān)鍵詞:無線傳感器網(wǎng)絡(luò);節(jié)點定位; DV-Hop 算法 ; VC+中圖分類號: TP393.031. 研究背景隨著通信技術(shù)、嵌入式計算技術(shù)和傳感器技術(shù)的飛速發(fā)

2、展和日益成熟,具有感知能力、 計算能力和通信能力的微型傳感器開始在世界范圍內(nèi)出現(xiàn)。 由這些微型傳感器構(gòu)成的傳感器 網(wǎng)絡(luò)引起了人們的極大關(guān)注。 這種傳感器網(wǎng)絡(luò)綜合了傳感器技術(shù)、 嵌入式計算技術(shù)、 分布式 信息處理技術(shù)和通信技術(shù) 1,能夠協(xié)作地實時監(jiān)測、感知和采集網(wǎng)絡(luò)分布區(qū)域內(nèi)的各種環(huán)境 或監(jiān)測對象的信息, 并對這些信息進(jìn)行處理, 獲得詳盡而準(zhǔn)確的信息, 傳送到需要這些信息 的用戶。 例如, 傳感器網(wǎng)絡(luò)可以向正在準(zhǔn)備進(jìn)行登陸作戰(zhàn)的部隊指揮官報告敵方岸灘的詳實 特征信息,如叢林地帶的地面堅硬度、干濕度等,為制定作戰(zhàn)方案提供可靠的信息。傳感器 網(wǎng)絡(luò)可以使人們在任何時間、 地點和環(huán)境條件下獲取大量詳實而

3、可靠的信息。 因此, 這種網(wǎng) 絡(luò)系統(tǒng)可以被廣泛地應(yīng)用于國防軍事、 國家安全、 環(huán)境監(jiān)測、 交通管理、 醫(yī)療衛(wèi)生、 制造業(yè)、 反恐抗災(zāi)等領(lǐng)域。 傳感器網(wǎng)絡(luò)是信息感知和采集的一場革命。 無線傳感器網(wǎng)絡(luò)作為一種全新 的研究技術(shù),在基礎(chǔ)理論和工程技術(shù)兩個層面向科技工作者提出了大量的挑戰(zhàn)性研究課題。 無線傳感器網(wǎng)絡(luò)與傳統(tǒng)的無線網(wǎng)絡(luò) (如 WLAN 和蜂窩移動電話網(wǎng)絡(luò) 有著不同的設(shè)計目 標(biāo), 后者在高度移動的環(huán)境中通過優(yōu)化路由和資源管理策略最大化帶寬的利用率, 同時為用 戶提供一定的服務(wù)質(zhì)量保證。 在無線傳感器網(wǎng)絡(luò)中, 除了少數(shù)節(jié)點需要移動以外, 大部分節(jié) 點都是靜止的 2。因為它們通常運行在人無法接近的

4、惡劣,甚至危險的遠(yuǎn)程環(huán)境中,能源無 法替代, 設(shè)計有效的策略延長網(wǎng)絡(luò)的生命周期成為無線傳感器網(wǎng)絡(luò)的核心問題。 這些獨特的 要求和制約因素為傳感器網(wǎng)絡(luò)的研究提出了新的技術(shù)問題。2. 無線傳感器網(wǎng)絡(luò)體系結(jié)構(gòu)傳感器網(wǎng)絡(luò)是由一組傳感器以 Ad Hoc方式構(gòu)成的有線或無線網(wǎng)絡(luò),其目的是協(xié)作地感 知、采集和處理網(wǎng)絡(luò)覆蓋的地理區(qū)域中感知對象的信息,并發(fā)布給觀察者。從上述定義可以看到,傳感器、感知對象和觀察者是傳感器網(wǎng)絡(luò)的三個基本要素 ; 有線 或無線網(wǎng)絡(luò)是傳感器之間、 傳感器與觀察者之間的通信方式, 用于在傳感器與觀察者之間建 立通信路徑 ; 協(xié)作地感知、采集、處理、發(fā)布感知信息是傳感器網(wǎng)絡(luò)的基本功能。一組

5、功能 有限的傳感器協(xié)作地完成大的感知任務(wù)是傳感器網(wǎng)絡(luò)的重要特點。 傳感器網(wǎng)絡(luò)中的部分或全 部節(jié)點可以移動。 傳感器網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)也會隨著節(jié)點的移動而不斷地動態(tài)變化。 節(jié)點間以 Ad Hoc方式進(jìn)行通信, 每個節(jié)點都可以充當(dāng)路由器的角色, 并且每個節(jié)點都具備動態(tài)搜索、 定位和恢復(fù)連接能力。圖 1給出了一個典型的傳感器網(wǎng)絡(luò)的結(jié)構(gòu)。這個網(wǎng)絡(luò)由傳感器節(jié)點、接收發(fā)送器 (sink, Internet 或通信衛(wèi)星、任務(wù)管理節(jié)點等部分構(gòu)成 3。傳感器節(jié)點散布在指定的感知區(qū)域內(nèi), 每個節(jié)點都可以收集數(shù)據(jù),并通過 “ 多跳 ” 路由方式把數(shù)據(jù)傳送到 Sink 節(jié)點。 Sink 節(jié)點也可 以用同樣的方式將信息發(fā)送

6、給各節(jié)點。 Sink 節(jié)點直接與 Internet 或通信衛(wèi)星相連, 通過 Internet 或通信衛(wèi)星實現(xiàn)任務(wù)管理的節(jié)點 (即觀察者 與傳感器之間的通信。圖 1 一個典型的傳感器網(wǎng)絡(luò)的結(jié)構(gòu)3. 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計3.1網(wǎng)絡(luò)模型類別的選擇自 40年代 Hebb 提出學(xué)習(xí)規(guī)則, 60年代出現(xiàn)感知機學(xué)習(xí)算法以來,世界各國的學(xué)者們 已提出了自適應(yīng)諧振(ART 、雪崩模型(Avalanche 、雙向聯(lián)想存儲器(BAM 、反傳 神經(jīng)網(wǎng)絡(luò)模型(BP 、和 Hopfield 網(wǎng)絡(luò)等近 60種神經(jīng)網(wǎng)絡(luò)模型。每種模型都有其適用范圍 和優(yōu)缺點, 在確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)時, 不妨從各種現(xiàn)有模型的特質(zhì)出發(fā), 尋找適合問題域

7、的模 型。按照網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu), 可將神經(jīng)網(wǎng)絡(luò)模型 4分為分層網(wǎng)絡(luò)模型和相互連接型網(wǎng)絡(luò)模 型。 還有一些網(wǎng)絡(luò)是上述兩類的混合。 由于邊緣檢測需要有明確的輸入和輸出, 層次拓?fù)涞?分層網(wǎng)絡(luò)比星狀拓?fù)涞南嗷ミB接型網(wǎng)絡(luò)更加合適。多層前饋感知網(wǎng)絡(luò) (具有可變權(quán)值的多層網(wǎng)絡(luò) 是屬于層次型網(wǎng)絡(luò), 它通過梯度下降法, 如反向傳播法來進(jìn)行訓(xùn)練, 即可實現(xiàn)了由網(wǎng)絡(luò)拓?fù)渌x的模型中權(quán)值的最大似然估計。 只 要有足夠多的隱單元, 激活函數(shù)就會允許網(wǎng)絡(luò)實現(xiàn)任意判別邊界。 從而可以認(rèn)為該類型網(wǎng)絡(luò) 可以滿足圖像邊緣檢測的要求。另外, 利用該網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)的最大好處是學(xué)習(xí)算法的簡便性、 模型選擇的簡易性以及容 易嵌入多種

8、啟發(fā)式信息和約束條件。 只要設(shè)計合理, 即可保證邊緣檢測時的靈活性和檢測質(zhì) 量。然而, 具有可變權(quán)值的多層網(wǎng)絡(luò)是一個很大的范疇, 包括了許多成熟的和正在研究發(fā)展 中的神經(jīng)網(wǎng)絡(luò)模型。 根據(jù)問題域的特點, 本文對多層感知網(wǎng)絡(luò)模型和徑向基網(wǎng)絡(luò)模型用于圖 像邊緣檢測進(jìn)行了研究。 3.2網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定目前,主要有兩類方法用于確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu):一類是靜態(tài)構(gòu)造法, 即在網(wǎng)絡(luò)學(xué)習(xí)之前選擇好拓?fù)浣Y(jié)構(gòu), 在權(quán)值學(xué)習(xí)中, 結(jié)構(gòu)不再改變。 另一類稱作動態(tài)構(gòu)造法,包括三種具體方法: 動態(tài)剪枝法,開始時取一個較大的網(wǎng),然 后將不重要的結(jié)點或與輸入無關(guān)的結(jié)點及其連接刪除。 這種方法難以給出一個合適的網(wǎng)絡(luò)結(jié) 構(gòu), 訓(xùn)練

9、時間很長, 可能會陷入局部極小值, 并且刪除節(jié)點連接權(quán)的方法很難找到通用的代 價函數(shù); 動態(tài)增長法, 開始是一個簡單網(wǎng)絡(luò), 隨后逐步增加節(jié)點和連接權(quán), 用來減少誤差。 這種方法難以確定何時停止增長過程, 因而最后的網(wǎng)絡(luò)節(jié)點往往多于必須的節(jié)點數(shù); 綜合 法,開始時是一個適當(dāng)?shù)囊?guī)模,在學(xué)習(xí)期間,可以增加或刪除節(jié)點及其連接。綜合法克服了 前兩種方法的主要缺點,但構(gòu)造十分復(fù)雜,學(xué)習(xí)時間更長。面向處理圖像邊緣檢測的具體問題, 在樣本模式等參數(shù)已確定的基礎(chǔ)上, 采用靜態(tài)構(gòu)造 法是較優(yōu)的選擇。 目前, 關(guān)于隱含層數(shù)的選擇和節(jié)點數(shù)的選擇也有了一定的理論指導(dǎo), 本節(jié) 的工作即是在理論指導(dǎo)下合理設(shè)計網(wǎng)絡(luò)拓?fù)?。Li

10、ppman 在 1987年的一篇綜述文章中,對網(wǎng)絡(luò)層數(shù)的選擇方法做出了討論:“ 除復(fù)雜性 外, 一個由三層神經(jīng)元構(gòu)成的前饋網(wǎng)絡(luò)可以形成任意復(fù)雜的判決區(qū)域, 因而即使模式空間的 分布出現(xiàn)嚙合狀況, 網(wǎng)絡(luò)也能對模式集進(jìn)行正確的分類。 ”Kolmogorov 和傅立葉都對此理論 給與了證明。由于每一層中每個神經(jīng)元的輸入是模式分量的線性加權(quán), 因此第一層神經(jīng)元在模式空間 中形成超平面。 當(dāng)輸入模式的分量值變化時, 線性加權(quán)求和在二維空間中繪出一條直線運動, 在三維空間中繪出一個平面運動,在 N 維空間中則為超平面。不同分布的邊界可用超平面 近似的表示,因此,如表 1所示,可以考慮將不同的模式類分成一些

11、小的超區(qū)域,一旦完成 這種分割,即認(rèn)為可以正確的劃分判決區(qū)域,即正確的檢測各種形態(tài)的邊緣。每個超區(qū)域在第一層需要 2N 個神經(jīng)元, 每個神經(jīng)元形成的超平面代表超區(qū)域的一個邊 界。在第二層中,每個神經(jīng)元需要完成超平面集的 AND 運算。還可以通過設(shè)置權(quán)系數(shù)略小 于 1,設(shè)置輸出層單元閾值充分小來完成 OR 的功能。 由表 1可知, 選擇三層神經(jīng)元構(gòu)成的網(wǎng)絡(luò)即可執(zhí)行任何期望函數(shù), 滿足邊緣檢測的需求。 本節(jié)論斷既沒有給出隱神經(jīng)元數(shù)量, 也沒有給出實際的權(quán)值, 只是理論上證明了三層網(wǎng)絡(luò)解 決邊緣檢測問題的可行性, 而網(wǎng)絡(luò)的實際效用還需在三層網(wǎng)絡(luò)的基礎(chǔ)上合理設(shè)計其他網(wǎng)絡(luò)參 數(shù)。網(wǎng)絡(luò)的任意一層中, 過多

12、的神經(jīng)元會引起噪聲; 另一方面, 神經(jīng)元數(shù)目的冗余度又可以 獲得網(wǎng)絡(luò)的容錯性。 可見各層節(jié)點數(shù)的選擇對網(wǎng)絡(luò)的性能影響很大。 對于本課題的三層網(wǎng)絡(luò), 分別從輸出層、輸入層和隱含層進(jìn)行討論 :1 輸出層節(jié)點數(shù)目:它取決于輸出的表示方法和識別 (或分類 的輸入圖形的數(shù)目 5。比 如,要求輸出能表示八個不同的圖形的分類,顯然,可以用八個輸出節(jié)點。一個節(jié)點表示一 個類;也可以采用三個輸出節(jié)點,用它的八個二進(jìn)制編碼表示八個不同的類。但是,用了編 碼圖形就會增加中間層的附加工作, 甚至要求增加中間層。 在本課題的設(shè)計中, 處理的對象 是圖像,并且是基于像素級別上的,所以,設(shè)計輸出層的單元個數(shù)為 1,經(jīng)節(jié)點函

13、數(shù)輸出的 結(jié)果為某個像素的灰度值。2 輸入層節(jié)點數(shù)目:輸入層節(jié)點的數(shù)目取決于輸入向量的分量數(shù)目。對于該邊緣檢測問 題, 因為在圖像情況下, 像素的數(shù)目基本決定了輸入節(jié)點的數(shù)目。 這些分量可以是連續(xù)的實 數(shù)也可以是離散值或二進(jìn)制數(shù)。 設(shè)計中, 是對數(shù)字圖像的處理, 其處理的對象是像素灰度值。 輸入樣本是 7×7的模式,由 49個向量分量,即輸入層節(jié)點的數(shù)目是 49。3 中間層節(jié)點數(shù)目:中間層數(shù)目太少,網(wǎng)絡(luò)將不能建立足夠復(fù)雜的判決界,將會降低網(wǎng) 絡(luò)的分類能力,甚至不能達(dá)到訓(xùn)練目標(biāo);數(shù)目太多時, 若判決界只包封了訓(xùn)練點,則又失 去了概括推斷的能力,且計算量太大會加重網(wǎng)絡(luò)的負(fù)荷、訓(xùn)練時間長、

14、效果不好。目前,關(guān)于隱含層節(jié)點數(shù)目的確定,尚沒有理論驗證的規(guī)則。然而,人工神經(jīng)網(wǎng)絡(luò)專家 得到了一個經(jīng)驗公式,隱含層單元數(shù)目 ' n 為:' n =+ (1 其中, m 為輸出單元個數(shù), n 為輸入單元數(shù),為 1到 10之間整數(shù)。 在本設(shè)計中, n=49,m=1, 于是 ' n 的最大值為 18。另外,還有一些專家認(rèn)為隱含層單元數(shù)可取作: 2' log n n = (2這樣,則應(yīng)該取 n=6,仿真程序中,將對這兩種層數(shù)確定方法進(jìn)行測試及比較。 綜合以上情況,本設(shè)計中確定了如下網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu):三層前饋感知網(wǎng)絡(luò),輸入層 49個 神經(jīng)元,隱含層 6-18個神經(jīng)元,輸出層

15、1個神經(jīng)元。3.3網(wǎng)絡(luò)誤差的確定 在神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前, 要定義網(wǎng)絡(luò)的誤差函數(shù)。 對于反向傳播訓(xùn)練算法, 通常使用 人們所熟悉的均方差來描述網(wǎng)絡(luò)的誤差。 而實際上可以選用任何連續(xù)可微的誤差函數(shù)來代替 均方差, 但選擇的同時也就增加了額外的復(fù)雜性。 用 E 描述網(wǎng)絡(luò)總誤差, 用 j t 表示第 j 個輸 出神經(jīng)元的期望值,用 j O 表示第 j 個神經(jīng)元的實際輸出。均方差的定義如下:211( 2Nj j j E t O =(3 式中的每一項 ( j j t O 都反映單個神經(jīng)元對整個誤差的影響,取絕對誤差的平方,可以看 出遠(yuǎn)離期望值的那些輸出對總誤差的影響最大。在設(shè)計中,由于訓(xùn)練集是基于圖像的

16、,前文中已確定輸出神經(jīng)元個數(shù)為 1,那么其網(wǎng)絡(luò) 誤差為這一個單元的絕對誤差的平方。4. 實驗過程與檢測結(jié)果4.1模擬算法實現(xiàn)模擬算法首先定義一幅圖像為訓(xùn)練集,并對其進(jìn)行歸一化、提取訓(xùn)練目標(biāo)圖像等處理; 然后定義一個具有一個隱層的前饋感知網(wǎng)絡(luò)。繼而利用訓(xùn)練協(xié)議在其中取 7×7的樣本單元, 分別輸入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。 網(wǎng)絡(luò)根據(jù)學(xué)習(xí)規(guī)則進(jìn)行學(xué)習(xí), 直至所有樣本訓(xùn)練完畢, 結(jié)果收斂。 這時網(wǎng)絡(luò)已具備了對任意格式的 RGB 、灰度或二值圖像進(jìn)行邊緣檢測的功能。從候選圖像中任選一幅, 對其進(jìn)行歸一化、 提取訓(xùn)練目標(biāo)圖像等處理后, 送入已訓(xùn)練好 的網(wǎng)絡(luò),即可輸出其原圖、訓(xùn)練目標(biāo)圖、檢測完畢的灰度邊緣

17、、檢測完畢的二值邊緣圖以及 基于 Sobel 算子的邊緣檢測圖像。表 2對仿真軟件中的主要函數(shù)及其功能進(jìn)行簡要描述。表 2 模擬算法主要函數(shù)功能表函數(shù)名功能描述 display用戶接口函數(shù)(選擇待檢圖像、顯示輸出圖像等 normal_edge利用多項傳統(tǒng)邊緣檢測算子,獲取檢測目標(biāo) edu_nn_bp從訓(xùn)練集中取樣本,送入 BP 網(wǎng)絡(luò)進(jìn)行處理 edu_nn_rbf從訓(xùn)練集中取樣本,送入 RBF 網(wǎng)絡(luò)進(jìn)行處理 newff建立 BP 網(wǎng)絡(luò) newrbe建立 RBF 網(wǎng)絡(luò) train利用訓(xùn)練函數(shù)訓(xùn)練網(wǎng)絡(luò) adapt神經(jīng)網(wǎng)絡(luò)自適應(yīng)函數(shù) sim針對給定輸入,得到網(wǎng)絡(luò)輸出把 RGB 圖像轉(zhuǎn)化為灰度圖像 im

18、2double把圖像矩陣轉(zhuǎn)化為雙精度型 size 返回圖像的長寬像素值及深度 nn_sim_edge檢測待檢圖像的邊緣,得到灰度邊緣圖和二值邊緣圖 quality 利用整體和局部方差法評價檢測質(zhì)量 4.2不同圖像的檢測結(jié)果訓(xùn)練集的選擇在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程中是十分重要的, 它對于學(xué)習(xí)時間、 權(quán)值矩陣、 訓(xùn)練效果等具有直接的影響,決定了網(wǎng)絡(luò)的性能。無論使用 BP 網(wǎng)絡(luò)還是徑向基網(wǎng)絡(luò),在模 擬程序中,本文都選用了邊緣類型較多、邊緣分布較廣的圖 2作為訓(xùn)練樣本集。 (a 訓(xùn)練集(b 經(jīng)典算子加權(quán)圖 (c BP網(wǎng)絡(luò)灰度邊緣圖(d BP網(wǎng)絡(luò)二值邊緣圖圖 2 訓(xùn)練集、訓(xùn)練目標(biāo)及其檢測結(jié)果利用該訓(xùn)練集中的

19、樣本訓(xùn)練多層感知網(wǎng)絡(luò)后, 使用質(zhì)量評價方法評價 BP 網(wǎng)絡(luò)輸出的灰 度邊緣圖和經(jīng)典算子加權(quán)圖。 計算得出:經(jīng)典算子加權(quán)圖的全局方差為 2313.7, 而 BP 網(wǎng)絡(luò)灰 度邊緣圖的全局方差為 13958,從而本文認(rèn)為,從全局來看,經(jīng)過訓(xùn)練后, BP 網(wǎng)絡(luò)的邊緣 檢測能力已經(jīng)超過了經(jīng)典算子 6。取 48×48 TIF格式的 eye 圖、真彩的 JPG 格式的 bike 圖、 107×107的 JPG 格式的 wheel 圖作為測試圖像進(jìn)行邊緣檢測,得結(jié)果如下。中國 科技論文在線 - 7 - 圖 3 BP網(wǎng)絡(luò)與 priwitt 算子的 eye 圖的檢測效果對比圖由 3圖可見, B

20、P 網(wǎng)絡(luò)輸出的灰度邊緣,取門限為 0.5,獲得二值的邊緣圖如 4.2(c圖所 示,較之于 (d圖的 priwitt 算子邊緣檢測圖,易見 (c檢測出了明顯的眼睛、眉毛的邊緣,而 從 (d圖中難以通過邊緣觀測出檢測對象是什么物體。從而可以推斷,在某些場合多層感知 網(wǎng)絡(luò)檢測圖像邊緣比經(jīng)典的算子具有優(yōu)越性。一些方法只能適應(yīng)于灰度圖像的邊緣檢測, 而本文利用神經(jīng)網(wǎng)絡(luò)進(jìn)行邊緣檢測則可以輕 而易舉處理真彩圖像。圖 4即為真彩 bike 圖的檢測結(jié)果。在網(wǎng)絡(luò)之外的各項參數(shù)相同的情 況下, 以 bike 圖為例, 在用 BP 網(wǎng)絡(luò)進(jìn)行檢測時, 出現(xiàn)了一些偽邊緣且邊緣處往往不是單像 素寬度的,而 RBF 的邊緣

21、則較為清晰。然而, BP 邊緣圖的邊緣像素數(shù)目明顯多于 RBF 圖, 如自行車鏈盒部位的邊緣,在 RBF 的灰度和二值圖中都沒有清晰的反映。 (a bike原圖(b prewitt算子檢測的邊緣圖 - 8 - (c RBF網(wǎng)絡(luò)檢測的灰度邊緣圖 (d RBF網(wǎng)絡(luò)檢測的二值邊緣圖(e BP網(wǎng)絡(luò)檢測的灰度邊緣圖 (f BP網(wǎng)絡(luò)檢測的二值邊緣圖 圖 4 bike圖 (RGB圖像, bmp 格式 的邊緣檢測結(jié)果再從灰度 wheel 圖的檢測中觀測 BP 和 RBF 網(wǎng)絡(luò)的表現(xiàn)。如圖 5所示。(a wheel原圖(b Sobel算子邊緣圖(c BP 網(wǎng)絡(luò)檢測的灰度邊緣圖(d BP網(wǎng)絡(luò)檢測的二值邊緣圖 -

22、9 - (e RBF 網(wǎng)絡(luò)檢測的灰度邊緣圖(f RBF網(wǎng)絡(luò)檢測的二值邊緣圖圖 5 wheel圖 (灰度圖像, jpg 格式 的邊緣檢測結(jié)果圖 5比較了經(jīng)典的梯度算子 Sobel 算子檢測圖、 BP 網(wǎng)絡(luò)和 RBF 網(wǎng)絡(luò)的檢測圖像,經(jīng)觀察發(fā) 現(xiàn):1比較 (b(d(f圖可見,同為二值邊緣圖,其邊緣像素數(shù)目關(guān)系有 (d>(f> (b,說明 BP 網(wǎng)絡(luò)可以攜帶最多的邊緣信息,同時,也引入了最多的偽邊緣點。 2 比較 (a(c(e圖可見,同為直接從網(wǎng)絡(luò)中輸出的灰度邊緣圖, (c更接近于 (a,保存了較 多的信息,但也說明其訓(xùn)練的效果較差,與目標(biāo)邊緣圖的差距較大; (e圖則更接近于由經(jīng) 典算子檢測圖加權(quán)而來的灰度邊緣圖。4.3質(zhì)量評價結(jié)果利用質(zhì)量評價方法, 本論文中計算神經(jīng)網(wǎng)絡(luò)的輸出誤差, 用實線表示輸入樣本與訓(xùn)練目 標(biāo)之間的函數(shù)關(guān)系,用 o 和 + 分別表示 BP 和 RBF 網(wǎng)絡(luò)的輸出,橫坐標(biāo)反