神经网络在人脸识别中的应用 1.引言 早在上世纪60年代末, 人脸识别即引起了研究者的强烈兴趣.但早期的人脸识别一般都需要人的某些先验知识, 无法摆脱人的干预。进入上世纪9O年代, 由于高速度、高性能计算机的出现,人脸识别的方法有了重大突破, 进入了真正的机器自动识别阶段, 人脸识别研究得到了前所未有的重视。人脸识别方法有很多种: (1)特征脸方法。这种方法起源于图像描述技术，采用特征脸识别方法有良好的稳定性、位移不变性、特征向量与图像的高度成比例变化以及转置不变性。不足之处是受表情变化、光照角度强度变化和视角变化等严重影响, 鲁棒性较差。(2)隐马尔可夫模型方法(HiddenMarkovMode1)是用于描述信号统计特征的一组统计模型。HMM的基本理论是由Baum和Welch等人在20世纪6O年代末70年代初建立, 在语音识别中应用较多。 (3)弹性图匹配方法。弹性图匹配方法是一种基于动态连接结构的方法。它将人脸用格状的稀疏图表示。 (4)神经网络方法。人工神经网络是由多个神经元按照一定的排列顺序构成的, 是一个非线性动力学系统, 其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单, 功能有限, 但由大量冲经元所构成的网络系统却能够实现复杂丰富的功能。神经网络系统除了具有集体运算的能力和自适应的学习能力外, 还有根强的容错性和鲁棒性.善于联想、综合和推广。神经网络模型各种各样。它们是从不同的角度对生物神经系统不同层次的描述和模拟。有代表性的网络模型有感知器、多层映射BP网络、RBF网络等。目前, 在人工神经网络的实际应用中,绝大部分的神经网络模型都是采用BP网络及其变化形式, 它也是前向网络的核心部分, 是人工神经网络最精华的部分。2BP神经网络的人脸识别BP神经网络用于人脸识别一般应先对输入图像实行图像预处理,然后进行特征提取,接下来就是BP网络训练,最后用训练好的网络进行识别,获得识别结果。 2.基于特征脸和BP 神经网络的人脸识别方法 2.1特征脸分析 这种方法是根据图像的统计特征进行正交变换( K-L 变换) [3] , 以去除样 本间的相关性, 然后根据特征值的大小选择特征向量( 主分量) , 由于这些特 征向量的图像类似人脸, 所以称为特征脸[4, 5] 。下面就这种方法作简要介绍。 X∈RN 为表示一幅图像的随机向量, 这里N是图像的大小, X 由图像的行或列连 接而成的向量。假设有p 个人, 每个人有r1 ( 1≤i≤P) 个人脸样本图像, 样 本集为{ Xji } , Xji表示第j个人的第i个样本。那么每个人样本均值向量为 mi ( 1≤ i≤p) ; 总体样本均值向量为m; 类间散布矩阵为
基于遗传神经网络的图像分割 摘要 针对图像分割的复杂性,利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后再对图像的像素进行分类识别,实现并提高了图像分割性能。仿真实验表明,与传统的图像分割方法相比,取得了比传统方法更好的图像分割效果。 关键词:图像分割;神经网络;遗传算法;遗传优化 A Study of Genetic Neural Network Used in Image Segmentation ABSTRACT Because of the complexity of image segmentation, the optimization of the weights and thresholds of BP neural network are realized by genetic algorithm, and a BP neural network with minimum error is designed. It classify the image pixels, implement and improve the performance of image segmentation. The results of simulation show that the algorithm neuralnetwork can better achieve the image segmentation, compared with the traditional method. Key word :Image segmentation;Neural Network;Genetic algorithm;Genetic optimization 一、遗传算法 1．1基本概念 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。 对于一个求函数最大值的优化问题(求函数最小值也类同)，一般可以描述为下列数学规划模型:
本文首先分析了图像识别技术以及bp神经网络算法，然后详细地阐述了人工神经网络图像识别技术。 【关键词】人工神经网络 bp神经网络图像识别识别技术 通常而言，所谓图像处理与识别，便是对实际图像进行转换与变换，进而达到识别的目的。图像往往具有相当庞大的信息量，在进行处理图像的时候要进行降维、数字化、滤波等程序，以往人们进行图像识别时采用投影法、不变矩法等方法，随着计算机技术的飞速发展，人工神经网络的图像识别技术将逐渐取代传统的图像识别方法，获得愈来愈广泛的应用。 1 人工神经网络图像识别技术概述 近年来，人工智能理论方面相关的理论越来越丰富，基于人工神经网络的图像识别技术也获得了非常广泛的应用，将图像识别技术与人工神经网络技术结合起来的优点是非常显著的，比如说： （1）由于神经网络具有自学习功能，可以使得系统能够适应识别图像信息的不确定性以及识别环境的不断变化。 （2）在一般情况下，神经网络的信息都是存储在网络的连接结构以及连接权值之上，从而使图像信息表示是统一的形式，如此便使得知识库的建立与管理变得简便起来。 （3）由于神经网络所具有的并行处理机制，在处理图像时可以达到比较快的速度，如此便可以使图像识别的实时处理要求得以满足。 （4）由于神经网络可增加图像信息处理的容错性，识别系统在图像遭到干扰的时候仍然能正常工作，输出较准确的信息。 2 图像识别技术探析 2.1 简介 广义来讲，图像技术是各种与图像有关的技术的总称。根据研究方法以及抽象程度的不同可以将图像技术分为三个层次，分为：图像处理、图像分析以及图像理解，该技术与计算机视觉、模式识别以及计算机图形学等学科互相交叉，与生物学、数学、物理学、电子学计算机科学等学科互相借鉴。此外，随着计算机技术的发展，对图像技术的进一步研究离不开神经网络、人工智能等理论。 2.2 图像处理、图像识别与图像理解的关系 图像处理包括图像压缩、图像编码以及图像分割等等，对图像进行处理的目的是判断图像里是否具有所需的信息并滤出噪声，并对这些信息进行确定。常用方法有灰度，二值化，锐化，去噪等；图像识别则是将经过处理的图像予以匹配，并且对类别名称进行确定，图像识别可以在分割的基础之上对所需提取的特征进行筛选，然后再对这些特征进行提取，最终根据测量结果进行识别；所谓图像理解，指的是在图像处理与图像识别的基础上，根据分类作结构句法分析，对图像进行描述与解释。所以，图像理解包括图像处理、图像识别和结构分析。就图像理解部分而言，输入是图像，输出是对图像的描述解释。 3 人工神经网络结构和算法 在上个世纪八十年代，mcclelland与rumelhant提出了一种人工神经网络，截止现在，bp神经网络已经发展成为应用最为广泛的神经网络之一，它是一种多层前馈神经网络，包括输入层、输出层和输入层输出层之间隐藏层，如图1所示，便是一种典型的bp神经网络结构。 bp神经网络是通过不断迭代更新权值使实际输入与输出关系达到期望，由输出向输入层反向计算误差，从而通过梯度下降方法不断修正各层权值的网络。 bp神经网络结构算法如下所述： （1）对权值矩阵，学习速率，最大学习次数，阈值等变量和参数进行初始化设置； （2）在黑色节点处对样本进行输入；
一.D-S证据理论引入 诞生 D-S证据理论的诞生：起源于20世纪60年代的哈佛大学数学家A.P. Dempster利用上、下限概率解决多值映射问题，1967年起连续发表一系列论文，标志着证据理论的正式诞生。 形成 dempster的学生G.shafer对证据理论做了进一步发展，引入信任函数概念，形成了一套“证据”和“组合”来处理不确定性推理的数学方法 D-S理论是对贝叶斯推理方法推广，主要是利用概率论中贝叶斯条件概率来进行的，需要知道先验概率。而D-S证据理论不需要知道先验概率，能够很好地表示“不确定”，被广泛用来处理不确定数据。 适用于：信息融合、专家系统、情报分析、法律案件分析、多属性决策分析
二.D-S证据理论的基本概念 定义1 基本概率分配（BPA） 设U为以识别框架，则函数m:2u→*0,1+满足下列条件： (1)m(?)=0 (2)∑A?U m(A)=1时 称m(A)=0为A的基本赋值，m(A)=0表示对A的信任程度也称为mass函数。 定义2 信任函数（Belief Function） Bel:2u→*0,1+ Bel(A)=∑B?A m(B)=1(?A?U) 表示A的全部子集的基本概率分配函数之和
ｍ个mass函数的Dempster合成规则 其中K称为归一化因子，1?K即∑A1?...?A n=?m1(A1)?m2(A2)???m n(A n)反映了证据的冲突程度
四.判决规则 设存在A1,A2?U ,满足 m(A1)=max{m(A i),A i?U} m(A2)=max{m(A i),A i?U且A i≠A1} 若有： m(A1)?m(A2)>ε1 m(Θ)<ε2 m(A1)>m(Θ) 则A1为判决结果，ε1，ε2为预先设定的门限，Θ为不确定集合五.D-S证据理论存在的问题
浅析法定证据制度 证据制度是诉讼制度的灵魂，是法制建设的重要环节之一。其基本涵义是指关于证据概念，种类及运用证据之规则的总和。证据制度具体体现在各类诉讼法典和其他法律之中，包括证据的分类制度，证据的收集、查证、认证及证据保全等制度。证据制度作为一国诉讼制度的重要内容之一，其重要性是显而易见的。 首先，证据制度决定着实体公正的实现程度。通过证据制度的各项规则，明确应受追诉者，保护无辜者。因此，完善证据制度对于实现法律的最终目的，即实体正义与程序正义，具有极其重要的意义。 其次，证据制度决定着一国司法制度先进与否。司法制度先进与否关键在于其程序制度能否有效地保证实体公正的实现。证据制度作为一国诉讼制度的核心必然决定着实体公正的实现程度。因此，要较大程度地实现实体公正，即诉讼最终结果必须以先进的证据制度为保障。由此可见，一国司法制度先进与否，最终决定于该国证据制度的发展状况。 在国外，证据制度作为诉讼法的一项基础制度，广受关注。相较而言，我国的证据立法尚不完善，证据理论研究也还处于初步阶段。我国实行实事求是的证据制度。其主要内容是司法人员办理刑事、民事、行政诉讼案件，必须坚持从实际出发，采取调查研究的方法，以充分，可靠的证据为根据，准确地查明案件的真实情况。具体情况具体分析，实事求是，是我国证据制度的基本精神 .我国现行的证据制度对于维护我国的社会秩序起过非常重要的作用。但是随着我国社会、经济、政治条件的逐步转变，公民的权利观念日趋增强，尤其是我国庭审方式逐渐由职权主义向当事人主义转换，我国现行证据制度已不适目前司法实践的需要。 首先，随着社会主义市场经济有序地发展。市场观念、个人本位已深入人心。在此情况下，人们对行为的判断更为理性，从而对诉讼结果的可预测性要求更高。因此，司法实践迫切需要以科学、完备的证据规范排除诉讼过程中的意外因素。我国原则的证据立法根本无法适应这种新情况。 其次，现行证据制度的滞后已经在很大程度上阻碍了我国诉讼制度的进一步发展。改革开放以后，我国的诉讼制度有了较大的改善，形成了较为完备的诉讼法体系。它以各诉讼法典为基础，辅以大量的司法解释及个案批复，各诉讼法律制度大多处于良性发展之中。但我国现行证据制度的滞后，明显阻碍了我国诉讼制度的进一步发展。要想使我国诉讼制度改革取得进一步推进，必须对作为诉讼制度核心的证据制度进行改革。 证据制度的改革迫在眉睫。为此，我们必须搞清楚我国现行证据制度存在的问题，通过分析其存在的问题进而谋求解决问题的途径。 一、我国现行证据制度存在的问题分析 （一）首先从宏观上加以分析 第一，我国证据制度的立法过于原则。
在现实生活中，国家、政府、企业和个人都离不开决策，决策是人类社会的 一项基本活动，小到个人选择上班路线，大到国家分配有限的社会资源，都是一 个决策的过程。决策存在于社会经济系统、生产系统、工程系统，乃至生活的各 个方面，决策结果对于整个工作或全局行动的成败起着至关重要的作用。任何决 策都是人对事物的评价和选择，都是建立在人类对客观事物的认识和人类改造客 观世界的实践基础之上，由于客观世界的不确定性、模糊性、变化性、多样性等， 导致人们主观认识上的种种不足与误差，加上决策过程中时间的有限性和决策者 认识的局限性，决定了决策的复杂性。因此，在现实决策中，决策者获得的信息 往往是不完整的、不精确的，甚至是矛盾的。根据人们获得的决策信息的完整性， 决策可以分为确定性决策和不确定性信息决策[1]。 证据理论是对概率论的一种扩展，在不需要得知先验概率分配的前提下，以 简单的形式推出较好的融合结果，因此采用证据理论进行决策的关键在于两点： 一是构造一个合适的基本概率分配函数；而是选择一个合理的证据合成公式和方 案排序准则。 证据理论广泛的应用于不完全信息决策领 域，如图像识别、模式识别、故障诊断、专家系统、风险评估等。国内外学者的 研究已经证明，证据理论能够有效地解决属性值不完全、属性权重信息不完全或 者效用函数未知的不完全信息多属性决策问题。 目前关于证据理论的研究，主要集中在以下几个方面：理论研究，如冲突证 据的合成问题，相关证据的合成问题等；证据理论的扩展问题，主要是把证据理论引入不完全信息多属性决策中，如证据理论与其他决策方法的结合使用，如与 神经网络网络方法的结合使用，与AHP方法的结合使用等；实践应用研究，如 证据理论在面相识别、故障诊断、遥感分类、水质监测、决策评价、信用评估中 的应用研究等。本文将重点研究冲突证据的处理问题和证据理论在不完全信息多 属性决策中的应用问题。 用基于证据理论的信息融合方法，进行目标识别、检测和分类有很多优点。 它不需要任何先验信息和条件概率，能成功地将“不确定”、“未知”等认知学 上的重要概念引入到融合模型中。证据理论“将基本概率赋值分配给鉴别框架 中的命题，这和传统的概率分布有着本质的不同。特别是，通过给整个鉴别框 架分配基本概率赋值，反映了缺少足够的可用信息来进行决策”[3]。 尽管利用证据理论处理不确定信息有着独特的优点，但仍存在不少问题， 主要有以下四个方面。其一，组合条件苛刻，要求证据之间相互独立。其 二，现有的证据组合规则无法处理冲突证据，且无法分辨证据所在子集的大小 。其三，证据理论会引起焦元“爆炸”，焦元以指数形式递增。其四， 基本概率赋值获取困难，如何根据实际情况构造基本概率赋值函数，是实际应 用中的一难题川。本章针对证据组合规则无法处理冲突证据的问题，在分析现 有的证据组合方法的基础上，对证据理论进行研究和改进，并将改进后新的证 据组合方法应用于工件类型的识别中。
第14期 2018年7月No.14July，2018 1 算法原理 卷积神经网络的卷积层最重要部分为卷积核[1-2]。卷积核不仅能够使各神经元间连接变少，还可以降低过拟合误 差[3]。 子采样过程就是池化过程。进行卷积过程是将卷积核与预测试图像进行卷积，子采样能够简化网络模型，降低网络模型复杂程度，从而缩减参数。 在图像识别时，首先需要对输入图像初始化，然后将初始化后图像进行卷积和采样，前向反馈到全连接层，通过变换、即可计算进入输出层面，最终通过特征增强效果和逻辑之间的线性回归判断是否符合图像识别期望效果，往复循环，每循环一次就迭代一次，进而对图像进行识别。流程如图1所示。 图1 卷积神经网络模型流程 2 卷积神经网络 卷积神经网络主要包括3个层次[4]，它由输入层、隐藏 层、输出层共同建立卷积神经网络模型结构。2.1 卷积层 卷积层的作用是提取特征[2]。卷积层的神经元之间进行 局部连接，为不完全连接[5]。 卷积层计算方法公式如下。()r array M a λ+ 其中λ为激活函数，array 是灰度图像矩阵， M 表示卷积核， 表示卷积， a 表示偏置值大小。G x 方向和G y 方向卷积核。 本文卷积神经网络模型中设定的卷积核分为水平方向和竖直方向。卷积层中卷积核通过卷积可降低图像边缘模糊程度，使其更为清晰，效果更好、更为显著。经过S 型函数激活处理之后，进行归一化后图像灰度值具有层次感，易于突出目标区域，便于进一步处理。2.2 全连接层 该层主要对信息进行整理与合并，全连接层的输入是卷积层和池化层的输出。在视觉特征中，距离最近点颜色等特征最为相似，像素同理。全连接如图2所示。 图2 全连接 3 实验结果与分析 本文采用数据集库是MSRA 数据集，该数据集共包含1 000张图片。实验环境为Matlab2015a 实验环境，Windows 7以上系统和无线局域网络。本文从MSRA 数据集中选取其中一张进行效果分析。卷积神经网络模型识别效果如图3所示。 作者简介：谢慧芳（1994— ），女，河南郑州人，本科生；研究方向：通信工程。 谢慧芳，刘艺航，王 梓，王迎港 （河南师范大学，河南 新乡 453007） 摘 要：为降低图像识别误识率，文章采用卷积神经网络结构对图像进行识别研究。首先，对输入图像进行初始化；然后，初 始化后的图像经卷积层与该层中卷积核进行卷积，对图像进行特征提取，提取的图像特征经过池化层进行特征压缩，得到图像最主要、最具代表性的点；最后，通过全连接层对特征进行综合，多次迭代，层层压缩，进而对图像进行识别，输出所识别图像。与原始算法相比，该网络构造可以提高图像识别准确性，大大降低误识率。实验结果表明，利用该网络模型识别图像误识率低至16.19%。关键词：卷积神经网络；卷积核；特征提取；特征压缩无线互联科技 Wireless Internet Technology 基于卷积神经网络的图像识别研究
证据理论在就业选择决策中的应用 摘要 本论文从证据理论的角度出发，着重研究大学生在就业选择问题上应如何做决策，提出了一种基于证据理论的就业选择决策方法。针对大学毕业生就业选择时可能考虑到的因素，通过问卷调查列出大部分毕业生就业选择时较为重视的五个因素，并结合毕业生对所考虑因素的偏重度进行综合考虑及分析。基于D-S 证据理论，建立以不同的就业公司即A，B，C，D，E组成的识别框架，构建以录用率、工资、假期、工作环境、交通满意度为证据体的融合决策模型。利用多属性决策和D-S 证据理论建立的大学生就业选择决策模型，不仅可以尽可能的考虑到了大学毕业生就业时重视的一些条件，进而帮助大学毕业生顺利就业。通过一个简单的大学生就业选择实例分析，充分说明了该模型在处理大学生就业选择决策方面的效性和可行性。 关键字：证据理论；多属性决策；焦元；决策矩阵；mass 函数
Abstract From the perspective of evidence theory, this paper focuses on college students should be how to make decisions on employment selection problem, this paper proposes a employment choice decision-making method based on evidence theory. For college graduates employment may consider when the choice of factors, most of the graduate employment options listed by questionnaire more attention to the five factors, combined with the graduates by consideration of the degree of lay particular stress on comprehensive consideration and analysis. Based on D - S evidence theory, set up in different jobs the company A, B, C, D, E of recognition framework, build to employment rate, salary, vacation, work environment, traffic satisfaction decision model for the integration of body of evidence. Use of multiple attribute decision making and D - S evidence theory to establish a model for university students' employment choice, not only can be considered as possible when the attention of some university graduates employment conditions, to help university graduates employment. Through a simple example analysis of university students' employment choice, fully illustrates the model in dealing with the effectiveness and feasibility of university students' employment choice decisions.
科技信息 ＳＣＩＥＮＣＥ＆ＴＥＣＨＮＯＬＯＧＹＩＮＦＯＲＭＡＴＩＯＮ2013年第7期※基金项目：此文为西安工业大学校长科研基金项目研究成果，项目编号XAGDXJJ1042。 作者简介：马颖（1979—），男，西安工业大学，工程师，研究方向为量子信息、信号处理等。 在现代电子战中，依靠单传感器提供信息已无法满足战争的需要，必须运用包括雷达、声纳、电视、红外、激光、电子支援措施(ESM)以及电子情报技术(ELINT)等多种传感器，来提供多种观测数据。多传感器数据融合对来自多个传感器的数据进行多级别、多方面、多层次的综合处理，以更好地进行状态、属性估计，并完全和适时地进行态势和威胁评估[1-2]。在多传感器信息融合系统中，各传感器提供的信息一般是不完整、不精确、模糊甚至可能是矛盾的，即包含着大量的不确定性。信息融合中心不得不根据这些不确定性信息进行推理，以得到目标身份识别和属性判决的目的[3-7]。 D-S 证据理论具有较强的理论基础，既能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定性。它可以不需要先验概率和条件概率密度，依靠证据的积累，不断地缩小假设集，能将不知道和不确定区分开来。本文应用D-S 证据理论对多传感器雷达目标信息进行识别，计算结果证实了该方法的有效性。 1D-S 证据理论简介 Dempster 和Shafer 在20世纪70年代提出了D-S 证据理论。该 理论在概率的基础上对概率论的概念进行了扩展。把概率论中的事件扩展成了命题，把事件的集合扩展成了命题的集合，并提出了基本概率赋值、信任函数和似真度函数的概念,建立了命题和集合之间的一一对应关系，从而把命题的不确定性问题转化为集合的不确定性问题。 1.1识别框架 设U 表示X 所有可能取值的一个论域集合，且所有在U 内的元素是互不相容的，则称U 为X 的识别框架。U 可以是有限也可以无限，在专家系统的应用中是无限的。1.2基本概率赋值 设U 为一识别框架，若函数m ：2U →0，→→ 1满足：A 奂U ∑m （A ）＝1 m （准）＝0 则称m （A ）为A 的基本概率赋值。m （A ）表示对命题A 的精确信任度，表示了对A 的直接支持。1.3信任函数 设U 为一识别框架，m ：2U →0，→∑ 1是U 上的基本概率赋值，定义函数： BEL ：2U →0，→∑ 1BEL （A ）＝ B 奂A ∑ m （B ） （坌A 奂U ） 称该函数是U 上信任函数。 BEL （A ）＝B 奂A ∑m （B ）表示A 的所有子集的可能性度量之和，即表示 对A 的总信任，从而可知：BEL （准）＝0，BEL （U ）＝11.4似真度函数 设U 为一识别框架，定义PL ：2U →0，→∑ 1为：PL （A ）＝1－BEL （A ）＝ ∑B ∩A ≠准 m （B ） PL 称为似真度函数。PL （A ）表示不否定A 的信任度，是所有与A 相交的集合的基本概率赋值之和。 信任度和似真度概括了证据对具体的命题A 的关系。它们之间的关系如图1所示，它构成了一个完整的证据空间。 在证据理论中，［BEL （A ），PL （A ）］称为命题A 的信任度区间，［0，BEL （A ）］表示命题A 支持证据区间，［0，PL （A ）］表示命题A 的似真区间，［PL （A ），1］表示命题A 的拒绝证据区间，PL （A ）-BEL （A ）为命题A 的不确定度，其值反映了对命题A 的“未知”信息，该差值越小，则表明“未知”成分越小，证据对假设的支持越明确。 图1证据区间示意图 1.5D-S 合并规则 证据理论中的组合规则提供了组合两个证据的规则。设BEL 1和 BEL 2是同一个识别框架U 上的两个信任函数，m 1和m 2分别是其对应的基本概率赋值，焦元分别为A 1，A 2，…，A k 和B 1，B 2，…，B r ，又设： K 1＝∑ A i ，j i ∩B j ≠准 m 1（A i ）m 2（B j ）＜1 则： m （C ） ∑ A i ，j i ∩B j =C m 1（A i ）m 2（B j ）1－K 1 坌C 奂U C ≠准 0， C ＝≠ ≠≠≠≠≠≠≠≠≠≠ 准 在式中，若K 1≠1，则m 确定一个基本概率赋值；若K 1=1，则认为 m 1、m 2矛盾，不能对基本概率赋值进行组合。对于多个证据的组合，可采用组合规则对证据进行两两综合。1.6决策准则 基于证据理论的决策方法主要有三种：基于信任函数的决策、基于基本概率赋值的决策和基于最小风险的决策。本文实例采用基于基本概率赋值的决策，其定义如下。 设埚A 1，A 2奂U ，满足： m （A 1）＝max m （A i ），A i 奂奂 奂U ，m （A 2）＝max m （A i ），A i 奂U ，且A i ≠A 1奂奂，若有 m （A 1）－m （A 2）＞ε1m （U ）＜ε2m （A 1）＞m （U 奂 ） 则A 1即为判决结果，其中ε1，ε2为预先设定的门限。 2 识别系统设计 2.1 融合原理图 图2是利用D-S 证据理论对多传感器身份数据进行融合的原理框图。每个传感器把观测数据从空间变换到证据空间，对每一个命题或每个传感器所给出的“粗糙”的身份报告分配一个证据，即对每一个 Ｄ－Ｓ证据理论在目标识别中的应用 马颖1马健2 （1.西安工业大学电子信息工程学院，陕西西安710032；2.中国人民解放军空军工程大学，陕西西安710000） 【摘要】分析了D-S 证据理论用于多传感器数据融合的基本概念和理论,构造了融合结构，该结构通过预处理先对单一传感器在时域上融合，再对预处理后的数据进行多传感器数据融合，实验结果证明了目标识别的基本概率赋值有了明显提高，验证了这一结构的正确性和有效性。 【关键词】D-S 证据理论；数据融合；目标识 别○本刊重稿○50
律师审查和运用证据技巧 在《律师应有符合律师职业特征审证技巧》，笔者提到律师要形成自己的证据运用体系，不拘泥于法律和理论上的束缚，根据律师的实务需求，核心任务是在证据符合定案“根据”的前提下，将证据运用成“特战队”，和逻辑技巧一同，组合成强有力的事实呈现。“应用”是律师实务的重点。之所以这样说，这是因为当前的理论界与实务界对法律应用的研究还是存在分野。甚至，有些理论并不是产生于实务之中。沉浸在实务之中的律师，真正深入研究业务规律，才能验证理论是否能有效指导实践。所以，笔者对有些理论是持批判接受的态度的，当然，这符合理论发展的规律。 沈志先主编的《法律方法论》中一针见血地指出了中国法学研究的弊病：理论界与实务界沟通不够，法学教授和法官还是各自为战，不能达到很好的沟通和融合。理论之腿长，应用之腿短，法律方法论的研究更多的是从理论上引介国外法学家的著述，缺乏创新，更欠缺法律方法实际应用层面的研究，本来，实践性和应用性是法律方法论的特点，但我们的法学恰恰在这方面出现了欠缺，未能使法律方法论应有的实践性和应用性在司法实践中得到彰显。 从整体的法律方法论研究上尚且如此，具体到律师实务更难以有对应的、权威的理论指导，律师实务的理论尚处在萌芽自发的状态，散见于一些资深的律师撰写的实务文章。律师要自己总结，将有关的知识吸纳为自己的理论体系。来源于实践并指导实践，律师的实务理论任重道远，但它即将分娩。正中《法律方法论》中所言：转型中的中国法学正逐渐走向法律方法论的时代。我们正在逐步从以翻译介绍性研究为主，转向立足本土，建构中国化的法律方法论知识体性。这其实就是说明：中国的法学绝不能移植、移植再移植，而是要看移植来的东西是否适应“本土”。本土对法学的要求，才是真正的法学中国化，才能水土相服，长成理论的参天大树。 在此前提下，律师的证据理论其实就是律师独特的职业思维。有关专家认为，法律思维是根据法律的思考，是法律职业者基于法律的特定认识活动。但笔者认为，律师独特的职业思维并非单纯“根据法律的思考”，而是始终将事实与法律联结在一起的理性思考。 法官裁判案件的一般规律是先查明事实，然后才作出法律适用。而律师的职业特点决定，事实的确定是提出诉求或主张的前提，某种意义上说，一旦律师确立了提出主张的事实，除非法律允许的情况外，便要始终捍卫这个事实，因为正是这个事实支撑起对应的主张。一旦事实不成立，毫无疑问，主张便成为缘之木。 易言之，律师的任务是为委托人寻找事实与证据的最佳组合，并应用这个组合向法院提出主张，并始终捍卫这个组合。所谓开弓没有回头箭，这是律师职业的特点。正是基于这样的特点，成熟的诉讼主张的产生，的确是检验律师思维的一次艰难考验。
证据理论的应用举例 1 D-S 证据理论 1.1关于D-S 证据理论的概念 D-S 理论假定有一个用大写希腊字母 Θ 表示的环境（environment ），该环境是一个具有互斥和可穷举元素的集合：Θ = { θ1 , θ2 , ? , θn }术语环境在集合论中又被称之为论域（the universe of discourse ）。 在D-S 理论中，习惯上把证据的信任度类似于物理对象的质量去考虑，即证据的质量（Mass ）支持了一个信任。关于质量这一术语也被称为基本概率赋值（BPA , the Basic Probability Assignment ）或简称为基本赋值（Basic Assignment ）。为了避免与概率论相混淆，我们将不使用这些术语，而是简单的使用质量（Mass ） 一词。 1.2 D-S 证据理论与概率论的区别 D-S 理论和概率论的基本区别是关于无知的处理。即使在无知的情况下，概率论也必须分布一个等量的概率值。假如你没有先验知识，那么你必须假定每一种可能性的概率值都是P, N P 1=其中，N 是可能性的总数。 事实上，这赋值为P 是在无可奈何的情况下作出的。但是，概率论也有一种冠冕堂皇的说法，即所谓的中立原理（the principle of indifference ）。当仅仅有两种可能性存在的时候，比方说“有石油”和“没有石油”，分别用H 和?H 表示，那么出现应用中立原理的极端情况。在与此相类似的情况中，即使在没有一点知识的条件下，那么也必须是P = 50 % ，因为概率论要求P(H)+P(?H) = 1，就是说，要么赞成H ，要么反对H ，对H 无知是不被允许的。表1-1为证据理论与概率论的区别。 表1-1 证据理论与概率论的区别
人工神经网络在图像处理中的应用 王国雷 （山东大学控制科学与工程学院生物医学工程2008级） 摘要：图像处理可以看作一大类图像技术，着重强调在图像之间的变换，图像处理是包含丰富内容和具有广阔应用领域的研究学科。近几年来，作为具有自组织、自学习和联想功能的人工神经网络理论已成功地应用于图像处理的许多方面，如图像压缩、图像分割、边缘检测、图像增强、图像识别等。概括得说，神经网络应用于图像处理的主要思路是：把原始图像或经过适当预处理的图像作为网络的输入信号，在网络的输出端得到处理后的图像信号或分类结果。 关键词：图像处理，人工神经网络，图像压缩、图像分割、边缘检测、图像增强、图像识别。 The Application Of Artificial Neural Network In The Area Of Image Processing Wang Guolei (Biomedical Engineering, 2008 Grade, College of Control Science and Engineering, Shandong University) Abstract: Image processing can be seen as a large class of imaging technology, emphasizing on the transformation between the images, image processing is a subject with rich content and broad application areas. In recent years, as a self-organizing, self-study and associate function artificial neural network theory has been successfully applied to many aspects of image processing such as image compression, image segmentation, edge detection, image enhancement, image recognition and so on. In general, the main idea of neural network application in image processing is as below: put the original image or an appropriate pre-processing image as the input signal of network, the network output is the result : processed image signal or classification results.
由一个案例浅谈证据制度 案例： 一天早晨，王某骑自行车去上班，路上见到一个过马路的老太太被一个骑车的年轻人撞倒了。那个年轻人回头看了一眼，没有下车，跑了。王某是个心地善良的人，便下车来看那老太太摔得怎么样。他见老太太伤得不轻，就把老太太送进了附近的医院。他本想做一回好事儿，但是等那个老太太的儿子来到医院之后，老太太反而一口咬定说王某就是撞伤她的人。王某怎么解释都没有用。后来他们一起去了当地的派出所。但是警察也不相信他的话，最后让王某赔了老太太一笔钱，算是医药费和营养费。王某气坏了，觉得这世道真是不讲理，明明自己是好人，却没有人相信他的话。 这个案例实际上就说明证据证明的问题。此案中王某实在冤枉：没有撞人，却被咬定是肇事者，本来是好心救人，最后还要被迫付赔偿费。王某就是因为不能提供证明自己清白的证据，才被反咬一口。其实，可以提供王某清白的证据有很多，当然，就王某个人的证词肯定站不住脚，而且王某自己证明自己无辜在举证上也不可行。但是，王某可以提供目击证人，事发当时肯定有人经过或有人见到老太太被车撞倒的事实，如果没有目击证人，王某也可以提供物证，就是王某的自行车到底有没有撞过人的痕迹，只要经过验证，王
某就能证明自己在此案中是清白的，就不会这么不明不白的被认定为
是肇事者了。 由此案可以看出，“证据”在一个案件中的重要性。也可以说，证据是诉讼制度的灵魂，是法制建设的重要环节之一。那么，什么是证据？从《现代汉语词典》中查到：能够证明某事物的真实性的有关事实或材料。在诉讼过程中，证据无疑是核心因素，仔细考察诉讼的整个过程，无论是作为原告的诉讼请求，还是作为被告的抗辩，或是人民法院作为诉讼主导者而因此所产生的裁决过程，无—不围绕着证据进行。从某种意义上讲，人民法院对具体案件的审理就是对双方提供的证据作法律上的评判，以及对证据与所蕴涵的事实间相互关系的评判。 一、证据的特征 诉讼活动中，用作证明案件事实的诉讼证据，有其自身的特征。传统理论根据证据首先是客观存在的事实这一观点出发，归结出证据的客观性特征，此外，根据“证据是与案情有联系的事实”即关联性特征，“证据必须依法取得”即合法性特征，共同作为证据的三个特征存在。 但是，证据的客观性特征有时不能准确地反映诉讼中事实证明者的本质特征，同时片面强调证据是客观存在的事实可能与证据的另一特征合法性相互冲突，甚至有可能出现合法取得的证据不是客观存在的事实
基于MATLAB的BP神经网络的数字图像识别
基于MATLAB BP神经网络的数字图像识别
基于MATLAB BP神经网络的数字图像识别 【摘要】随着现代社会的发展，信息的形式和数量正在迅猛增长。其中很大一部分是图像，图像可以把事物生动的呈现在我们面前，让我们更直观地接受信息。同时，计算机已经作为一种人们普遍使用的工具为人们的生产生活服务。如今我们也可以把这些技术应用在交通领域。作为智能交通系统(InteUigent Traffic System，简称ITS)中的一个重要组成部分的车牌识别技术，当然就是其中的重点研究对象。车辆牌照识别(License P1ate Recognition，简称LPR)，是一种关于计算机的包括图像处理、数学技术、数据库、信息技术以及智能技术于一体的综合技术。用MATLAB 做车牌识别比用其他工具有许多优势，因为MATLAB在图像的灰度化、二值化、滤波等方面都有很大优势，所以,本次实验我们利用MATLAB的这些优点来对车牌进行识别。 【关键词】BP神经网络；图像识别；字符识别；特征提取；车牌；Matlab 一课题研究背景 （一）图像识别的提出及应用 随着信息化时代的不断发展，人们越来越多地使用信息化的手段来解决各种问题——办公自动化、先进制造业、电子商务等利用计算机技术而产生的新兴行业正不断靠近我们的生活。在信息社会中，我们每天都接触大量的数据——工
作数据、个人数据、无意间获得的数据等——在这些数据中，有些数据需要我们人工处理，而有些则可以利用计算机快速准确的完成——字符识别就是其中的一个范畴。 字符识别是一种图像识别技术，他的输入是一张带有某种字符的图片，而输出则是计算机中对于图片中字符的反应结果。所以，可以广泛的应用于各种领域：如，车牌检测、手写识别、自动阅读器、机器视觉……在生活生产的各个方面都起到了非常重要的作用。 （二）图像识别技术的发展趋势 虽然图像识别技术还不是非常成熟，但现其已经有了很多可喜的成果，比如图像模式识别，图像文字识别。并且其还在飞速的发展着，图像识别的应用正朝着不同的领域渗透着，像计算机图像生成，图像传输与图像通信，高清晰度电视，机器人视觉及图像测量，办公室自动化，像跟踪及光学制导，医用图像处理与材料分析中的图像分析系统，遥感图像处理和空间探测，图像变形技术等等。从所列举的图像技术的多方面应用及其理论基础可以看出，它们无一不涉及高科技的前沿课题，充分说明了图像技术是前沿性与基
第39卷第1期 辽宁工业大学学报(自然科学版) V ol.39, No.1 2019年 2 月 Journal of Liaoning University of Technology(Natural Science Edition) Feb. 2019 收稿日期：2018-05-23 基金项目：国家自然科学基金项目(61502216)；大学生创新创业计划训练项目(201801069) 作者简介：王恩侃(1997-)，男，山西吕梁人，本科生。 曹玉东(1971-)，男，辽宁铁岭人，副教授，博士。 DOI:10.15916/j.issn1674-3261.2019.01.007 基于深度神经网络的人脸图像识别 王恩侃，曹玉东，汪金涛 （辽宁工业大学 电子与信息工程学院，辽宁 锦州 121001） 摘 要：概述了深度神经网络的最新进展情况，着重深入分析了VGG-Net 深度神经网络模型，相比于传统学习方法，深度学习能达到更高的识别准确率， 但是存在训练和测试时间较长、字典存储量偏大等问题。在不降低识别率的前提下，通过改进模型结构和优化参数，减少训练时间，实现了轻量化计算。在FaceScrub 人脸图像数据集上验证了改进算法的有效性。 关键词：深度学习；VGG-Net 网络；人脸图像识别 中图分类号：TP391 文献标识码：A 文章编号：1674-3261(2019)01-0029-04 Face Image Recognition Based on Deep Neural Network W ANG En-kan, CAO Y u-dong, W ANG Jin-tao （School of Electronics & Information Engineering, Liaoning University of Technology, Jinzhou 121001, China ） Abstract: The recent progress of deep neural network is summarized, and the VGG-Net neural network model is analyzed. Compared with traditional methods, deep learning methods can achieve higher recognition accuracy, but there are problems such as long training and testing time, and larger dictionary storage. On the premise that the recognition rate is not reduced, the lightweight calculation is realized by improving the model structure and optimizing parameters and reducing training time. The effectiveness of the improved algorithm is verified on FaceScrub face image data set. Key words: deep learning; VGG-Net network; face image recognition 近几年，深度学习技术以人工神经网络模型为基础，突破了三层结构的限制，其表示能力大幅度提高，并在计算机视觉领域取得了成功。深度学习网络主要包括卷积神经网络、循环神经网络、自编码器和长短时记忆网络等。卷积神经网络特别适合处理二维数据，在图像处理和识别领域有很多成功的应用。也是第一个用于解决重要商业应用的网络。循环和递归网络适合处理与时间相关的序列数据。计算机硬件不断发展，深度学习神经网络在计算机视觉领域大放异彩，在图像检索、图像分类领域均取得突破性进展。 2012年，多伦多大学的Hinton 教授首次把深度神经网络应用到图像分类任务上，极大降低了图 像的分类错误率[1]。短短几年的时间，深度学习技术发展迅猛。常见的深度神经网络结构有纽约大学教授Yann LeCun 提出的LeNet-5[2]、Face AI 团队提出的DeepFace [3]、DeepID [4]等。在人脸识别中较为成功的深度卷积网络有DeepFace 、DeepID 以及VGG-Face 等深度网络结构[5-9]。其中DeepFace 网络结构庞大，对于训练图片消耗的资源也较大。汤晓欧教授团队提出的DeepID 网络开创了用深度网络来学习图像的特征，随着数据集的扩大，其本身的分类正确率和验证数据集的识别准确率都在增加。为更好地处理遮挡图片的识别，改进算法DeepID2[7]在回归函数式中加入验证信号，通过对识别信号和验证信号进行加权组合，提高了类内区分