神经网络技术在计算机通信中的运用

陈效军

摘 要

神经网络据有学习能力和联想化的功能和混沌行为的特点，被广泛的应用于计算机网络通信中。本文详细论述神经网络的原理，在此基础上以车牌计算机识别定位系统为例，对神经网络相关分类方法、工作流程等进行了计算机通信的应用解析，综合分析其在通讯系统中的应用。

【关键词】神经网络技术 计算机通讯 运用

由于神經网络的独特性能，神经网络技术不但大量应用于故障分析、模式识别、自动控制领域，还在计算机网络通讯领域也被广泛的使用。正是因为神经网络具有学习映射、联想花功能、混沌行为的特点，所以它可以在目前的宽带网技术问题上提供理论上的解决办法。当前，计算机技术的车牌识别定位系统所需要识别的图像大部分都是室外摄像头拍摄到的，若是遇到强降雨或者大雾等恶劣天气，车牌上面的数字就很难采集到，神经系统可以有效解决这一问题，虽然神经系统应用于识别车牌是没有必要的，但是本文将基于这个简单的系统来介绍神经网络技术。

1 车牌计算机识别定位技术

车牌识别技术是我国智能交通系统的一个关键的组成部分，被广泛的应用于数字图像技术、生物识别技术和人工智能技术领域。车牌识别系统被广泛的用于公安刑侦部门的车辆违规行驶检测、失窃车辆检测、车辆违章停车，交通管理部门的实时路况检测、高速公路收费，物业管理部门的小区停车收费系统、进出入安全系统等。实际应用中采用的较多的车牌识别系统方法有特征检验法、模板匹配法和神经网络法。其中，大多数基于神经网络的车牌识别定位系统都是首先要采集足够数量的车牌图像样本作为带检测的图像，利用BP神经网络对图像进行识别，检测达到预定的正确率后即可停止；然后对需要识别定位的车牌图像用图像二值化、直方图等方法进行预处理，降低外界光线对车牌图像的影响，之后利用滤波器消除图像的噪声干扰，最后将完成预处理的车牌图像传送到神经网络搜索系统来对车牌进行定位。

2 神经网络技术介绍

2.1 神经网络的分类方法

常见的神经网络的分类方法有遵循网络连接拓扑结构的分类方法和遵循网络内部数据流向的分类方法。按照网络拓扑结构可以将神经网络分为层次型结构和互联型结构，其中层次型结构式指网络中层与层之间有神经元相互连接但同一层次的神经元之间没有连接；而互联型结构网络中的每个神经元之间都可以相互连接，互联型结构还可以细分为稀疏互联型、局部互联型和全部互联型。按照内部数据流向可以分为前馈性神经网络和反馈型神经网络，前馈性神经网络结构与层次型网络结构相似，数据流的方向统一从网络输入层传递到网络隐藏层，最后传递到网络输出层，传递过程中网络没有反馈回路，应用比较广泛的是BP神经网络和径向基神经网络。反馈型神经网络结构域单层互联网结构相似，反馈型神经网络中的每一个节点都可以进行数据处理和向外界输出数据，其代表是Hopfield神经网络。并且一般前反馈型神经网络的识别能力和分类能力都优于反馈型神经网络。

2.2 前反馈型神经网络

前反馈型神经网络的基本数据信号包括函数信号和误差信号两种，其中函数信号是要由网络输入端传递进入经过网络隐藏层神经元的处理，逐步传递到网络的输出层形成正向传播的输出层函数信号。误差信号是在网络实际输出的误差高于设定的预计误差时产生的信号，它的传递方向与函数信号相反，从网络输出层传递到网络隐藏层到网络的输入层，通过修改权值使误差达到最初的要求。

前反馈型神经网络包括学习和识别两个过程，学习是把准备好的信息样本输入到前馈神经网络中，通过网络隐藏层和输出层的处理得到实际的输出数值，将输出数值与预定的期望数值进行比较，确定误差数值在允许的范围之内后输入下一个样本；若是超出允许范围，就要进行反向传播并修改权值，再继续下个学习过程，重复上述过程。识别过程是把待识别的信息样本传递输入到前反馈型神经网络之中得到识别结果，由于神经网络具有良好的记忆能力和联想能力，识别与之前的学习样本相似待识别的信息样本，得到正确识别的几率很高，又由于神经网络具有良好的纠错性和容错性，就算待识别的样本与之前学习的样本不同，甚至是有较大的噪声和干扰，按照整体的特征对样本进行记忆，依然能够有效地对样本进行正确识别。

3 车牌识别定位系统

本文中介绍的车牌定位识别系统中包括车牌定位模块、字符分隔模块和字符识别模块。车牌定位模块包括车牌图像的灰度化、图像平滑化、图像增强和车牌定位；字符分割模块包括车牌图像为之校正、提出车牌上下便可、车牌字符分隔、车牌字符归一化处理；字符识别模块则包括神经网络训练和识别。神经网络具有很强的自适应能力、学习能力强、联想容错功能强、抗噪声干扰能力强的优点，使其在各个领域都被广泛的研究和应用。目前，大多数车牌识别定位技术都是基于BP算法的前馈性神经网络，并且具有很好的效果，但是其中还是存在一些问题，车牌定位识别技术还可以进一步发展。由于BP算法是基于梯度不断下降的，很容易在学习的过程中陷入到局部寻优中，从而无法得到全局的最优解，除此之外，BP算法的网络初始值的是根据经验而设置的，若是初始值的选择不合理，就会出现算法收敛速度下降甚至是不收敛的现象。若是在其中引入遗传算法，就可以弥补其中的不足之处，可以取得更好的效果。

4 总结

科学技术的不断发展，使人们的生活越来越方便，神经网络技术在通信中的运用，可以帮助解决之前无法解决的一些技术难题，除了在车牌定位识别系统中的应用之外，还应用于ATM网络通讯系统、辅助测量识别系统等系统中，它在各个领域应用的同时也存在着一些问题，需要专业人士不断地改进，为人类的生活提供更加便利的条件。

参考文献

[1]孙蓓蓓.神经网络技术在计算机通信中的应用[J].煤炭技术，2014，33（01）：202-204.

[2]单元伟.神经网络技术在录井参数解释中的应用[J].现代电子技术，2014（04）：21-24，27.

[3]郭丽娟.神经网络在计算机网络安全评价中的应用[J].价值工程，2012，31（21）：187-189.