卷积神经网络的优化范文篇1

烟草局工作总结今年是卷烟销售网络建设的关键年，也是实现上海会议提出的网络建设三年目标的最后一年。半年来，我市局（分公司）按照2月初国家局召开的继续推进全国卷烟销售网络建设电视电话会议精神及《全国卷烟销售网络建设整体推进、全面提升实施方案》所确定的工作目标和工作要求，以科学发展观统领全局工作，坚持规范、科学、扎实、精细的工作作风，不断进取、勇于创新，加快将分公司培育成充满生机和活力的经营主体，迅速实现传统商业向现代流通的转变，统一业务模式、统一工作标准、统一组织结构、统一信息平台，实现以分公司为单位资源有效整合。以服务“三个满意”为中心，积极构建工商新型关系，满足市场需求，打牢网建基础，提升网建水平，努力提高市场占有率，1～5月份实现人均销售卷烟条，促进我市烟草持续、稳定、健康发展。

一、主要经济指标完成情况（1～6月份）

1.系统外销售箱，为全年任务的％。

2.金圣系列销售箱，为全年任务的％。

3.百牌号销售箱，为全年任务的％；

4.名优烟销售箱，为全年任务的％；

5.省外烟销售箱，为全年任务的％。

二、㈠主要抓了以下工作统一思想认识，明确工作目标

按照国家局要求，积极组织县（市）局领导班、客户经理代表及网建、业务、配送、电访等部门同志，参加了2月2日上午国家局召开的继续推进全国卷烟销售网络建设电视电话会议，会议的主要内容是认真贯彻落实全国烟草工作会议精神，按照保持平稳发展的工作，部署落实20__年的卷烟销售和网络建设工作，国家局何泽华副局长、中国卷烟销售公司总经理田忠振都作了重要讲话。田忠振在讲话中对20__年卷烟销售工作需要抓好的几项重要工作，即提高认识，把卷烟销量摆在各项工作的头等位置，继续推进卷烟销售网络建设，提高网建水平，加快传统商业向现代流转变等几项具体工作及何泽华副局长强调的

首先要坚持平稳发展的方针，正确分析当前形势，努力保持卷烟销量稳定增长。

其次要按照整体推进的要求，加快网络建设的步伐。

第三，要根据国际一流的目标，全面提升网建水平（抓住服务和效率两个关键，努力做到三个满意，提升四种能力）。

第四，要围绕提升中国烟草总体竞争实力的主要任务，积极构建新型工商关系，工商合力保证销售任务的完成。

第五，要不断提高市公司的经营水平。对20__年网建工作提出了更高标准的要求，内容丰富详实，特别是参加会议收看人员之广是历年来所没有的，对会议精神在全体员工作了进一步的传达和贯彻，按照国家局、省局网络建设要求，结合本地实际、制定了《景德镇市烟草专卖局（分公司）卷烟销售网络建设整体推进、全面提升实施方案》，并提出了具体目标和要求。经过一年的努力，按照省局要求到20__年底景德镇烟草网建达到或基本达到上海、大连水平。围绕一个目标建设好现代物流配送中心。调整好“二个观念”（即服务与效率），落实好“三个满意”（即工业企业满意、客户满意、消费者满意），着力提高“四种能力”（即培育资源整合能力、客户服务能力、科学管理能力、品牌培育能力）。通过“流程优化，实现管理集中；机构扁平化，实现职能集中；财务电算化，实现核算集中；管理信息化、实现数据集中”的要求，全面提升网建水平。具体要求为：

1.按照规划要求，脚踏实地，认认真真地抓好网络建设的各项基础工作。

2.进一步抓好规范经营。

3.加大市场的整治和净化，努力营造一个良好的销售环境。

4.建立城信服务，提升客户关系管理，构建新型工商合作伙伴关系，努力提高“三个满意”。

5.做好客户“订单供货”月销售计划工作，根据市场需求，进行品牌结构调整，尽可能满足订单货源的需求，促进卷烟销售正常提高，保证全年销量稳定增长。

6.进一步加强队伍建设和作风建设，提高员工素质，为做好营销网络提供保障。

㈡完善网络功能，提高网建水平。

1.完善网络功能，实行全市大配送。我局（分公司）按照省局要求，克服条件差没有场地困难，租赁场地创造条件，实行了“电话订货”和“卷烟配送”两个集中，电话订货面达100％，订货成功率98％以上，卷烟统一由分公司打码到户，集中送货面达100％。两个集中真正体现了以分公司为经营主体基本格局，同时也有利于县级局（营销中心）的职能转变，使县级局（营销中心）能够集中精力管好市场，做好市场。

2.加强客户关系管理，提高服务质量。客户关系管理是一项系统工程，行业的每位员工都与此有关联，但工作的重点在客户经理的工作中得以体现。

一是充分发挥客户经理的职能作用，对展开的工作要做到“精、细、实、恒”。

二是及时了解市场情况、客户需求、经营状况、政策解释、

宣传到位，帮助经营户提高规范意识、经营考评。三是把货源分配权，特别是紧俏烟分配权交给客户经理掌握，由客户经理根据市场情况和客户关系需求、库存情况进行货源的确定和安排。

四是做好零售户“订单供货”月度卷烟销售计划。20__年3月份制定了“以定单供货”的月计划工作流程及考核办法。具体操作是每月初由客户经理向所辖零售户送达“月供货计划衔接表”。按照划分的销售级别、月合理定量、单品牌限量等要求由经营户自己填写当月所需品牌、数量，然后由客户经理收集交营销中心汇总，报分公司网建科审核后，由业务科负责组织货源，并将可供货源与零售户商定后，分次数填入月计划及订货登记簿内，并严格按计划商定数执行。这种以“定单供货”的方法实施后，使零售户的满意度提高了，打破了过去由公司有什么货，要零售户卖什么货传统做法，变为零售户需要什么货，公司组织什么货供应的办法，也进一步掌握了市场调控主动权，优化了资源配置，活跃了零售市场。

㈢诚信经营，实现“三个满意”

1.认真做好明码标价工作，规范价格行为，今年4月12日，在公司金叶大酒店召开了40位各级别经营户代表座谈会，共同商定卷烟条、包不同的零售价格，市工商、公平交易局也派员参加，与会代表逐一对所投放的品牌达成了统一共识，并在4月15日全市逐一经营户换发新印制的统一条、包零售价格标签，进一步提高了市场零售价格规范行为，特别是条、包不同价位，比较符合市场零售及消费者购物心理和实际状况。

2.为进一步提高客户满意度，改善卷烟零售户销售环境，我司制定了近260个美观、大方、实用的卷烟专用零售柜台，免费租赁给一级户，城市、主要街道给逐一签订了协议书，交到了经营户的一流好评，许多经营户都表示要规范经营，扩大零售，也争取得到卷烟柜台。

3.6月份市局（分公司）与价格检查局联合下发了开展卷烟零售经营价格诚信评比活动的实施办法，拟在全市评选出一批价格诚信经营户，这无疑给我市的明码标价，特别是明码实价工作带来新的成效。通过开展价格诚信活动，进一步强化经营者自律意识，规范经营者的价格行为，促进我市烟草零售市场公平、公正的合法竞争，有利于建立健全符合市场经济体制要求的社会经济体制要求的社会经济制度。

4.严格实行限量供货。我们始终坚持按销售级别对月、日供量及单品牌限量要求进行供货，对80元／条以上的省产名优烟适当增量外，其它均按去年所定限量要求，较好地控制了批发性的大户货源，使中小客户不断壮大，稳定了市场零售价，同时在4.5月份对三、四级根据其销售情况，进行了级别调整。目前，全市一、二、三级客户达2382户，比去年年初的户增加373户，中小户的壮大增加了零售户对烟草公司的依存度。

5.密切工商协作，搞好网络销售。

一是在营销过程中牢固树立服务意识、品牌意识，通过实施“订单供货”月计划作，使我们及时有效的掌握了市场卷烟销售结构的变化、品牌需求的变化，促进了市场占有率的进一步提高。通过对主导品牌上柜要求，有力地促进了名优、百牌号卷烟销售和对新品牌的认识和选择，有力的促进了品牌的培育和宣传。

二是进一步调整销售结构，进行市场货源优化，加大品牌培育和宣传，积极引导消费，加大对市场调研和发展新品牌主动性，争取新上市的品牌销售都能获得市场占有率成功。

6.积极组织调入适销对路货源，满足市场需求。

一是按照定单供货要求，组织调入适销对路，批零差价合理的卷烟。

二是想办法多调入四、五类烟，以满足农村市场需求。三是在正常调入省产烟情况下，争取多调入一些市场具有一定潜能，有一定品牌培育价值的省外烟、名优烟及百牌号卷烟，以满足市场正常流通。由于调入卷烟基本符合市场需求要求，而且又具有一定的利润空间，品牌结构较为合理，深受广大经营户的欢迎，而且市场的乱渠道进货，卖假冒烟的情况得到了进一步遏制。

7.加强专销结合，狠抓规范经营。我局（公司）把规范经营作为事关行业稳定健康发展的大事抓紧做好，坚持规范、严谨踏实的工作作风，坚决贯彻执行烟草专卖法及其法律、法规，落实国家局、省局杜绝体外循环的有关规定，认真扎实地做好本地市场的培育和销售。

一是狠抓制度建设，相继出台和完善了许多规范性文件，使大家工作职责更明确、措施更得力、管理更到位。

二是抓制度的落实和考评，更加注重过程管理，对查出的问题坚决按规范要求，严肃处理。上半年内部查处不规范行为2起，中队长被免职1人、辞退员工1人，有关人员共有15人被处以经济处罚。通过狠抓规范经营，杜绝了体外循环，制止了卖大户，刹住了超量供货等现象。

8.制定了客户投诉管理办法。为进一步提升网建水平，提高客户满意度，规范工作行为，加大社会的有效监督，建立快捷有效的客户投诉渠道和投诉受理管理机制。县（市）局（营销中心）、分公司网建科都设立了客户投诉电话，并有专人负责受理客户投诉。对烟草公司的政策、规定及对“四员”的工作情况、服务态度及建议和要求都在受理范围之内。

㈣加强队伍建设，提高员工素质

随着网建的整体推进，全面提升的要求，对网建人员整体素质也提出了更高的要求，网络人员怎样适应工作职能工作流程，工作方法的变化，都需要我们认真思考和探索的问题。因此我们要引进激励机制、新的营销理念、新的工作思维、强化技能培训和组织学习、自学相结合方式，同时把人才关，以提高网建人员的业务技能和知识水平，努力塑造一支高素质的网络队伍。上半年以来，我们主要从以下几个方面着手：

1.树立“营销网络”是企业不断发展和立足之本的理念，进一步增强员工的责任感和使命感。

2.关心员工遇到的问题和困难，加强情感交流，增强企业凝聚力和向心力。

3.加强员工的培训，提高其综合素质，上半年我市共举办各类培训班共4期，培训人数共260余人。

4.充分利用网点日、周例会进行政治、业务、报刊等方面学习和讨论。

5.认真做好20__版营销管理系统的切换工作。按照省局布置，我市按照把新的营销管理系统的上线工作纳入重要议事日程，由于前期准备工作充分，培训工作到位，部门间配合，4月底切换成功，并且利用五一节日期间，休息时间，对电访、配送、业务等上线情况跟踪和逐项问题的进一步解决营销软件运行基本正常，同时对一号工程工作极为重视，信息中心指派一人自5月份中旬以来经常仓库指导仓储人员对购进品牌进行打码，对出现的问题进行总结和汇报，按照省局要求，确保7月实现卷烟生产经营决策管理系统全面稳定进行。

三、网建工作存在的差距与不足上半年，景市网建工作在省局（公司）正确领导下取得了一定的进步，得到一定提升，但仍存在许多不足。

1.与上海、大连网建水平相比，我市网建基础工作还有差距，网络的功能还没有得到最大发挥。

2.队伍的整体素质还不高，特别是客户经理的水平还不能完全适应现代流通要求。

3.省外卷烟调销进度缓慢，市场占有份额较少，特别是四、五类卷烟矛盾相对突出。

4.城区电子结算率不高。

5.管理体制和考核机制还不够健全。

四、下半年的工作打算

㈠、完成以分公司为经营主体的网络组织机构1.按照省局（公司）统一规划要求，进行组织架构调整到位，成立营销中心、物流中心、督察中心、信息中心，按照业务流程再造，按照程序化、规范化要求，整合流程，使业务流程更加科学、规范、合理。

2.根据流程需求，进一步整合线路和人员，使线路更优化，用工更合理，降低运行成本，提高工作效率。

㈡、加强管理，真抓实干

管理是永恒的主题，只有加强制度管理工作的前提，才能真抓实干，下大力气抓好制度建设，完善管理机制，对网建的每项工作都要落到实处，不断提升网建水平，正视工作中的困难和不足，找到解决问题的办法，抓好典型推广，要按照分公司的部署达到上海、福建管理模式，紧扣景德镇烟草实际，不断探索、勇于创新、精心策划、狠抓落实，要自我加压、自逼快上，同时，要充分发挥县（市）局（营销中心）的骨干作用，把主要精力集中到网建工作上来。

㈢、狠抓规范经营，努力提高市场占有率

首先要从思想上彻底解决规范经营问题，要引导营销人员不能把不规范经营看作是完成任务的有效途径。

二是要从考核体制上彻底解决不规范经营行为。

三是彻底解决虚假入网的不规范经营行为。

四是通过分级限量，彻底解决批发大户再次批发的行为。

五是通过“两个专项整顿”全面、彻底解决不规范经营的各种行为。

㈣、在营销中牢固树立服务意识，注重工作过程和实数。

⑴坚持以市场为导向，积极组织改进适销对路的货源，特别是加大省外名优、百牌号烟的销售，满足不同消费群体需求。

⑵进一步调整卷烟销售结构，进行市场货源优化，加大品牌的宣传和推介力度，培育好品牌。

⑶要通过客户经理的工作，在实施“订单供货”月计划工作中，解释引导工作要到位，增强零售户对他公司的依存度和满意度，要不断完善“订单供货”月计划工作流程和考核办法，使之更贴近市场、贴近经营户，使我们有效地掌握掌声卷烟销售结构的变化，以最大可能地组调货源给予满足。

⑷继续抓好主导品牌上柜工作，促进名优、百牌号卷烟销售以及消费者对新品牌的认知和选择，促进品牌的培育和宣传。

卷积神经网络的优化范文篇2

关键词：交通标志；识别；卷积神经网络；深度学习

中图分类号：TN911.73?34；TP391.41文献标识码：A文章编号：1004?373X（2015）13?0101?06

Abstract：Inactualtrafficcircumstance，theimagequalityofcollectedtrafficsignsisworseduetomotionblur，backgrounddisturbances，weatherconditions，andshootingangle.Thehigherrequirementsareproposedforaccuracy，robustnessandinreal?timeoftrafficsignsauto?recognition.Inthissituation，thetrafficsignsrecognitionmethodbasedondeep?layerconvolutionneuralnetworkispresented.Themethodadoptssupervisedlearningmodelofdeep?layerconvolutionneuralnetwork.Takingthecollectedtrafficsignimagesthroughbinarizationastheinputs.Theinputsareconductedmultilayerprocessofconvolutionandpooling?sampling，tosimulatehierarchicalstructureofhumanbrainperceptionvisualsignals，andextractthecharacteristicsofthetrafficsignimagesautomatically.Trafficsignsrecognitionisrealizedbyusingafullconnectednetwork.Theexperimentalresultsshowthatthemethodcanextractthecharacteristicsoftrafficsignsautomaticallybyusingdeeplearningabilityoftheconvolutionneuralnetwork.Themethodhasgoodgeneralizationabilityandadaptiverange.Byusingthismethod，thetraditionalartificialfeatureextractionisavoided，andtheefficiencyoftrafficsignsrecognitionisimprovedeffectively.

Keywords：trafficsign；recognition；convolutionneuralnetwork；deeplearning

0引言

随着智能汽车的发展，道路交通标志的自动识别[1?3]作为智能汽车的基本技术之一，受到人们的高度关注。道路交通标志识别主要包括两个基本环节：首先是交通标志的检测，包括交通标志的定位、提取及必要的预处理；其次是交通标志的识别，包括交通标志的特征提取和分类。

如今，交通标志的识别方法大多数都采用人工智能技术，主要有下述两类形式[4]。一种是采用“人工特征+机器学习”的识别方法，如基于浅层神经网络、支持向量机的特征识别等。在这种方法中，主要依靠先验知识，人工设计特征，机器学习模型仅负责特征的分类或识别，因此特征设计的好坏直接影响到整个系统性能的性能，而要发现一个好的特征，则依赖于研究人员对待解决的问题的深入理解。另一种形式是近几年发展起来的深度学习模型[5]，如基于限制波尔兹曼机和基于自编码器的深度学习模型以及卷积神经网络等。在这种方法中，无需构造任何的人工特征，而是直接将图像的像素作为输入，通过构建含有多个隐层的机器学习模型，模拟人脑认知的多层结构，逐层地进行信息特征抽取，最终形成更具推广性和表达力的特征，从而提升识别的准确性。

卷积神经网络作为深度学习模型之一，是一种多层的监督学习神经网络，它利用一系列的卷积层、池化层以及一个全连接输出层构建一个多层的网络，来模仿人脑感知视觉信号的逐层处理机制，以实现视觉特征信号的自动提取与识别。本文将深层卷积神经网络应用于道路交通标志的识别，通过构建一个由二维卷积和池化处理交替组成的6层网络来逐层地提取交通标志图像的特征，所形成的特征矢量由一个全连接输出层来实现特征的分类和识别。实验中将加入高斯噪声、经过位移、缩放和旋转处理的交通标志图像以及实际道路采集交通标志图像分别构成训练集和测试集，实验结果表明，本文所采用的方法具有良好的识别率和鲁棒性。

1卷积神经网络的基本结构及原理

1.1深度学习

神经科学研究表明，哺乳动物大脑皮层对信号的处理没有一个显示的过程[5]，而是通过信号在大脑皮层复杂的层次结构中的递进传播，逐层地对信号进行提取和表述，最终达到感知世界的目的。这些研究成果促进了深度学习这一新兴研究领域的迅速发展。

深度学习[4，6?7]的目的就是试图模仿人脑感知视觉信号的机制，通过构建含有多个隐层的多层网络来逐层地对信号特征进行新的提取和空间变换，以自动学习到更加有效的特征表述，最终实现视觉功能。目前深度学习已成功地应用到语音识别、图像识别和语言处理等领域。在不同学习框架下构建的深度学习结构是不同的，如卷积神经网络就是一种深度的监督学习下的机器学习模型。

1.2卷积神经网络的基本结构及原理

卷积神经网络受视觉系统的结构启发而产生，第一个卷积神经网络计算模型是在Fukushima的神经认知机中提出的[8]，基于神经元之间的局部连接和分层组织图像转换，将有相同参数的神经元应用于前一层神经网络的不同位置，得到一种平移不变神经网络结构形式。后来，LeCun等人在该思想的基础上，用误差梯度设计并训练卷积神经网络[9?10]，在一些模式识别任务上得到优越的性能。

卷积神经网络本质上是一种有监督的深度学习算法，无需事先知道输入与输出之间精确的数学表达式，只要用已知的模式对卷积神经网络加以训练，就可以学习到输入与输出之间的一种多层的非线性关系，这是非深度学习算法不能做到的。卷积神经网络的基本结构是由一系列的卷积和池化层以及一个全连接的输出层组成，可以采用梯度下降法极小化误差函数对网络中的权值和阈值参数逐层反向调节，以得到网络权值和阈值的最优解，并可以通过增加迭代次数来提高网络训练的精度。

1.2.1前向传播

在卷积神经网络的前向传播中，输入的原始图像经过逐层的卷积和池化处理后，提取出若干特征子图并转换成一维特征矢量，最后由全连接的输出层进行分类识别。

在卷积层中，每个卷积层都可以表示为对前一层输入图像的二维卷积和非线性激励函数，其表达式可用式（1）表示：

[Ylj=fi=1Ml-1Yl-1i?Wlij+blj]（1）

式中：[Ylj]是第l层中第[j]个卷积特征子图的输出；[Ml-1]是前一层（[l-1]层）的输出[Yl-1j]的总数；[Wlij]是第[l]层中第[j]个卷积的权值；[blj]是第[l]层中第[j]个卷积的阈值；符号“*”表示二维卷积运算；[f（?）]是非线性激励函数，其表达式如下：

[f（x）=11+e-x]（2）

式中：[x]是函数的输入。对于一幅[Nl-1x*Nl-1y]的输入图像[Yl-1i]和[Klx*Kly]的卷积权值[Wlij，]输出[Ylj]的大小为[Nl-1x-Klx+1，Nl-1y-Kly+1。]

在池采样层中，每个池采样层通过一个非重叠的[kx×ky]矩形区对上一卷积层输出的特征子图进行采样（求矩形区内像素的均值或最大值）。经过池采样后输出的特征子图在两个维度上分别缩小[kx]和[ky]倍，其表达式为：

[Yl+1j=down（Ylj）]（3）

式中：[Yl+1j]表示第[l+1]层中第[j]个池采样的输出；[Ylj]是前一层（l层）的输出特征子图；down（）实现对[Ylj]的池采样。图1给出了上述卷积和池采样的示意图。

在输出层中，首先利用一个全连接层将输入的特征子图转换为一个一维的特征矢量，然后再应用一个BP神经网络完成特征矢量的分类识别。BP神经网络输出层的每一个神经元的输出值对应于输入图像所属不同交通标志图像的概率，表达式为：

[Yj=fi=1nWij×Yl+1i+bj]（4）

式中：[Yj]表示输出层中第[j]个输出；[Yl+1i]是前一层（[l+1]层）的输出特征（全连接的特征向量）；[n]是输出特征向量的长度；[Wij]表示输出层的权值，连接输入[i]和输出[j]；[bj]表示输出层第[j]个输出的阈值；[f（?）]是输出层的非线性激活函数。

对于一个有[C]种不同的交通标志和共计[N]个样本的情况，整个网络的误差平方代价函数[11]为：

[EN=12n=1Nk=1Ctnk-ynk2=12n=1NTn-Yn2]（5）

式中：[T=[t1，t2，…，tC]]为网络的理想输出目标矢量；[Y=[y1，y2，…，yC]]为网络的实际输出矢量；[tk=0，1，][yk∈[0，1]，][k=1，2，…，C。]

当只考虑第[n]个单个样本时，网络的误差平方代价函数可以表示为：

[En=12k=1Ctnk-ynk2=12Tn-Yn2]（6）

1.2.2反向传播

在反向传播过程中，卷积神经网络的训练方法采用类似于BP神经网络的梯度最速下降法，即按极小化误差的方法反向传播调整权值和阈值。网络反向传播回来的误差是每个神经元的基的灵敏度[12]，也就是误差对基的变化率，即导数。下面将分别求出输出层、池采样层和卷积层的神经元的灵敏度。

（1）输出层的灵敏度

对于误差函数式（6）来说，输出层神经元的灵敏度可表示为：

[δ=-fu×T-Y]（7）

[u=W×Yl+1+b]（8）

式中：[T]表示目标输出；[Y]表示网络的实际输出；[Yl+1]表示上一层（池采样层）的输出；[W，b]分别是输出层的权值和阈值。那么输出层的权值和阈值的导数为：

[?E?W=Yl+1×δT]（9）

[?E?b=δ]（10）

（2）池采样层的灵敏度

池采样层没有权值和阈值，所以不存在权值和阈值的导数，只需要求出该层的灵敏度。

①若池采样层的下一层为全连接的输出层，那么池采样层的灵敏度为：

[δl+1i=WijTδj]（11）

式中：[δil+1]表示输出层的第[j]个灵敏度；[Wij]表示输出层的权值。

②若池采样层的下一层是卷积层，那么假设第[l+1]层为池采样层，第[l+2]层为卷积层，且卷积层的灵敏度为[δl，]有[M]个特征图。第[l+1]层中的每个特征的灵敏度等于第[l+2]层所有特征核的贡献之和，那么池采样层的灵敏度为：

[δl+1i=j=1Mδl+2j?Wl+2ij]（12）

式中：“[?]”表示卷积；[δil]表示第[l]层第[i]个特征映射的灵敏度；[δjl+1]表示第[l+1]层第[j]个特征映射的灵敏度；[Wl+1ij]表示第[l+1]层的权值，连接第[i]个特征灵敏度与第[j]个特征灵敏度。

（3）卷积层的灵敏度

假设第[l]层为卷积层，第[l+1]层为池采样层，且池采样层的灵敏度为[δl+1，]那么卷积层的灵敏度为：

[δlj=up（（δl+1j））]（13）

[up（δl+1j）δl+1j?1kx×ky]（14）

式中：up（・）表示池采样第[l+1]层的灵敏度特征映射；[δjl]表示第[l]层第[j]个特征映射的灵敏度；[δjl+1]表示第[l+1]层第[j]个特征映射的灵敏度；[kx×ky]表示采样池的大小。

现在对于一个给定的特征映射，就可以计算出卷积层的权值和阈值的导数：

[?E?Wlij=u，v（δlj）uv（Yl-1i）uv]（15）

[?E?blj=u，v（δlj）u，v]（16）

式中：[Yl-1i]是第[l-1]层与权值[Wlij]作卷积的特征映射；输出卷积映射的[（u，v）]位置的值是由第[l-1]层的[（u，v）]位置的特征映射与权值[Wlij]卷积的结果。

1.3网络权值和阈值的调整

所有层的权值和阈值的导数都可以用上述方法求得，然后再依据梯度下降法[13]调整权值和阈值，如下：

[ΔWijk+1=ηΔWijk+α（1-η）?E?Wijk]（17）

[Wijk+1=Wijk+ΔWij（k+1）]（18）

[Δbjk+1=ηΔbjk+α（1-η）?E?bjk]（19）

[bjk+1=bjk+Δbj（k+1）]（20）

其中：[k]表示迭代次数；[ΔWij，][Δbj]分别表示权值和阈值的调整值；[Wij，][bj]分别表示权值和阈值调整后的值；[α]为学习效率；[η]为动量因子。

在前向传播过程中，得到网络的实际输出，进而求出实际输出与目标输出之间的误差；在反向传播过程中，利用误差反向传播，采用式（17）～式（20）来调整网络的权值和阈值，极小化误差；这样，前向传播和反向传播两个过程反复交替，直到达到收敛的要求为止。

2深层卷积神经网络的交通标志识别方法

2.1应用原理

交通标志是一种人为设计的具有特殊颜色（如红、黄、白、蓝、黑等）和特殊形状或图形的公共标志。我国的交通标志主要有警告、禁令、指示和指路等类型，一般采用颜色来区分不同的类型，用形状或图形来标示具体的信息。从交通标志设计的角度来看，属于不同类型（不同颜色）的交通标志在形状或图形上有较大的差异；属于相同类型（相同颜色）的标志中同类的指示信息标志在形状或图形上比较接近，如警告标志中的平面交叉路口标志等。因此，从机器视觉的角度来分析，同类型中同类指示信息的标志之间会比不同类型的标志之间更易引起识别错误。换句话说，相比于颜色，形状或图形是正确识别交通标志的关键因素。

因此，在应用卷积神经网络识别交通标志时，从提高算法效率和降低错误率综合考虑，将交通标志转换为灰度图像并作二值化处理后作为卷积神经网络的输入图像信息。图2给出了应用卷积神经网络识别交通标志的原理图。该网络采用了6层交替的卷积层和池采样层来逐层提取交通标志的特征，形成的特征矢量由一个全连接的输出层进行识别。图中：[W1i]（i=1，2，…，m1），W1j（j=1，2，…，m2），…，[W1k]（k=1，2，…，m（n?1））分别表示卷积层[L1，L3，…，Ln-1]的卷积核；Input表示输入的交通标志图像；Pool表示每个池采样层的采样池；map表示逐层提取的特征子图；[Y]是最终的全连接输出。

交通标志识别的判别准则为：对于输入交通标志图像Input，网络的输出矢量[Y=[y1，y2，…，yC]，]有[yj=Max{y1，][y2，…，yC}，]则[Input∈j，]即判定输入的交通标志图像Input为第[j]类交通标志。

2.2交通标志识别的基本步骤

深层神经网络识别交通标志主要包括交通标志的训练与识别，所以将交通标志识别归纳为以下4个步骤：

（1）图像预处理：利用公式Gray=[0.299R+][0.587G+0.114B]将彩色交通标志图像转换为灰度图像，再利用邻近插值法将交通标志图像规格化，最后利用最大类间方差将交通标志图像二值化。

（2）网络权值和阈值的初始化：利用随机分布函数将权值[W]初始化为-1～1之间的随机数；而将阈值[b]初始化为0。

（3）网络的训练：利用经过预处理的交通标志图像构成训练集，对卷积神经网络进行训练，通过网络前向传播和反向传播的反复交替处理，直到满足识别收敛条件或达到要求的训练次数为止。

（4）交通标志的识别：将实际采集的交通标志图像经过预处理后，送入训练好的卷积神经网络中进行交通标志特征的提取，然后通过一个全连接的网络进行特征分类与识别，得到识别结果。

3实验结果与分析

实验主要选取了我国道路交通标志的警告标志、指示标志和禁令标志三类中较常见的50幅图像。考虑到在实际道路中采集到的交通标志图像会含有噪声和出现几何失真以及背景干扰等现象，因此在构造网络训练集时，除了理想的交通标志以外，还增加了加入高斯噪声、经过位移、旋转和缩放处理和实际采集到的交通标志图像，因此最终的训练样本为72个。其中，加入的高斯噪声为均值为0，方差分别为0.1，0.2，0.3，图像的位移、旋转、缩放的参数分别随机的分布在±10，±5°，0.9～1.1的范围内。图3给出了训练集中的交通标志图像的示例。图4是在实际道路中采集的交通标志图像构成的测试集的示例。

在实验中构造了一个输入为48×48个神经元、输出为50个神经元的9层网络。网络的输入是像素为[48×48]的规格化的交通标志图像，输出对应于上述的50种交通标志的判别结果。网络的激活函数采用S型函数，如式（2）所示，其输出范围限制在0～1之间。

表1给出网络的结构参数，包括每一层的特征数、神经元数、卷积核尺寸和均值采样尺寸等。

图5给出一幅交通标志图像在卷积层和均值采样层的特征子图的示例。

图6是交通标志的训练总误差[EN]曲线。在训练开始的1500次，误差能迅速地下降，在迭代2000次以后是一个平稳的收敛过程，当迭代到10万次时，总误差[EN]可以达到0.1882。

在交通标志的测试实验中，为了全面检验卷积神经网络的识别性能，分别针对理想的交通标志，加入高斯噪声、经过位移、旋转和比例缩放以及采集的交通标志图像进行实验，将以上测试样本分别送入到网络中识别，表2给出了测试实验结果。

综合分析上述实验结果，可以得到以下结论：

（1）在卷积神经网络的训练学习过程中，整个网络的误差曲线快速平稳的下降，体现出卷积神经网络的训练学习具有良好的收敛性。

（2）经逐层卷积和池采样所提取的特征具有比例缩放和旋转不变性，因此对于旋转和比例缩放后的交通标志能达到100%的识别率。

（3）与传统的BP网络识别方法[11]相比较，卷积神经网络能够达到更深的学习深度，即在交通标志识别时能够得到更高的所属类别概率（更接近于1），识别效果更好。

（4）卷积神经网络对实际采集的交通标志图像的识别率尚不能达到令人满意的结果，主要原因是实际道路中采集的交通标志图像中存在着较严重的背景干扰，解决的办法是增加实际采集的交通标志训练样本数，通过网络的深度学习，提高网络的识别率和鲁棒性。

4结论

本文将深层卷积神经网络应用于道路交通标志的识别，利用卷积神经网络的深层结构来模仿人脑感知视觉信号的机制，自动地提取交通标志图像的视觉特征并进行分类识别。实验表明，应用深层卷积神经网络识别交通标志取得了良好的识别效果。

在具体实现中，从我国交通标志的设计特点考虑，本文将经过预处理二值化的图像作为网络的输入，主要是利用了交通标志的形状信息，而基本略去了颜色信息，其优点是在保证识别率的基础上，可以简化网络的结构，降低网络的计算量。在实际道路交通标志识别中，将形状信息和颜色信息相结合，以进一步提高识别率和对道路环境的鲁棒性，是值得进一步研究的内容。此外，本文的研究没有涉及到道路交通标志的动态检测，这也是今后可以进一步研究的内容。

参考文献

[1]刘平华，李建民，胡晓林，等.动态场景下的交通标识检测与识别研究进展[J].中国图象图形学报，2013，18（5）：493?503.

[2]SAHASK，DULALCM，BHUIYANAA.Neuralnetworkbasedsignrecognition[J].InternationalJournalofComputerApplication，2012，50（10）：35?41.

[3]STALLKAMPJ，SCHLIOSINGM，SALMENAJ，etal.Manvs.computer：benchmarkingmachinelearningalgorithmsfortrafficsignrecognition[J].NeuralNetwork，2012，32（2）：323?332.

[4]中国计算机学会.深度学习：推进人工智能梦想[EB/OL].[2013?06?10].http：//.cn.

[5]郑胤，陈权崎，章毓晋.深度学习及其在目标和行为识别中的新进展[J].中国图象图形学报，2014，19（2）：175?184.

[6]FUKUSHIMAK.Neocognition：aself?organizingneuralnetworkmodelforamechanismofpatternrecognitionunaffectedbyshiftinposition[J].BiologicalCybernetics，1980，36（4）：193?202.

[7]LECUNY，BOTTOUL，BENGIOY，etal.Gradient?basedlearningappliedtodocumentrecognition[J].IEEEJournalandMagazines，1989，86（11）：2278?2324.

[8]LECUNY，BOTTOUL，BENGIOY，etal.Backpropagationappliedtohandwrittenzipcoderecognition[J].NeuralComputation，1989，1（4）：541?551.

[9]CIRESAND，MEIERU，MASCIJ，etal.Multi?columndeepneuralnetworkfortrafficsignclassification[J].NeuralNetworks，2012，32（2）：333?338.

[10]NAGIJ，DUCATELLEF，CAROD，etal.Max?poolingconvolutionneuralnetworkforvision?basedhandgesturerecognition[C]//2011IEEEInternationalConferenceonSignalandImageProcessingApplication.KualaLumpur：IEEE，2011，342?347.

[11]杨斐，王坤明，马欣，等.应用BP神经网络分类器识别交通标志[J].计算机工程，2003，29（10）：120?121.

[12]BUVRIEJ.Notesonconvolutionalneuralnetworks[EB/OL].[2006?11?12].http：///5869/.

[13]周开利，康耀红.神经网络模型及其Matlab仿真设计[M].北京：清华大学出版社，2005.

卷积神经网络的优化范文篇3

关键词：智能消防；火焰识别；卷积神经网络

一、智能装备简介

若想提高消防救援队伍的灭火救援效能，提高装备的智能化水平是必不可少的一步。消防装备的配备情况影响着战术和战术效果，甚至是直接影响救援成功率的重要因素。因此，提升装备的智能化水平、改善装备结构从而提升消防救援队伍的作战能力是关系广大人民群众生命以及财产安全的重要手段。消防装备智能化的研究工作任重而道远。本文着眼于图像法火焰识别技术，通过研究新技术，探讨将其应用于智能消防装备之中的可行性。

二、卷积神经网络的简介

（一）网络结构。卷积神经网络功能繁多，其中多层检测学习神经网是一种多层次的神经监测网络。其中心模块为卷积层，主要由隐藏层与最大池采样层组成，主要功能是特征提取。其中，连接层与传统多层感应器的隐藏层、逻辑归类器相对应。卷积神经网络的输入特征来源使卷积滤波器，而该神经网络的每一层都有多个理论上的神经元以及特征图。在给一个来自卷积和子采样层的输入统计滤波后，系统就提取了图像局部的特征，就可以确定它与其他特征之间的相对方位，上一层的输出值直接输入至下一层。通常情况下，我们可以通过特征层来得到卷积层（特征层是指：输入到隐藏层之间的映射）。（二）局部感受野与权值共享。局部感受野：由于图像空间的连接是局部性的，因此每个神经元都不需要感测全部图像，而只需感觉到局部的特征。然后，通过对较高级别感测量的局部神经元进行集成，可以得到整体的信息，并且减少了连接数量。权重分享：不同神经元之间的参数分享可通过降低求解参数，并通过放大器对图像的放大积获得多种特征图。实际上，权重共享图像上的第一隐藏层的所有神经元由于是在同一卷积上确认的，所以均能在图像的任意一个位置检测到毫无差别的特性。他的最主要的功能是能够通过适应小范围的图像和平移从而达到检测不同位置的目的，也就是良好的不变性平移。（三）卷积层、下采样层。卷积层：通过去卷积来提取图像特征，用来强化初始信号原属性，从而减少噪音。下采样层：由于研究人员发现图像下采样过程中，它能在保留信息的同时降低数据处理量，因此在发现某一特定的特征后，由于这个位置并不重要，所以样本会扰乱特定的位置。我们只需要知道这个特征与其他特点之间的空间相对方位，就可以处理类似的物体由变形和变型而产生的变化。（四）卷积神经网络的不足。如果网络层需要加深，每一个网络层增加的神经元数量会大幅增加，从而使模型复杂化，增大了调整参数的难度，也增大了过度拟合的风险。此外，在反向传播过程中，连续迭代会使梯度不断减小，而梯度一旦归零，权值便无法更新，导致神经元失效。（五）展望与总结随着研究人员对卷积神经网络相关的研究不断推进，其性能日益强大，复杂度也日益提升。目前，卷积神经网络的相关研究已经取得了显著成效。然而，一些人工扰动（如向原图片中键入噪点）仍然会导致图像的错误分类。如何解决这一问题，是今后研究的重点。此外，卷积神经网络的结构升级仍有很大空间，通过提升网络结构设计的合理性，可以完善量化分析能力。

三、图像分割

图像中包含很多数据，需要分割图像。然而，精确区分干扰是对整个系统亮度的精确分类和准确划类的前提。图像的分析技术是计算机视觉技术的基础。通过图像分割、提取特征参量等方法可以将原本的图像抽象化，从而便于分析和处理。多年以来，图像的分割技术研究一直是重中之重，研究人员给出了多种分割方法。一般而言，图像分割是将图像划分为不同的区域，给不同的区域赋予不同的权重，从而获取重要对象的一种技术。特征可能是灰度、颜色、纹理等，目标可能对应一个区或多个地方，这与特殊目的应用程序和特殊目的服务请求程序有关。一般而言，图像取值分割分析算法大致来说可以再细分为图形图像取值分割、边缘图像分割、区域分割和重复图像分析四大个门类。

四、火焰色彩虚拟模型的特征

（一）火焰色彩颜色类型特征。火焰色彩模型一般来说是基于某种火焰色彩类型模式，通过在图像阈值控制范围内通过设置某种色彩模型图像阈值来降噪提取火焰颜色特征图像。可以用任何提取静态火焰的特殊像素或者图案方式来精确描述一个静态火焰特征。然而，单纯地依靠颜色模型来进行火焰识别会导致严重的误判。火焰的颜色范围是非常大的，所以它很可能与其他物体颜色相近，导致模型将其混为一谈。（二）降噪在。火焰发展的初期过程中，是不断处于移动变化的。又一方面，火焰的全部运动都不会跳跃，也就是火焰满足相对稳定性。所谓燃烧火灾的相对稳定性，是指在火灾发生后，燃烧范围的空间会成一个相对稳定的扩增趋势扩增。通过分析火灾的相对稳定性，可以消灭许多虚假信号。（三）静态模型。在基于单帧图像识别的算法中，由于只使用了几个以火焰为基准的单一形状特征，因此算法复杂、误判率很高。因此，一个能够自主优化识别的模型就显得十分重要，图像静态特征提取的方法如下：由于曲率在人的视觉系统中往往是观测场景的重要参数，因此提取几何图像曲率等参数，并以此描绘火焰图像；根据测得的数据，描绘连续零曲率以及局部最大曲率、最高曲率正负值等集合特点。（四）动态模型在动态燃烧过程中，产生的火焰具有持续性。此外，根据火焰自身的特性和各种原因，火焰还会不断发生变化。然而，这种变化并不在单个帧图像中反映出来，而是在连续的多帧图像中只反映。因此，提取火焰的动态特征就是分析处理连续多帧图像。近年来，随着火灾科学的发展，从火焰的随机状态中发现了其规则性：1.火焰的面积增长性；2.火焰的形状相似性；3.火焰的整体移动。基于图像的火焰识别算法可划分为动态识别和静态识别。若将这两种算法同步进行应用，则定能增加工作效率。火焰形成的重要特点之一便是火焰形状。对于采集到的ccd火焰图像，首先进行两个连续的图像差分操作，然后通过分割方法获得连续帧的变化区域，使用扫描窗口得到的像素点数来记述连续帧变化区域。变化区域是指：图像处理中，在获得阈值之后，通过对高光度进行科学计算、实验分析，最终得到的区域。当其他高温物体移动到相机或离开视野时，所检测到的目标区域会逐渐扩大，并容易引起干扰，从而造成系统错误的报告。因此，需要将数据和其他图像的关键性特征进行一个高强度的结合，再深度进行挖掘。火焰的形状相似性：图像之间的类似性通常依赖于已知描述特点之间的差异度。该方法能够在任意复杂程度上建立相应的类似性量。我们可以对两个相似的元素进行比较，也可以对两个相似的场面进行比较，图像之间的相似性通常意义上是指场景以及结构上的相似性。在一般情况下，图像的结构相似度往往并不高，因此，我们倾向于选择更加典型的结构特点进行描述，如区域面积、区域亮度、线段长度等参数。虽然火焰的图像序列中火焰的边缘往往是很不稳定的，但图像的总体变化会被限制在一定范围内，而且一般的干扰信号模式包含了固定点或者光照变化，因此，在火焰识别的过程中，可以用初始火焰形状的变化规则与其进行对照。尽管火焰的变化通常呈现出不规则的特性，然而这种不规则在形态、空间分布等方面往往具有某种相似之处，因此，我们可以用连续图像的结构相似性来进行解析。

五、结语

各种高新技术不断飞跃式发展，这为我国消防智能化技术的开发以及与外国新型消防设备之间的碰撞提供了一个良好的契机，而消防装备的智能化已成为一个必然的趋势。自改革开放至今，我国所研究的有关装备智能化领域内取得的成果，已经为我们打下了坚实的发展基础，因此我们更应该加快消防智能化的进程，综合现有所具备的技术，取其精华去其糟粕，适而用之。由于研究条件和专业方向的局限，本文对智能消防装备中的火焰识别技术仍然存在不足。此次智能消防装备的研究方向主要是火焰识别领域，以建立模型的方法进行测算与研究，而对于理论性知识方面的探讨仍存在很大的不足。之后的研究可以从其他方面进行深入的探讨，探究其对系统化建模会产生哪些方面的影响。

参考文献：

[1]喻丽春,刘金清.基于改进MaskR-CNN的火焰图像识别算法[J].计算机工程与应用,2023,964(21):200-204.

[2]肖堃.多层卷积神经网络深度学习算法可移植性分析[J].哈尔滨工程大学学报,2023,41(03):420-424.

[3]郭昆.基于卷积神经网络的建筑风格图像分类的研究[D].武汉理工大学,2017.

[4]徐晓煜.极化合成孔径雷达舰船检测方法研究[D].西安电子科技大学,2017.

[5]黄忆旻.基于图像检索的导游系统的设计与实现[D].苏州大学,2016.

[6]宋戈.火灾自动检测技术在无人值守变电站中的应用[D].沈阳理工大学,2010.

[7]葛勇.基于视频的火灾检测方法研究及实现[D].湖南大学,2009.