论文部分内容阅读
提出一种快速的、鲁棒性的人工神经网络目标识别方法。针对工业环境中常用机械工具的识别，通过正规化目标图像和正交复值的Ｚｅｒｎｉｋｅ矩变换提取目标的平稳我、比例及旋转不变性特征，应用具有２个隐层的ＢＰ网络学习与识别这些特征敌意一。对４类具有一个自由度的机械工具进行识别实验，表明该方法优于最近分类决策规则，对噪声及循环矢量变化具有鲁棒性，并达到９５％的识别率。