5.3 离散型Hopfield神经网络与交通标志识别

随着社会经济的发展，现代交通日益发达，但随之而来的交通安全和交通拥堵也造成了严重的社会问题，影响了人们的正常生活。因此，智能交通系统（IntelligentTransportation System）的研究便应运而生，并快速发展。对道路交通标志识别的研究也成为现今一个热门的研究领域。本章试图通过Hopfield神经网络的方法对图像识别的效果进行改善，常见的交通标志如图5-2所示。

对常见的交通标志进行识别的MATLAB程序如下。

Step 1： 载入各类交通标志。

Step 2： 为了统一神经网络的输入维数，将交通标志转换为70×70的二进制格式，由于Hopfeld神经网络识别能力的限制，本程序只选择三种交通标志，如图5-3所示。

Step 3： 创建Hopfield神经网络。

Step 4： 检查样本点是否为稳定点。Hopfield神经网络越复杂，它所包含的伪吸引子（或者假稳定点）就越多，可能造成待检测点收敛于伪吸引子，甚至出现混沌现象。因此，所有递归类型的神经网络都有必要进行稳定性检验。

理论表明，相对于对称权值矩阵的Hopfield神经网络，拥有非对称权值矩阵的Hopfield神经网络具有更强的稳定性，但它的设计也更加困难。一个可供参考的思路是通过粒子群算法和遗传算法等优化方法对权值矩阵进行优化，提高神经网络的稳定性。

一个简单的检验神经网络稳定性的方法是将样本期望值输入神经网络，如果它能一步就收敛于期望值，说明它在样本点上是稳定的。但这只是充分条件，难以说明它在所有点上都稳定。具体代码如下。

Step 5： 由于Hopfield神经网络存在识别能力上限，因此需要检查识别量是否超过最大模式数。

Step 6： 生成带噪声的交通标志。

Step 7： 交通标志识别，分别将含噪声的交通标志输入Hopfield神经网络，经过200步的迭代得到稳定的输出，然后比较稳态输出与期望输出的差值。仿真结果表明，稳态输出后的图像信号略有增强，但图像质量改善不显著，其原因在于权值矩阵维数过高和伪稳定点过多，导致图像信号难以收敛到真稳定点，所以该程序仍有进一步的提升空间。

另外，本代码段有一段测试代码，用于说明Hopfield神经网络如何仿真神经网络的输出，便于读者理解Hopfield神经网络的内部运行机理。

Step 8： 结果显示，如图5-4所示。