文献综述
摘要
数字图像处理的最终目的是用计算机代替人去认识图像和找出一副图像中人们感兴趣的目标，这是计算机模式识别的主要内容。模式识别技术是用机器来模拟人的各种识别能力，当前主要是模拟人的视觉和听觉能力。图像模式识别是用机器对文字、图像、图片和景物等模式信息加以处理和识别，用以解决计算机与外部环境直接通信这一重要问题。解决图像识别的方法概括起来可分为统计模式识别、结构模式识别、模糊图像识别与智能模式识别。
在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。
20 世纪 80 年代新兴的人工神经网络，人工神经网络（Artificial Neural Networks）也简称为神经网络或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。作为一种广义的智能模式识别法，具有高度的并行性、分布式存储、良好的容错性、自适应性和联想记忆功能、高度的非线性处理等能力，在模式识别领域中取得了许多传统方法所难达到的成就。而神经网络图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新兴图像识别技术，是在传统的图像识别方法的基础上融合神经网络算法的一种图像识别方法。
课题国内外现状
随着人工智能技术的发展，特别是80年代人工神经网络研究的再次兴起，为图像识别技术的研究提供了新的途径。国外的神经网络图像识别技术起步比较早，目前已经能够走出实验室，并在图像信息处理中得到了应用，特别是一些著名的集成电路制造公司，如Intel，Motorola及松下，日立等均已推出自己的神经网络芯片，极大的推动了神经网络图像识别的发展和应用。
国内对神经网络图像识别技术研究起步比较晚，1990年中国科技大学的吴健康等人开始研究神经网络在图像识别中的应用，他们利用Hopfield网络完成对简单图像的匹配识别，该方法在收敛性方面不够理想，而且对有尺度变化的图像不能进行正确匹配，黎倩等人提出基于双Hopfield神经网络假设检验的图像匹配方法对其改进，实现了对工件图的位移，旋转，制度变化的不断识别，由于神经网络图像识别存在样本训练时输出和输入要一一对应，识别速度不如模糊系统快等缺点，神经网络技术与模糊理论，证据理论，贝叶斯决策理论等技术相结合进行图像识别已经成为神经网络图像识别技术的发展趋势。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
