基于人工神经网络的机械工具的识别方法

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移、比例及旋转不变性特征，应用具有 ２ 个隐层的 Ｂ Ｐ网络学习与识别这些特征矢量。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邻分类决策规则，对噪声及特征矢量变化具有鲁棒性，并达到 ９５％ 的识别率。