摘 要： 在复杂背景下的二维码区域定位一直是QR Code二维条码解码过程中的难题之一。二维码区域扫描定位是通过二维码的图形特点来实现，其存在扫描定位效率较低的缺点。为此提出在扫描定位之前通过图像处理结合BP神经网络实现QR Code二维码条码区域提取方法。火车票通过图像预处理得到可能是二维码的区域块，提取经图像处理后的二维码区域块图像特征并结合BP神经网络过滤出正确的二维码区域。此方法实现了寻找一幅图像中二维码区域的图像，结合二维码图形扫描定位方法，提高了二维码扫描定位的效率，得到了较好的效果。
0 引言
输出节点输出模型：
从RBF网络模型拓扑结构图可以看出，输入层实现从X→R i (x)的非线性映射，输出层实现从R i (x) →yk的线性映射，即
雷暴是一种热对流现象，而对流运动的主要作用是浮力。浮力越强产生的上升运动越强，雷暴的垂直发展越高。空气上升的浮力主要产生在位势不稳定的层结中，因而要形成雷暴必须要有明显的位势不稳定层结。位势不稳定层结的建立主要取决于高低层水汽和热量平流的差异。要造成明显的差异应具备两个条件，即要有明显的垂直切变和明显的水汽和温度差异。
批量仿真：通过使用batchsim，将仿真的执行加载到后台运行
利用隐藏层计算出的每个值，再用相同的方法，和输出层进行计算。
f（x）=1/（1+e-x）（3）
举例说明：
Apache Cassandra数据库的接口：探查Cassandra数据库的键空间和表，将数据导入为MATLAB类型
Jason Yosinski，Jeff Clune，Anh Nguyen，Thomas Fuchs和Hod Lipson。 通过深度可视化了解神经网络。 在2015深度学习研讨会，机器学习国际会议（ICML）上发表。
1．开发环境
目标参数
图：南极冰架坍塌
深度学习
•生成任意印刷结构（PCB）的设计，以及天线制造的Gerber文件
| 预报因子 | 缩写 | 定义或计算 | 意义 |
| 总指数TT | TT | TT= T850+ Td-850- 2T500 | 强对流参数，数值越大，越容易发生对流天气，包括雷暴 |
| K指数 | KI | K= (T850 -T500) +Td-850-( T700 -Td-750) | 在考虑了大气层结不稳定的同时，还考虑了对流层中层的水汽条件，是描述大气暖湿程度和稳定度的综合性指标，一定程度上可以指示雷电活动的潜势。一般来说，K指数越大，大气层结越不稳定。经验表明，当K＞35℃时，大气具有较高的潜能。 |
| 最有利抬升指数BLI | BLI | VT=T850- T500 | 把７００ｈＰａ以下的大气按５０ｈＰａ间隔分层，并将各层中间高度处上的各点分别按干绝热线上升到各自的凝结高度，然后分别按湿绝热线抬升到５００ｈＰａ，得到各点不同的抬升指数，其中的负值最大者即为最有利抬升指数。ＢＬＩ＜０时，大气层结不稳定，且负值越大，不稳定程度越大。 |
| 对流稳定度指数 | IC | IC=θe-850-θe-500 | 表明雷暴发生前的大气层结的不稳定条件 |
| 500hPa相当位温 | SE500 | θe-500 | 500hPa高度上的相当位温，反映了相应高度上面的温湿状况 |
| 850hPa相当位温 | SE850 | θe-850 | 850hPa高度上的相当位温，反映了相应高度上面的温湿状况 |
“MATLAB就是一个能很好满足这四个要求的人工智能工具，它最大的一个好处就是低代码或者无代码建模，可以让用户轻松掌握使用人工智能技术来解决科研难题。”李敬远介绍说。
单精度算法、线性代数、FFT和滤波，方便用户处理更大的单精度数据；
因此，今天我为大家分享快速地将MATLAB英文帮助文档，转为中文的两种方式：
神经网络需要有一定量的历史数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。在需要解决的问题中，首先要找到某些问题的一些特征，以及对应的评价数据，用这些数据来训练神经网络。
例：假如有一串数字，已知前六个是1、3、5、7，9，11，请问第七个是几？
你一眼能看出来，是13。对，这串数字之间有明显的数学规律，都是奇数，而且是按顺序排列的。
那么这个呢？前六个是0.14、0.57、1.29、2.29、3.57、5.14，请问第七个是几？
这个就不那么容易看出来了吧！我们把这几个数字在坐标轴上标识一下，可以看到如下图形：
用曲线连接这几个点，延着曲线的走势，可以推算出第七个数字——7。
由此可见，回归问题其实是个曲线拟合(Curve Fitting)问题。那么究竟该如何拟合？机器不可能像你一样，凭感觉随手画一下就拟合了，它必须要通过某种算法才行。
假设有一堆按一定规律分布的样本点，下面我以拟合直线为例，说说这种算法的原理。
我们知道，直线的公式是y=kx+b，k代表斜率，b代表偏移值(y轴上的截距)。也就是说，k可以控制直线的旋转角度，b可以控制直线的移动。强调一下，梯度下降法的实质是不断的修改k、b这两个参数值，使最终的误差达到最小。
求误差时使用 累加(直线点-样本点)^2，这样比直接求差距 累加(直线点-样本点) 的效果要好。这种利用最小化误差的平方和来解决回归问题的方法叫最小二乘法(Least Square Method)。
注意：对于凹凸不平的误差函数曲线，梯度下降时有可能陷入局部最优解。下图的曲线中有两个坑，切线有可能在第一个坑的最底部趋于水平。
它的维度是50*50=2500，特征数=2500*2500/2=3,125,000。如果是彩色图片，维度会增加到原来的3倍，那么特征数将增加到接近3千万了！
解释一下：+1代表偏移值(偏置项, Bias Units)；X1,X2,X2代表初始特征；w0,w1,w2,w3代表权重(Weight)，即参数，是特征的缩放倍数；特征经过缩放和偏移后全部累加起来，此后还要经过一次激活运算然后再输出。激活函数有很多种，后面将会详细说明。
下面是它们的函数图形，从图中可以看出logsig的数值范围是0~1，而tansig的数值范围是-1~1。
公式中的e叫自然常数，也叫欧拉数，e=2.71828…。e是个很神秘的数字，它是“自然律”的精髓，其中暗藏着自然增长的奥秘，它的图形表达是旋涡形的螺线。
e是怎么来的？e = 1 + 1/1! + 1/2! + 1/3! + 1/4! + 1/5! + 1/6! + 1/7! + … = 1 + 1 + 1/2 + 1/6 + 1/24 + 1/120+ … ≈ 2.71828 (!代表阶乘，3!=1*2*3=6)
再举个通俗点的例子：从前有个财主，他特别贪财，喜欢放债。放出去的债年利率为100%，也就是说借1块钱，一年后要还给他2块钱。有一天，他想了个坏主意，要一年算两次利息，上半年50%，下半年50%，这样上半年就有1块5了，下半年按1块5的50%来算，就有1.5/2=0.75元，加起来一年是：上半年1.5+下半年0.75=2.25元。用公式描述，就是(1+50%)(1+50%)=(1+1/2)^2=2.25元。可是他又想，如果按季度算，一年算4次，那岂不是更赚？那就是(1+1/4)^4=2.44141，果然更多了。他很高兴，于是又想，那干脆每天都算吧，这样一年下来就是(1+1/365)^365=2.71457。然后他还想每秒都算，结果他的管家把他拉住了，说要再算下去别人都会疯掉了。不过财主还是不死心，算了很多年终于算出来了，当x趋于无限大的时候，e=(1+1/x)^x≈ 2.71828，结果他成了数学家。
如果输出层用Purelin作激活函数，Purelin的导数是1，输出层→隐藏层：残差 = -(输出值-样本值)
Andrew Ng的《机器学习》公开课:
https://class.coursera.org/ml
Coursera公开课笔记中文版（神经网络的表示）:
http://52opencourse.com/139/coursera公开课笔记-斯坦福大学机器学习第八课-神经网络的表示
-neural-networks-representation
Coursera公开课视频（神经网络的学习）:
http://52opencourse.com/289/coursera公开课视频-斯坦福大学机器学习第九课-神经网络的学习-neural-networks-learning
斯坦福深度学习中文版：
http://deeplearning.stanford.edu/wiki/index.php/UFLDL教程
p = [2 5; 3 6; 12 2; 1 6; 9 2; 8 12; 4 7; 7 9]’; % 特征数据X1,X2
t = [10 18 24 6 18 96 28 63]; % 样本值
net = newff(p, t, 20); % 创建一个BP神经网络 ff=FeedForward
net = train(net, p, t); % 用p,t数据来训练这个网络
s = [3 7; 6 9; 4 5; 5 7]’; % 准备一组新的数据用于测试
y = sim(net, s) % 模拟一下，看看效果
% 结果是：25.1029 61.5882 29.5848 37.5879
p = rand(1,50)*7 % 生成1行50个0~7之间的随机数
t = sin(p) % 计算正弦曲线
s = [0:0.1:7]; % 生成0~7的一组数据，间隔0.1，用于模拟测试
plot(p, t, ‘x’) % 画散点图
% 创建3层神经网络 [隐藏层10个节点->logsig, 输出层1个节点->purelin] traingd代表梯度下降法
net = newff(p, t, 10, {‘logsig’ ‘purelin’}, ‘traingd’); % 10不能写成[10 1]
注意：newff的第三个参数10不能写成[10 1]，否则就是4层网络，两个隐藏层，分别是10个和1个节点。这个很容易弄错。（输出层的节点数程序会自动根据t的维度自动判断，所以不用指定）
把精度调高一点看看。训练次数加到9999，误差<0.001；学习率调到0.06，希望能加快点速度。
% 创建2层神经网络 [隐藏层10个节点->logsig, 输出层1个节点->purelin] traingd代表梯度下降法
net = newff(p, t, 10, {‘logsig’ ‘purelin’}, ‘traingd’);
net = newff(p, t, 10, {‘logsig’ ‘purelin’}, ‘trainlm’);
… 后面的代码不变
net = newff(p, t, 3, {‘logsig’ ‘purelin’}, ‘trainlm’);
… 后面的代码不变
net = newff(p, t, 3, {‘logsig’ ‘logsig’}); % 创建神经网络
net = train(net, p, t); % 开始训练
y = sim(net, s); % 模拟
plot(s, y, ‘x’) % 画散点图
公式为：归一值 = (当前值x-最小值min)/(最大值max-最小值min)
如果限定了范围，公式为：y = (ymax-ymin)*(x-xmin)/(xmax-xmin) + ymin;
0.1~0.9的范围：(0.9-0.1)(x-min)/(max-min)(0.9-0.1)+0.1
把5, 2, 6, 3这四个数归一化：
a = [5, 2, 6, 3];
b = mapminmax(a, 0, 1) % 归一化到0~1之间
% b = 0.7500 0 1.0000 0.2500
c = mapminmax(a) % 归一化到-1~1之间
% c = 0.5000 -1.0000 1.0000 -0.5000
a = [5, 2, 6, 3];
[c,PS] = mapminmax(a); % PS记录归一化时的比例
mapminmax(‘reverse’, c, PS) % 利用PS反归一化
% ans = 5 2 6 3
p = rand(1,50)*7; % 特征数据
t = sin(p); % 样本值
s = [0:0.1:7]; % 测试数据