通过使用基于CUDA的加速混合动力直觉模糊边缘检测和ANN来检测辣椒茎的方向

摘要

近年来，电脑视觉系统几乎用于几乎所有行业领域。在本研究中，通过使用比CPU快79倍的CUDA（GPU）开发了图像处理算法。我们在辣椒的去移过程中使用了这种加速算法。在土耳其的城市，Kahramanmaras和Gaziantep中生产了全国全国生产总量的65％。首先，混合直觉模糊算法边缘检测已被用于预处理原始图像，并且OTSU方法已经用于该算法中的自动阈值。然后，多层的Perceptron人工神经网络已被用于处理图像中的模式的分类。ANN测试Pepper检测方向的结果在基于CPU的实现和基于GPU的实现中显示了高精度性能。

1.介绍

图像处理，改变当前图像和图形，以及在图像中分离、改进或定义一个对象，已经在工业中发现了许多应用领域[1那2］．自1960年以来，这些几乎在空间研究，医疗，军事，教育，农业，工业，地理，考古，物理学，生物学，角色识别，指纹识别等中使用，如空间研究，医疗，军事，教育，农业，依赖，等等3.］．本研究旨在开发图像处理算法，从Kahramanmaras和Gaziantep地区特有的红辣椒中去除用于生产红辣椒片或辣椒粉的辣椒[4.］．红辣椒以辣椒粉或红辣椒片的形式在世界各地因其味、味、香、苦、色而广泛应用于食品中[4.］．

在生产红辣椒或辣椒粉的过程中，使用了两种方法：在阳光下干燥和烘箱干燥[5.那6.］．由于佩珀是一种复杂的过程，少量关于文献中的辣椒的科学研究。专利号US2008 / 0289515A1的研究包括一个用于Destespming Pepper的机械系统[7.］．在本研究中，已经使用了使用激光传感器的机器视觉算法。在新墨西哥州州立大学的M-TEC实验室的另一项研究中，通过使用与X射线摄像机的图像的图像使用远程图像方法的距离来开发到Destem Pepper的计算机视觉系统中，在机械系统中尝试了他们的机械系统8.］．

Destemming辣椒处理仍然通过人力资源进行了本产品的例外。开发系统包括2个图像处理和模式识别阶段。

在图像处理的阶段，新的混合直觉模糊边缘检测（HIFED）算法在线性结构中具有非常成功的结果，因为它根据专家设计师确定的规则提供结果。在该算法中，获得了更稳定的结果，因为它包括犹豫的计算，从而最大限度地减少了经典模糊逻辑中不可用的专家错误。在发达的系统中，HIFED已被用于从摄像机捕获的图像上提取辣椒边缘。在用于边缘提取的纯直觉模糊逻辑（ifed）算法中，在系统设计器确定的静态值上执行阈值处理。施加在静态值上的阈值过程是算法的弱点。因此，在本研究中，OTSU方法，其是在图像的数值中确定自动阈值的方法，用于消除该问题。

在模式识别阶段，采用了人工神经网络算法，该算法主要用于解决具有容错能力的复杂问题。本研究采用多层感知器(multilayer perceptron, MLP)模型来确定提取的边缘的胡椒模式是向上还是向下。

可以看出，基于CPU的应用程序实时实现这些算法很慢。因此，在文献调查中，可以看出，在许多地区应用基于GPU的软件支持的系统已经加速了数十次。对于解决这个问题的解决方案，已使用CUDA技术，这是一种基于GPU的软件开发，由NVIDIA公司开发。

本文的其余部分组织如下。节2，系统结构说明所使用的算法和所开发的计算机视觉系统。节3.的最新方法和报告的分析和结果。最后一部分对研究进行了总结，并结合研究结果提出了结论。

2.系统结构

在图像处理系统中采用了HIFED算法。在纯IFED算法中，阈值是在一个静态值上进行的。为了在工业应用中消除这一缺点，本研究首次使用了利用图像数值自动计算阈值的方法Otsu法，得到了更明显的模式。利用人工神经网络对提取的边缘图像进行分类，确定辣椒的方向。这个分类过程的输出通过驱动电路传送到辣椒反转单元。所开发的系统总体框图如图所示1并且系统的一般算法如图所示2．所开发的系统包括计算机视觉系统、图像捕获、图像处理算法和模式识别算法等子单元。

２.１.计算机视觉系统

计算机视觉系统包括使用帧抓取卡捕获相机图像的过程中的所有阶段，以将它们传送到计算机。在开发系统的同时，确定每单位时间最佳的分辨率，考虑到捕获图像的质量和每单位时间分析的辣椒数量的过程速度。

２.２.图像捕捉

OpenCV库使用数码相机拍摄的图像在基于cpu和基于gpu (CUDA)的软件上进行处理。它是最理想的图像捕捉库，实现了图像的所有功能，工作在CUDA平台上，支持C编程语言进行软件开发。

从连接到系统的摄像机捕捉图像提供了打开空窗口并将摄像机的图像存储在那里。它提供了在基于CPU和gpu的应用程序的处理函数中对存储的帧对象进行图像数值处理的机会[9.］．

２.３.图像处理算法

在发达的系统中，首先在图像上使用算法来确定辣椒的到达到磨床的方向，通过处理胡椒图像。在该算法中，通过试验方法和错误的方法在静态阈值上执行阈值的过程。为了消除这种缺点，使用OTSU方法。因此，获得了HIFED算法[10.］．这些算法用于基于CPU和基于GPU的应用程序。

2.3.1。CUDA和gtx480的基本特性

CUDA是最近开发的硬件和编程API（应用程序编程接口），用于GPU编程，由NVIDIA公司于2006年发布，可以使用略微添加语言。由于其GPU结构，它被许多用户非常容易和有效地使用。

CUDA程序由两部分组成为串行（CPU）和并行（GPU）。调用并行部件核心．由于NVCC (NVIDIA C Compiler)将源代码分离为CPU和GPU代码，因此所需的开发应用程序不能完全由CUDA完成。

本研究使用NVIDIA GTX 480显卡的核心结构。CUDA核心以32组收集，称为流多处理器（SM）。总共有16个短信。这些SMS以32组占用线程，并且每个线程的块被称为翘曲。扭曲中的所有线程都执行相同的代码。设备有3个不同的回忆：全局，常量和纹理存储器。全局存储器是存储GPU中的数据和进程的部分。数据存储到应用程序的结尾。CPU和线程可以进行通信。GTX 480显卡具有1.5 GB DDR5容量。 Constant memory is written by CPU and read by threads. The data is kept till end of the process. It is fast since it is cached and its size is 64 KB. Texture memory is for filtering, image processing, and 3 dimensional area calculations. Data writing process is carried out by CPU, and reading process is carried out by threads. Texture memory size might change between 6 and 8 KB [11.］．这三种类型的存储器可以与主机存储器通信。每个多处理器基本上有三种类型的内存模型。它们是本地内存、寄存器和共享内存。本地内存是线程的内存。它不允许用户访问。共享内存是存储每个线程块数据的地方。共享内存是最快的内存模型，因为线程可以直接到达它[12.］．每个线程块中的共享内存大小被限制为48 KB。

2.3.2。直觉模糊集

zadeh后的[13.]古典模糊逻辑理论，Atanassov声称定义是正确的，但在现实生活中可能无法正确响应。除了Atanassov的索赔之外，还要指出，在真实成员体内无法正确确定现实生活经验中确定的任何值[14.］．对于解决此问题的解决方案，注意到被命名为犹豫值的第三个参数。它应该添加到（1)这就是Zadeh的经典模糊逻辑理论:

这里是每个会员度组件定义为放。根据Zadeh的理论[13.]，非签名价值被取自

这种情况的数学表示如下

Atanassov建议在Zadeh的模糊逻辑集理论中增加一个直觉模糊逻辑的指标或一个犹豫值陈述，如(3.)以减少用户的错误。在这种新情况下，存在带有犹豫值的模糊逻辑表述。已知模糊逻辑集的隶属值和非隶属值之和为1。直观模糊逻辑集理论的总值加上直观度表示为

参数（4.） 如下面所述：（一世） 是使用图形集的会员值。（ii） 直观模糊逻辑的非模糊值。此值是从（5.）。（iii） 是直觉模糊逻辑的犹豫价值。此值是从（6.),是一种不断的犹豫，表现为

2.3.3。直观模糊边缘检测（ifed）

在开发系统中，首先在图像上使用算法来确定辣椒的方向。通过主席和雷，Atanassov的直觉模糊集理论提出了边缘检测应用[15.那16.］．IFED算法基于直觉模糊分歧计算。直觉模糊分歧计算是直觉模糊集中犹豫值的概率计算。定义的集合中每个组件的概率值载于[17.]

两个集合中的每个组件的成员资格值和载于[17.]

Szmidt和Kacprzyk将两个集合间隶属度值的计算，定义为本研究中的两幅图像的像素点，采用汉明和欧氏距离计算方法，表示为(9.） 和 （10.）， 分别 [18.]：

根据Montes和他的同事，指数等价模糊逻辑集，由[19.]

Chira和Ray认为，直观模糊发散计算可以通过两幅图之间的距离计算得到[15.那16.］．因此，如果和是两个图像，根据直觉模糊熵（IFE）之间的值和图片从(12.） 通过使用 （5.） 和 （11.）：

同理，根据IFE之间的散度值和图片从中获得

根据IFE，从总分歧值获得

通过计算直觉模糊逻辑理论中的犹豫值来实现总分歧值

直观模糊发散(IFD)由

IFD方程的陈述明确表示

如果直观模糊逻辑集是从图像和的像素值计算出来的吗直觉模糊逻辑集是用直觉模糊逻辑集作为模板，16个模糊提取集的被人看到了（16个提取集合（18.))，为IFED算法[15.］．模糊提取集是很重要的，因为它们决定了边缘的类型和方向。这些集合代表边缘例子"一种，”“B，“ 和 ”0.表示边缘样本像素等价的边缘提取集。”一种“ 和 ”B.“完全使用试验和错误方法找到值。然而，在文献调查中，可以看出，预测最合适的值和[15.]：

IFD是对每一个进行测量的图像中的像素位置。价值从Max-min关系获得（19.)从模糊提取集和相同大小的图像图片

在 （19.）， 的价值介于模糊提取之间他们的形象图片．是模糊提取集的数量和 是模糊提取集的组成数量的正方形．在处理图像的完整像素位置之后获得。最后，在与每个形式的矩阵中获得原始图像的大小内。通过阈值处理和减薄边缘来实现该IFD矩阵图像。这些阈值和变薄值由试验和错误方法设置。

2.3.4。OTSU方法

由Nobuyuki OTSU提出的OTSU方法是通过图像的数值计算自动阈值的方法。在该方法中，假设图像由两种不同的颜色类组成，作为后平面和正面的图像。计算有区分这两个类的最合适的阈值以最小化方差。OTSU方法是在直方图上计算关于方差计算的阈值[20.］．

方差是一种在其算术平均分析上使一系列数字的分布。在更高的方差的情况下，示出了分散数量的值。在差异较低的情况下，显示了一系列数字的值不会分散[20.］．一系列数字的方差值由 在哪里代表预期的价值，表示预期值的概率值，以及代表加权平均值。在OTSU方法中，从（21）。代表体重等级(一级和二级)和中的阈值。

大津表明，类间方差的最小值和类间方差的最大值是相同的。代表班级平均水平代表课程概率 在哪里作为类别概率和由于阈值是由中的直方图得到的 随着班级的平均值获得 在哪里在 （24）是直方图值的中心值。相似地，计算值比值更高的值直方图上的阈值。

在开发的系统中，采用Otsu方法对混合直觉模糊逻辑边缘检测算法进行自动阈值处理。

2.3.5。基于CUDA的混合直觉模糊边缘检测（HIFED）算法的实现

基于CUDA的HIFED算法分为3个内核，用于实现基于GPU的应用程序。第一个内核用于找到OTSU阈值值。将运行第二个内核以处理IFD应用程序以获取所有像素的图像。第三内核用于在基于图像的OTSU阈值阈值的排出中。算法中的第一个内核1算法中的第二和第三内核2所示。所有的内核都在CUDA显卡的全局内存中使用。HIFED算法流程图如图所示3.[10.］．

2.3.6。人工神经网络（ANN）

神经网络被用作多变量回归，自相关，线性回归和三角替代和其他统计分析和技术的直接替代21］．神经网络具有为复杂或不精确的数据开发通用解决方案的特殊能力，可以用来提取模式，并识别人类或任何计算机技术都无法注意到的非常复杂的趋势。一个经过训练的神经网络可以被看作是一组知识中的“专家”，这组知识是用来分析的。这个专家可以根据重要的新情况提供预测，并回答“如果”问题。通过使用神经网络对数据流进行分析，就有可能发现非专家以前不清楚的重要预测模式。因此，神经网络可以充当专家。具体的网络可以由三个重要的组成部分来定义:传递函数、网络结构和学习规则[22］．定义这些组件非常重要，以找到问题的有效解决方案。神经网络包含一类综合的不同架构。文献中的一个常用的人工神经网络架构是用于分类问题的文献中是多层的感知（MLP），它在模式分类问题中非常有效[23那24］．

由于格林伯格和同事指出，4-50％的人工神经网络训练过程数据应分开培训，其余的用于测试过程，44％的研究模式被分离用于培训，其余用于测试过程[25］．

在本研究中，采用神经网络(MLP)的结构来估计红辣椒去茎机的位置。所有数据包括不同的118个样本，分为两个数据集，如训练(所有数据的52个样本)和测试(所有数据的66个样本)。在本研究中，使用所开发的软件进行神经网络分析，该网络由三层网络组成，一层为输入层(3200个神经元)，一层为隐藏层(70个神经元)，一层为输出层(2个神经元)。设计的人工神经网络如图所示4.．

在人工神经网络模型中，若输入值定义为，输出值定义为，预期值被定义为，误差值是从

当应用计算的误差值时，可以从每个输出的总误差的平方

用输入向量的人工神经网络模型的输入值定义为是从

的值在输出层中获取

重复计算产值，直至误差总平方和可忽略水平，从(26）[26］．

3.实验结果

使用基于GPU和cpu的软件对所开发的系统进行测试，使用CUDA C、c++和c#编程语言，如图所示5.．利用该软件对66种不同花色的辣椒进行了测试。在测试过程中分析了Otsu算法、人工神经网络和HIFED算法的性能。

在基于CPU和基于GPU的应用中测试不同的模式，以分析开发系统中的性能。通过某种模式，通过计算时间分析基于CPU和基于GPU的应用的性能。

３.１.实验一:开发系统对辣椒倒过来的反应

处理从图中的相机捕获的图像后获得的图像6（a）关于基于CPU的应用程序呈现在图中6（b）并在基于GPU的应用中呈现在图中6 (c)．在应用ANN的输入之前，必须提取对象并从边缘图像调整提取的提取图像。在基于CPU的应用中，提取和调整大小的图像在图中呈现6 (d)和6 (f)．类似地，在基于GPU的应用中，提取的对象图像和调整大小的图像如图所示6 (e)和6 (g)．

分析在表中看到的胡椒图案数据1，基于CPU的应用程序的HIFED算法持续6742毫秒，几乎7秒，基于GPU的应用程序持续几乎是0.017秒的近17秒。该算法与CUDA技术加速了383次。基于CPU的应用程序的OTSU算法持续0.55毫秒，基于GPU的应用程序持续几乎0.26毫秒。该算法与CUDA技术加速了两次。来自每个应用程序上模式的数值的阈值是133.基于CPU的应用程序的ANN算法持续75毫秒，基于GPU的应用程序持续近76毫秒。基于CPU的应用程序的响应持续时间几乎是6818毫秒，可能是基于GPU的应用的响应持续时间为0.09秒的93毫秒。该系统与CUDA技术加速了72次。

从表中可以清楚地看到1在基于CPU的应用程序中在7秒内处理一帧，而11在基于GPU的应用程序中的一秒钟内处理11。因此，基于GPU的应用程序适用于实时应用。这种过程持续时间导致成功的结果。

3.2。实验＃2：发达系统对辣椒来向上的响应

处理从图中从相机捕获的图像后获得的图像7(一)基于cpu的应用程序如图所示7 (b)基于gpu的应用程序如图所示7 (c)．从基于cpu的应用程序中提取并调整图像大小用于应用ANN输入如图所示7 (d)和7（f）．同样，基于gpu提取的图像也作为ANN的输入，如图所示7（e）和7（g）．

通过分析表中看到的辣椒图案的数据2，CPU的基于CPU的应用算法持续6627毫秒，几乎7秒，基于GPU的应用程序持续近17秒，为0.017秒。该算法与CUDA技术加速了376次。基于CPU的应用程序的OTSU算法持续0.55毫秒，基于GPU的应用程序持续几乎0.25毫秒。该算法几乎加速了CUDA技术的两次。来自每个应用程序上模式的数值的阈值是123.基于CPU的应用程序上的ANN算法持续79毫秒，基于GPU的应用程序持续近79毫秒。基于CPU的应用程序的响应持续时间几乎是6707毫秒，可能是基于GPU的应用程序的响应持续时间为0.09秒的响应持续时间。该系统与CUDA技术加速了69次。

由于从系统中使用的摄像机捕获的图像为50 fps，因此不可能将其应用于实时应用，因为在基于CPU的应用程序的7秒内处理1帧。然而，在基于GPU的应用程序上，可以将其应用于实时应用，因为11帧在秒内处理。这种过程持续时间导致成功的结果。

3.3。基于CPU的CPU的ANN的准确率

基于cpu应用的人工神经网络得到的测试模式结果分布如表所示3.．从模式中获得了91.30％的高度成功结果。在文献调查中，李和同事以及从人工神经网络获得80％正确结果的同事和同事们是一个成功的结果[27那28］．

3.4。基于GPU的系统的ANN精度率

在表中看到从基于GPU的应用中使用的人工神经网络获得的测试模式结果的分布4.．从模式中获得了85.29%的正确结果。

3．5．CUDA技术对系统的贡献

在开发系统中，它旨在通过开发基于CPU和基于GPU的应用程序来获得系统的最大性能。如表所示5.这是处理系统中的模式的数据，开发系统最多超过OTSU算法快速加速3倍，比混合直觉模糊逻辑检测算法快442倍，比系统的总响应持续时间快79倍最多。在文献调查中，可以看出，这些加速率非常成功。

4.结论

由于除本产品外，辣椒的提取过程仍然是人力完成的，所以无论从加工时间还是用人单位成本来看，都是生产者需要支付的最高费用。由于计算机视觉系统在工业的各个领域都有广泛的应用，所以本研究的目的是通过从摄像机捕捉到的图像中定义辣椒的模式来确定辣椒的方向。在此目标下，采用HIFED算法作为图像处理算法。人工神经网络用于对处理后的辣椒图像进行模式分类。所有的图像处理算法都是利用CUDA技术开发的，利用GPU技术提高系统性能。

边缘检测在通过使用IFED算法从摄像机捕获的图像中完成，该算法由主席和射线开发。由于在IF的过程中使用静态阈值，因此由于图像值导致不可接受的错误级别。Yalçin等。提出具有OTSU方法的HIFED算法，其自动阈值值在图像的数值上的数值用作消除问题的边缘提取算法。

ANN用于辣椒边缘提取的胡椒模式的分类。对于ANN模型，分离118个红辣椒图案中的52种，分离66以进行测试。HIFED的结果缩小为分辨率和适用于ANN的条目，CPU和GPU的准确性分别获得91.30％和85.29％，这是一个非常高的结果。

CUDA NVIDIA GTX 480 GPU支持的显卡用于利用开发系统的性能。在开发系统的同时，开发了两种应用程序以对基于CPU和GPU的基于GPU的过程。通过使用GPU技术，开发系统的加速比OTSU算法快3倍，比最多的速度快442倍，最多比系统的总响应持续时间快79倍。可以看出，这些加速率非常成功。

利益争夺

提交人声明他们没有竞争利益。

参考

1. s . Umbaugh计算机视觉与图像处理，Prentice Hall，纽约，纽约，美国，1998年。
2. R. C.冈萨雷斯和R. E.伍兹，数字图像处理，Pearson Prentice Hall，新泽西州，NJ，美国，第3版，2008年。
3. M. Sonka，V.Hlavac和R. Boyle，图像处理，分析和机器视觉， Nelson Engineering，第四版，2014。
4. C. Akbay, I. Boz, G. Yildiz Tiryaki, S. Candemir，和B. B. Arpaci，“土耳其Kahramanmaras和Gaziantep省的红辣椒生产结构和干燥方法”，KSU自然科学杂志，卷。15，不。2，pp。1-10,2012。查看在：谷歌学术
5. A. Topuz, C. Dincer, K. S. Özdemir, H. Feng, M. Kushad，“不同干燥方式对辣椒类胡萝卜素和辣椒素的影响(Cv.;墨西哥胡椒),“食品化学号，第129卷。3, pp. 860-865, 2011。查看在：出版商的网站|谷歌学术
6. A. Topuz和F. Ozdemir， "影响γ- 在晒干和脱水辣椒粉的类胡萝卜素上的物质和储存，“农业与食品化学杂志，卷。51，不。17，pp。4972-4977，2003。查看在：出版商的网站|谷歌学术
7. R. J. Knorr和J. Victor，“胡椒脱茎”专利No.美国2008/0289515 A1,2008。查看在：谷歌学术
8. R.P. E.甲骨，生产绿色智利脱茎机的开发，设计，制造和测试, 2016,http://www4.hcmut.edu.vn/~aduy/TuDongHoaTrongCN-K2009/Destemmer%20Presentation.pdf．
9. OpenCV，2016年，https://github.com/opencv/opencvv/wiki.．
10. E.Yalçin，H.Badem和M.Güneş，“基于CUDA的混合直觉模糊边缘检测算法”IEEE国际模糊系统会议论文集(FUZZ-IEEE’15)，pp.1-6，伊斯坦布尔，土耳其，2015年8月。查看在：出版商的网站|谷歌学术
11. NVIDIA GeForce GTX 480规范，2016年2月，http://www.geforce.com/hardware/desktop-gpus/geforce-gtx-480/specifications．
12. 英伟达,CUDA C编程指南，第7版，2015年。
13. L. A.Zadeh，“模糊套”，信息和计算，第8卷，第2期3，页338-353,1965。查看在：出版商的网站|谷歌学术|MathSciNet
14. K.T.Atanassov，“直觉模糊套”，模糊套装和系统，卷。20，没有。1，pp。87-96,1986。查看在：出版商的网站|谷歌学术|MathSciNet
15. T. Chaira和A. K. Ray，“直觉模糊集理论及其在边缘检测中的应用”，应用软计算杂志，第8卷，第2期2，页919-927,2008。查看在：出版商的网站|谷歌学术
16. T.主席和A. K. Ray，“使用模糊分歧的分割”，模式识别字母，第24卷，第2期第12页，第1837-1844页，2003。查看在：出版商的网站|谷歌学术
17. c·e·香农，《交流的数学理论》贝尔系统技术期刊第27卷第2期3，第379-656页，1948。查看在：谷歌学术
18. E. szmidt和J.Kacprzyk，“直觉模糊套装”，“模糊套装和系统，卷。118，没有。3，pp。467-477，2001。查看在：出版商的网站|谷歌学术
19. S. Montes, I. Couso, P. Gil，和C. Bertoluzza，《模糊集之间的散度度量》，国际近似推理杂志，第30卷，第2期2，页91-105,2002。查看在：出版商的网站|谷歌学术|Zentralblatt Math.
20. N.OTSU，“灰级直方图的阈值选择方法”，IEEE系统、人与控制论汇刊，卷。9，不。1，pp。62-66,1979。查看在：出版商的网站|谷歌学术
21. I. Enayatollahi, A. Aghajani Bazzazi，和A. Asadi，“神经网络和多元回归分析预测露天矿岩石破碎的比较”，岩石力学与工程，卷。47，没有。2，pp。799-807，2014。查看在：出版商的网站|谷歌学术
22. P. K. SIMPSON，人工神经系统：基础，范式，应用与实施，佩尔加蒙新闻，纽约，纽约，美国，1990年。
23. I. Masood和A. Hassan，“协同安识别人员监测和诊断多变量流程转变模式”软计算与模式识别国际会议录(SOCPAR '09)，第266-271名马来西亚马六甲市266-271，2009年12月。查看在：出版商的网站|谷歌学术
24. I. Yilmaz和O. Kaynar，“多元回归，Ann（RBF，MLP）和ANFIS模型，用于预测粘土污染的膨胀潜力”具有应用的专家系统第38卷第2期5, pp. 5958-5966, 2011。查看在：出版商的网站|谷歌学术
25. S. Greenberg, H. Guterman，和S. R. Rotman，“自动航空图像识别的无监督神经网络分类器”以色列电气和电子工程师第19次公约的诉讼程序，pp.212-215，IEEE，耶路撒冷，以色列，1996年11月。查看在：谷歌学术
26. F. L. Lewis, A. Yeşildirek, K. Liu，“具有跟踪性能保证的多层神经网络机器人控制器”，神经网络上的IEEE交易，第7卷，第5期2，页388-399,1996。查看在：出版商的网站|谷歌学术
27. J. S. Lee, S. K. Kim, D. S. Lee, M. C. Lee, and K. S. Park，“一种用于自动解释F-18FDG脑PET中致痫区域的神经网络分类器”，发表于IEEE工程医学与生物学会第20届国际年会论文集，页1408-1411，香港，1998年11月。查看在：出版商的网站|谷歌学术
28. M.T. Do，J.M. Harb和K.C.Norris，“识别蜘蛛的模式识别系统的测试”昆虫学研究通报，卷。89，没有。3，pp。217-224,999。查看在：出版商的网站|谷歌学术

版权

版权所有©2016 Mahit Gunes and Hasan Badem。这是一篇发布在创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。