1、“.....而不能是或者。否则可能会导致算法无法收敛。在程序中建议读者用来代表，来代表。网络应用过程如图所示。识别识别结果鄂图网络应用流程网络个层的神经元数目的确定训练样本图片图像预处理待识别数据特征提取网络网络应用的第步就是要用已知训练样本来训练网络。这里，网络的输入层的结点个数，为图像预处理后所输出的特征的维数。例如，采用了归化，特征提取采用的是逐像素特征提取法，也即直接利用每个点的像素值来作为特征，这样，对于每个输入样本，就有个特征。所以就可以确定，输入层的结点数为。对于隐层的结点数，没有什么硬性规定，般来说，隐层神经元的数目越多，那么网络也就越精确，训练时间也越长。但要注意，隐层神经元不易选取太多，否则会造成识别率的急剧下降，也会降低网络的抗噪声能力。在本程序中，笔者推荐使用个隐层神经元。读者可以自行测试下当将隐层神经元个数改为个时，训练时间和识别率的变化。对于输入层的结点数的确定，这决定于我们如何设定标准输出。也就是说如何对目标期望输出进行编码。在本程序中，笔者采用了码来对来进行编码。对于输出，采用，这样的目标输出向量来表示，对于输出，采用，这样的输出向量来表示，同理......”。

2、“.....采用，这样的输出向量来表示，对于输出，采用，这样的输出向量来表示。这样来，就可以确定输出层的神经元数目为，也即为输出向量的维数。其实通过后续编程实践可以发现，当采用，这样的目标输出向量的时候，网络无法收敛。那是因为采用的激活函数传输函数的输出永远不可能达到或，而只能是接近。所以，在这里要纠正下目标输出向量。对其重新编码后，最终确定编码方案如下的编码，，，，，的编码，，，，，的编码，，，，，的编码，，，，，的编码，，，，，的编码，，，，，的编码，，，刘海林等技术在车牌识别系统中图像存储方面的应用研究物探化探计算技术柴治,陶青川,余艳梅,何小海种快速实用的车牌字符识别方法四川大学学报自然科学版年月第卷第期是湘全,何苑凌,蔡孟波遗传算法在车牌定位中的应用公路交通科技韩桢祥,文福栓模拟进化优化方法及其应用计算机科学郭捷施鹏飞基于颜色和纹理分析的车牌定位方法中国图像图形学报叶晨洲,杨杰,宣国荣车辆牌照字符识别上海交通大学学报第卷第期陈黎黄心汉王敏李炜基于聚类分析的车牌字符分割方法计算机工程与应用魏武，张起森......”。

3、“.....宣国荣神经网络在车辆牌照字符识别中的应用微型电脑应用年第卷第期徐建阈，贺敬凯车型与车牌自动识别技术分析交通与计算机年第期第卷黎明,杨小芹,刘高航基于多个前向神经网络和遗传算法的边界检测法南昌航空工业学院学报黎明,严超华基于前向神经网络和反馈神经网络的边界检测法中国图像图形学报张大鹏模式识别与图像处理并行计算机系统设计哈尔滨工业大学出版社边肇祺等模式识别北京清华大学出版社黄凤岗,宋克欧等模式识别哈尔滨工程大学出版社张汉江,曹焱,黄升华,李孟军模糊神经网络在运动目标令为第次迭代神经元到神经元连接权，令为这次迭代对应于该权的学习速率，学习速率可按如下调整规则来确定式中，ξ是个正实数，参数和ξ由使用者确定，典型值为，，ξ。作用函数后缩法实验证明，采用此方法，收敛时问平均可减少。第五章系统的实现系统流程图利用神经网络进行字符识别的过程主要包括网络的训练数据的读取字符的判定结果的输出......”。

4、“.....系统对字符进行特征提取，对提取的结果再利用神经网络进行字符识别。特征提取图像经过系列的预处理之后，原来大小不同分布不规则的各个字符变成了个个大小相同排列整齐的字符。下面接要从被分割归处理完毕的字符中，提取最能体现这个字符特点的特征向量。将提取出训练样本中的特征向量代入网络之中就可以对网络进行训练，提取出待识别的样本中的特征向量代入到训练好的网络中，就可以对字符进行识别。特征向量的提取方法多种多样，有逐像素特征提取法骨架特征提取法垂直方向数据统计特征提取法点特征提取法弧度梯度特征提取法等很多方法。本系统选择的是逐像素特征提取法。逐像素特征提取法是中最简单的特征提取法，对图像进行逐行逐列的扫描当遇到黑色像素时取其特征值为，遇到白色像素时取其特征值为，这样当扫描结束以后就形成了维数与图像中像素点的个数相同的特征向量矩阵。这种特征提取方法的特点是算法简单运算速度快可以是网络很快的收敛训练效果好，缺点是适应性不强。但可以通过加大训练样本数目的方法来增强其适应性。样本训练字符特征输入识别并给出结果特征提取神经网络经图像预处理过程和特征提取之后......”。

5、“.....这里，假设设定的字符标准归化的宽度为，高度为，那么对于每个字符就有维的特征。设计网络的关键之处在于高效的特征提取方法大量有代表性的训练样本高效稳定速收敛学习算法。学习算法可以归纳如下第步，设置变量和参数，其中包括训练样本权值矩阵学习速率。第步，初始化，给各个权值矩阵个较小的随机非零向量。第步，输入随机样本。第步，对输入样本，前向计算网络每层神经元的输入信号和输出信号。第步，由实际输出和期望输出求得误差。判断是否满足要求，若满足要求转第步不满足要求转第步。第步，判断是否已经到了最大迭代次数。若到，转第步，否则反向计算每层神经元的局部梯度。第步，根据局部梯度修正各个矩阵的权值。第步，判断是否学习完所有的样本，是则结束，否则转第步。学习中需要注意的几点权值的初始化。权值的初始值应该选择均匀分布的小数经验值。初始值过大或者过小都会影响学习速度。为了避免权值的调整是同向的，应该将初始值设为随机数。初始权值不要太大。否则可能会处于误差平面较平坦的区域，从而导致算法无法收敛，训练失败。神经元的激励函数是型函数。所以如果函数的渐进值是，的话......”。

6、“.....闻生涉外合同的法律适用原则兼论我国的合同法律适用原则中南政法学院学报赵振华论国际私法的价值取向及其对我国立法的影响中南政法学院学报李旺冲突法上的实体法导论法商研究范忠信，侯猛法律冲突问题的法理认识江苏社会科学夏建英我国涉外合同法律适用的缺陷及其完善当代经济期下致谢本毕业设计论文是在我的指导教师胡信华老师的亲切关怀和悉心指导下完成的。他严肃的科学态度，严谨的治学精神，精益求精的工作作风，深深地感染和激励着我。从题目的选择到最终完成，胡信华老师都始终给予我细心的指导和不懈的支持。上规定的最密切联系原则总是项弹性的法律选择原则，它的适用在很大程度上依赖于法官的自由裁量，以致无法保证法律选择的稳定性明确性和预见性。加之，在具体的司法实践中，对何谓与涉外合同法律关系有最密切联系的因素，在国际社会颇有争议，各国均是根据本国的实践，对最密切联系的因素有不同的理解......”。

7、“.....这正说明了以种固定不变的因素作为通行于切涉外合同的最密切联系因素是根本不可能的，也是同最密切联系原则的宗旨不相符合的，应根据各类不同的涉外合同的特点去具体分析和确定于合同有最密切联系的因素。于是，最高人民法院基于上述考虑，于年颁发了关于审理涉外民事或商事合同纠纷案件法律适用若干问题的规定，规定第条以列举的方式对种涉外合同的准据法确定作了规定，并明确如果上述合同明显与另国家或者地区有更密切联系的，适用该另国家或者地区的法律。上述规定，是我国各级人民法院多年来审理涉外合同纠纷案件在法律适用方面的经验总结，与此同时，还借鉴了其他国家地区在确定涉外合同的最密切联系因素方面的立法和时间的优秀经验，总体来说，是比较灵活与科学，实操性比较强的。三国际条约优先适用原则和国际惯例原则在涉外民商事审判中,处理争议的个重要法律依据是调整国际民商事关系的国际条约。中华人民共和国民法通则以下简称民法通则第条第款规定中华人民共和国缔结或者参加的国际条约同中华人民共和国的民事法律有不同规定的,适用国际条约的规定......”。

8、“.....民商事领域的国际条约优先适用原则因此得以确立,成为法官审理涉外民商事案件时适用法律的重要指导原则。这不仅充分表明了我国重视履行国际义务的立场，也反映了我国立法尽可能化解适用法律上的各种矛盾和冲突的良好愿望。此外，当种涉外合同应适用我国法，而我国现行的法律以及我国缔结或者参加的国际条约或者协议没有规定的，可以参照适用国际惯例。如民法通则条第款规定中华人民共和国法律和中华人民共和国缔结或者参加的国际条约没有规定的，可以适用国际惯例。不可轻易忽略的是，对于国际惯例，我国所持的小于大于的数，而不能是或者。否则可能会导致算法无法收敛。在程序中建议读者用来代表，来代表。网络应用过程如图所示。识别识别结果鄂图网络应用流程网络个层的神经元数目的确定训练样本图片图像预处理待识别数据特征提取网络网络应用的第步就是要用已知训练样本来训练网络。这里，网络的输入层的结点个数，为图像预处理后所输出的特征的维数。例如，采用了归化，特征提取采用的是逐像素特征提取法，也即直接利用每个点的像素值来作为特征，这样，对于每个输入样本，就有个特征。所以就可以确定，输入层的结点数为。对于隐层的结点数......”。

9、“.....般来说，隐层神经元的数目越多，那么网络也就越精确，训练时间也越长。但要注意，隐层神经元不易选取太多，否则会造成识别率的急剧下降，也会降低网络的抗噪声能力。在本程序中，笔者推荐使用个隐层神经元。读者可以自行测试下当将隐层神经元个数改为个时，训练时间和识别率的变化。对于输入层的结点数的确定，这决定于我们如何设定标准输出。也就是说如何对目标期望输出进行编码。在本程序中，笔者采用了码来对来进行编码。对于输出，采用，这样的目标输出向量来表示，对于输出，采用，这样的输出向量来表示，同理，对于输出，采用，这样的输出向量来表示，对于输出，采用，这样的输出向量来表示。这样来，就可以确定输出层的神经元数目为，也即为输出向量的维数。其实通过后续编程实践可以发现，当采用，这样的目标输出向量的时候，网络无法收敛。那是因为采用的激活函数传输函数的输出永远不可能达到或，而只能是接近。所以，在这里要纠正下目标输出向量。对其重新编码后，最终确定编码方案如下的编码，，，，，的编码，，，，，的编码，，，，，的编码，，，，，的编码，，，，，的编码，，，，，的编码，，......”。