3．1 輸入層的設計
在圖像經過二維小波處理后，每一幅圖像就可以用一個向量來表示，提取每一幅圖像的低頻部分作為神經網絡的輸入。這樣可以減少神經網絡的輸入維數，降低神經網絡的數據處理量。
3．2 隱層的選擇
隱層的神經元數目與問題的要求、輸入／輸出單元的數目都有直接關系，數目太多會導致學習時間太長、誤差不一定最佳，也會導致容錯性差、不能識別以前沒有看到的樣本，因此一定存在一個最佳的隱單元數。參照以往實驗，本次采用了公式n1=n+m+a(m為輸出神經元數，n為輸入單元數，a為[1，10]之間的常數)來確定隱層的神經元數目，取得了較好的效果。
3．3 輸出層的設計
輸出層的維數可根據使用者的要求確定。如果將BP網絡用做分類器，類別模式一共有m個，那么輸出層神經元個數為m或log2m。在實驗時采用了20個人的掌紋圖像，因此類別總共有20個，即m=20，所以應取輸出層神經元個數為20或log220，本次選取的輸出層神經元個數為20。

4 實驗結果和分析
本文實驗是借助香港理工大學的Poly-U掌紋圖像庫進行的。Poly-U掌紋圖像庫中包含40人的掌紋圖像，每人10幅圖像，共400幅，每幅原始圖像256個灰度級，分辨率為129×129。本次試驗隨機挑選20人，每人10幅的圖像中，選擇5幅用來作為樣本數據進行訓練，另外5幅作為測試樣本用來進行檢驗。掌紋圖像首先經過圖像預處理，再經過小波變換來4為未經過小波變換處理的神經網絡訓練圖，圖5為經過小波變換處理的神經網絡訓練圖。圖6為兩種方法下的不同掌紋檢測樣本的識別效果圖。

由圖4和圖5的實驗結果可知，未經過小波變換處理的圖像直接送到神經網絡，其網絡訓練步數為500，經過小波變換處理后的圖像送到神經網絡，其訓練步數為210，發(fā)現收斂步數明顯降低；收斂用時明顯減少；識別率明顯提高。同時由圖6可知，這種將小波變換與BP神經網絡相結合進行掌紋識別方法不僅可以大大縮短神經網絡的訓練時間，同時也能提高人臉圖像的識別率。

5 結束語
針對以往直接采用BP神經網絡對掌紋進行識別時收斂速度慢、識別率不高等問題，本文采用小波變換與BP神經網絡相結合的方法來對掌紋進行識別。通過實驗證明，這種方法與單一的BP神經網絡的方法相比較，具有訓練時間短、識別率高等優(yōu)點。如何克服BP神經網絡容易陷于局部極小值問題將是今后研究的一個方向。