摘 要：主要利用人工神經(jīng)網(wǎng)絡(luò)的理論知識研究在圖像識別中的應(yīng)用為目的，研究圖像識別中圖像分割的技術(shù)，同時詳細分析了多層前饋神經(jīng)網(wǎng)絡(luò)的描述及 BP算法工作過程。介紹隱層的選擇及隱層神經(jīng)元數(shù)選擇的一些經(jīng)驗方法。針對BP算法存在的問題，提出加可變動量因子的 BP 算法，通過對網(wǎng)絡(luò)訓(xùn)練過程參數(shù)調(diào)整以及增加可變動量因子等方面進行優(yōu)化改進，實驗證明加快了訓(xùn)練速度，改善了BP網(wǎng)絡(luò)的學(xué)習(xí)效果。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；圖像分割

中圖分類號：TP183文獻標識碼：A

文章編號：1004-373X(2008)08-127-04

Research on Image Recognition Based on Artificial Neural Network

LEI Jianfeng，SUN Junyi

(School of Computer，Hubei University of Technology，Wuhan，430068，China)

Abstract：By using the knowledge of artificial neural network，the application and image segmentation im image recognition are researched，the multilayer feedforward neural network and process of BP algorithm are analysed in a detail.Sorne methods of hidden tier and hidden tier neuron chosen are introduced.Aiming at Problems of BP，variable factor BP algorithm is proposed.By adjusting network training process parameter and optimizing variable factor，the experiment proves that training speed is incteased，study effect of BP network is improved.

Keywords：artificial neural network;BP neural network;image segmentation

1 前 言

如今在圖像識別的發(fā)展中，出現(xiàn)了幾類有代表性的理論和方法：

(1) 匹配的圖像識別方法；

(2) 句法圖像識別方法；

(3) 模糊圖像識別方法；

(4) 神經(jīng)網(wǎng)絡(luò)圖像識別方法。

本文主要講述神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用與研究。由于人工神經(jīng)網(wǎng)絡(luò)具有信息分布式存儲、大規(guī)模自適應(yīng)并行處理、高度的容錯性等優(yōu)點^[1，2]，特別是其學(xué)習(xí)能力和容錯性對處理圖像識別問題具有獨到之處。神經(jīng)網(wǎng)絡(luò)目標識別，一般需要兩個過程：訓(xùn)練過程和實際識別過程。在訓(xùn)練過程通過有指導(dǎo)或無指導(dǎo)學(xué)習(xí)方式對大量有代表性樣本學(xué)習(xí)，把通過學(xué)習(xí)得到的經(jīng)驗存儲在網(wǎng)絡(luò)結(jié)構(gòu)中，學(xué)習(xí)完畢即找到一組合適的網(wǎng)絡(luò)連接權(quán)值。在識別過程中當把未知模式輸入到網(wǎng)絡(luò)中時能根據(jù)學(xué)習(xí)到的知識對未知模式進行判斷。對于網(wǎng)絡(luò)識別結(jié)果是否為目標或為何種目標，常用0，1組合的形式表示。當然有時也采用最大或最小準則，即當神經(jīng)網(wǎng)絡(luò)輸出層中輸出最大(或最小)的節(jié)點對應(yīng)的圖像屬性為輸入圖像的屬性。常用于識別的神經(jīng)網(wǎng)絡(luò)有 BP神經(jīng)網(wǎng)絡(luò)與 Kohonen 神經(jīng)網(wǎng)絡(luò)，本文以BP神經(jīng)網(wǎng)絡(luò)為研究對象。人工神經(jīng)網(wǎng)絡(luò)進行目標識別的優(yōu)勢在于通過對有代表性的樣本進行學(xué)習(xí)，能識別帶有噪聲或形變的輸入模式，能把識別處理和若干預(yù)處理融合成一體進行，此外經(jīng)過學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)具有較高的容錯性、推理能力和魯棒性。圖1給出了神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識別的一般模型。

圖1 神經(jīng)網(wǎng)絡(luò)目標識別框圖

2 圖像識別技術(shù)

2.1 簡介

圖像技術(shù)在廣義上是各種與圖像有關(guān)的技術(shù)總稱，目前人們主要研究的是數(shù)字圖像，應(yīng)用的是計算機圖像技術(shù)。圖像技術(shù)的內(nèi)容非常豐富，根據(jù)抽象程度和研究方法等的不同可分為3個層次：圖像處理、圖像分析、圖像理解。他是一門系統(tǒng)地研究各種圖像理論、技術(shù)和應(yīng)用的交叉學(xué)科，他與數(shù)學(xué)、物理學(xué)、生物學(xué)、電子學(xué)計算機科學(xué)等許多學(xué)科互相借鑒，他與模式識別、計算機視覺、計算機圖形學(xué)等多個學(xué)科互相交叉。另外圖像技術(shù)的研究與人工智能、神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊邏輯等理論進一步密切聯(lián)系。

2.2 圖像處理、圖像分析與圖像理解的關(guān)系

圖像處理 [HTSS]圖像處理包括圖像編碼、圖像增強、圖像壓縮、圖像復(fù)原、圖像分割等。處理的目的，主要在于解決2個問題：一是判斷圖像中有無需要的信息；另一是確定這些信息是什么。

圖像識別 [HTSS]圖像識別是對上述處理后的圖像進行分類，確定類別名稱，他可在分割的基礎(chǔ)上選擇需要提取的特征，并對某些參數(shù)進行測量，再提取這些特征；最后根據(jù)測量結(jié)果作分類。所以圖像識別是在上述分割后的每個部分中，找出他的形狀及紋理等特征，即特征抽取(有時也包括圖像分割)，以便對圖像進行分類，并對整個圖像做結(jié)構(gòu)上的分析。

圖像理解 [HTSS]他是在圖像處理及圖像識別的基礎(chǔ)上，再根據(jù)分類作結(jié)構(gòu)句法分析，去描述圖像和解釋圖像。因而圖像理解包括圖像處理、圖像識別和結(jié)構(gòu)分析。對理解部分來說，輸入是圖像，輸出則是圖像的描述與解釋。

2.3 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)并不是一個十分嚴格的概念，現(xiàn)在，人們傾向于把那些具有大量(或多個)簡單計算單元、單元之間具有廣泛的連接、且連接的強度(有時還包括單元的計算特性)可根據(jù)輸入輸出數(shù)據(jù)調(diào)節(jié)的算法或結(jié)構(gòu)模型稱為一種人工神經(jīng)網(wǎng)絡(luò)。不同的單元計算特性(神經(jīng)元類型)、單元間的連接方式(網(wǎng)絡(luò)結(jié)構(gòu))和連接強度調(diào)節(jié)的規(guī)律(學(xué)習(xí)算法)形成了不同的人工神經(jīng)網(wǎng)絡(luò)模型。從誕生至今僅短短半個多世紀，由于他具有信息的分布存儲、并行處理以及自學(xué)習(xí)能力等優(yōu)點，已經(jīng)在信息處理、模式識別、智能控制及系統(tǒng)建模等領(lǐng)域得到越來越廣泛的應(yīng)用。尤其是基于誤差反向傳播(Error Back Propagation)算法的多層前饋網(wǎng)絡(luò)BP網(wǎng)絡(luò)(MultipleLayer Feedforward Network)，可以以任意精度逼近任意的連續(xù)函數(shù)，所以廣泛應(yīng)用于非線性建模、函數(shù)逼近、模式分類等方面。這里討論的是將要識別的目標物體用成像頭(紅外或可見光等)攝入后形成的圖像信號序列送入計算機，用神經(jīng)網(wǎng)絡(luò)識別圖像的問題。

3 BP神經(jīng)網(wǎng)絡(luò)

3.1 BP網(wǎng)絡(luò)算法

BP網(wǎng)絡(luò)是采用WidrowHoff學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。一個典型的BP網(wǎng)絡(luò)采用的是梯度下降算法，也就是WidrowHoff算法所規(guī)定的。backpropagation就是指的為非線性多層網(wǎng)絡(luò)計算梯度的方法。

BP網(wǎng)絡(luò)結(jié)構(gòu)算法描述：

(1) 初始化網(wǎng)絡(luò)參數(shù)；學(xué)習(xí)參數(shù)，如設(shè)置網(wǎng)絡(luò)初始權(quán)矩陣、學(xué)習(xí)因子等。

(2) 提供訓(xùn)練模式，訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求。

(3) 前向傳播過程：對給定訓(xùn)練模式輸入，計算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若有誤差，則執(zhí)行(4)；否則，返回(2)。

(4) 后向傳播過程：計算同一層單元的誤差；修正權(quán)值和閾值；返(2)。

3.2 BP網(wǎng)絡(luò)隱層個數(shù)的選擇

對于含有一個隱層的三層BP網(wǎng)絡(luò)可以實現(xiàn)輸入到輸出的任何非線性映射。增加網(wǎng)絡(luò)隱層數(shù)可以降低誤差，提高精度，但同時也使網(wǎng)絡(luò)復(fù)雜化，增加網(wǎng)絡(luò)的訓(xùn)練時間。誤差精度的提高也可以通過增加隱層結(jié)點數(shù)實現(xiàn)。一般情況下，應(yīng)優(yōu)先考慮增加隱含層的結(jié)點數(shù)。

3.3 隱含層神經(jīng)元個數(shù)的選擇

當用神經(jīng)網(wǎng)絡(luò)實現(xiàn)網(wǎng)絡(luò)映射時，隱含層神經(jīng)元個數(shù)直接影響著神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和歸納能力。隱含層神經(jīng)元數(shù)目較少時，網(wǎng)絡(luò)每次學(xué)習(xí)的時間較短，但有可能因為學(xué)習(xí)不足導(dǎo)致網(wǎng)絡(luò)無法記住全部學(xué)習(xí)內(nèi)容；隱含層神經(jīng)元數(shù)目較大時，學(xué)習(xí)能力增強，網(wǎng)絡(luò)每次學(xué)習(xí)的時間較長，網(wǎng)絡(luò)的存儲容量隨之變大，導(dǎo)致網(wǎng)絡(luò)對未知輸入的歸納能力下降，因為對隱含層神經(jīng)元個數(shù)的選擇尚無理論上的指導(dǎo)，一般綜合考慮，憑經(jīng)驗確定。

3.4 關(guān)于BP網(wǎng)絡(luò)優(yōu)缺點的討論

多層前向BP網(wǎng)絡(luò)是目前應(yīng)用最多的一種神經(jīng)網(wǎng)絡(luò)形式，但他也不是非常完美，為了更好地理解應(yīng)用神經(jīng)網(wǎng)絡(luò)進行問題求解如下。

3.4.1 BP網(wǎng)絡(luò)優(yōu)點

(1) 網(wǎng)絡(luò)實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，數(shù)學(xué)理論證明他具有實現(xiàn)任何復(fù)雜非線性映射的功能，適合求解于內(nèi)部機制復(fù)雜的問題。

(2) 網(wǎng)絡(luò)通過實例可自動提取合理的求解規(guī)則，即有自學(xué)能力。

(3) 具有推廣、概括能力。

3.4.2 BP網(wǎng)絡(luò)存在問題

(1) BP算法慢，前面曾提到BP算法是梯度下降法但他所要優(yōu)化的目標函數(shù)是復(fù)雜的，所以出現(xiàn)鋸齒形現(xiàn)象，算法也就低效果。

(2) 存在麻痹現(xiàn)象，優(yōu)化的目標函數(shù)復(fù)雜導(dǎo)致神經(jīng)元輸出接近0或1時，出現(xiàn)平坦區(qū)，權(quán)值誤差改變小，使得過程顯得趨于停頓。

(3) 為了使網(wǎng)絡(luò)執(zhí)行BP算法，不能用傳統(tǒng)的一維搜索法求每次迭代的步長，而必須把步長的更新規(guī)則預(yù)先賦予網(wǎng)絡(luò)，這樣將引起算法低效。

4 利用BP神經(jīng)網(wǎng)絡(luò)進行圖像分割

圖像分割是一種經(jīng)典的目標檢測技術(shù)，他依據(jù)圖像的灰度、顏色或幾何性質(zhì)將圖像中具有特殊含義的不同區(qū)域區(qū)分開來，這些區(qū)域是互不相交的，每一個區(qū)域都滿足特定區(qū)域的一致性的要求，而任意兩個相鄰部分的合并都會破壞這種一致性^[3]。比如對含有目標物體的圖像，不僅需要將圖像中屬于該物體的像素(或16物體特征像素點)從背景中分割出來，而且還要將屬于不同物體的像素點分離開。一般分割出來的區(qū)域應(yīng)該同時滿足：

(1) 分割出來的圖像區(qū)域具有均勻性和連通性。其中，均勻性指的是該區(qū)域中的所有像素點都滿足基于灰度、紋理、色彩等特征的某種相似性準則；連通性是指該區(qū)域內(nèi)存在連接任意兩點的路徑。

(2) 相鄰分割區(qū)域之間針對選定的某種差異具有顯著性。

(3) 分割區(qū)域邊界應(yīng)該規(guī)整，同時保證邊緣的空間定位精度。

借助集合概念對圖像分割可給出如下比較正式的定義^[4]：

令集合R代表整個圖像區(qū)域，對R的分割可看作將R分成N個滿足下列5個條件的非空子集(子區(qū)域)R1，R2，…，RN；

① ∪Ni=1Ri=R；

② 對所有的i和j，有Ri∩Rj=；(i≠j)；

③ 對i=1，2，…，N，有P(Ri)=true；

④ 對i≠j，有P(Ri∪Rj)=1;

⑤ 對i=1，2，…，N，Ri是連通區(qū)域。

其中P(R)是對所有在集合R中元素的邏輯謂詞，代表空集。

傳統(tǒng)的圖像分割方法是基于R ，G，B閾值法來判斷該點是否為目標像素點。由于噪聲和背景的干擾，往往不能取得質(zhì)量良好的目標圖像。利用BP網(wǎng)絡(luò)解決類似問題時，首先是對BP網(wǎng)絡(luò)進行訓(xùn)練，然后將網(wǎng)絡(luò)應(yīng)用于圖像分割。BP網(wǎng)絡(luò)在分割圖像時，本質(zhì)上是將待處理圖像中的各點聚類為目標像素和非目標像素。正確聚類后去除非目標像素，從而得到目標圖像。

BP網(wǎng)絡(luò)的訓(xùn)練過程就是修正各層神經(jīng)元間的連接權(quán)系數(shù)的過程：輸入模式由輸入層節(jié)點直接傳送到隱藏層各節(jié)點上。在隱藏層，經(jīng)過各單元的特性為S型函數(shù)轉(zhuǎn)換后，作為下一層的輸入信息。該信息經(jīng)過同樣的轉(zhuǎn)換，一直進行前傳，直到從輸出層輸出響應(yīng)信號。該過程可以描述如下^[5]:

設(shè)一個具有Q層的BP人工神經(jīng)網(wǎng)絡(luò)(Artificial NeuralNetwork，ANN)，如圖2所示。其中第1層為輸入層，第Q層為輸出層，中間各層為隱藏層。又設(shè)第q(q=1，2，3，…，Q)層的節(jié)點個數(shù)為nq，第q層的第i個神經(jīng)元與第q-1層各神經(jīng)元連接的各連接權(quán)系數(shù)為ωij。那么節(jié)點i的輸入為:



xi(q)=∑nq-1j=1ωij(q)yj(q-1)(1)



設(shè)輸入輸出樣本的個數(shù)為P組，其中p=(1，2，3，…，P)；x(0)p=\\[x(0)p1，x(0)p1，…，x(0)pn0\\]T為系統(tǒng)輸入激活樣本，dp=\\[ d(0)p1，d(0)p1，…，d(0)pnQ\\]T為系統(tǒng)輸出響應(yīng)的目標值。輸出響應(yīng)就與期望響應(yīng)進行比較，得到誤差信號Ep ，該信號作為學(xué)習(xí)信號沿與前向路徑相反的方向回傳，同時逐層修改連接權(quán)系數(shù)，直到修正完所有層間的連接權(quán)系數(shù)，從而完成一個學(xué)習(xí)過程。即:



E=12∑PP=1∑nQi=1dpi-y(Q)pi2=∑PP=1EP(2)



那么:



EP=12∑PP=1di-y(Q)pi2(3)



權(quán)系數(shù)矩陣的修正是基于以下公式進行迭代的：



[WTHX]w[WTBX](q)ij(t+1)=[WTHX]w[WTBX](q)ij(t)+ηE[WTHX]w[WTBX]qij(4)



η為系統(tǒng)的“學(xué)習(xí)效率”；E為系統(tǒng)響應(yīng)誤差。

圖2 BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

5 前饋神經(jīng)網(wǎng)絡(luò)的設(shè)計

5.1 BP算法的改進

從上面描述的BP算法的缺點中，可以知道BP算法不能夠快速收斂到全局最小。所以必須靠BP本身的優(yōu)化和改進。以往對 BP 算法的改進多是對學(xué)習(xí)步長進行改進^[610]。的確在實際應(yīng)用中，步長η的選擇相當重要，η大則收斂快，但過大則可能引起不穩(wěn)定；η小可避免振蕩，但收斂速度變慢，為解決這一矛盾，這里提出在權(quán)值修改公式中加入動量項，即權(quán)值公式改寫為：



Δ[WTHX]w[WTBX]ji(n)=aΔwji(n-1)+ηδj(n)yj(n)(5)

η=2λ(λ=δ(n-1)y(n-1)δ(n)y(n))(6)



式中第二項是常規(guī)BP算法的修正量，第一項稱為動量項。當順序加入訓(xùn)練樣本時，上式可寫成以t為變量的時間序列，t由0到n，因此上式可看作是Δωji一階差分方程，對Δωji(n)求解，可得：



Δwji(n)=η∑nt=0an-1δj(t)y(t)

=-η∑an-1E(t)wji(t)(7)



當本次的E(t)wji(t)與前一次同符號時，其加權(quán)求和值增大，使Δωji(n)放大，從而在穩(wěn)定調(diào)節(jié)時增加ω的調(diào)節(jié)速度；E(t)wji(t)前一次符號相反時，說明有一定振蕩，此時指數(shù)加權(quán)和結(jié)果使Δωji(n)減小，起到穩(wěn)定作用。為了加快網(wǎng)絡(luò)學(xué)習(xí)速度，本文提出在學(xué)習(xí)過程中加入可變動量項，因為在訓(xùn)練初期實際輸出與理論輸出差距較大，可使網(wǎng)絡(luò)權(quán)值調(diào)整范圍大一些，因此可使動量項系數(shù)α較大，隨著學(xué)習(xí)過程的進行實際輸出與理論輸出的差距變小，可使α 值減小。實際應(yīng)用中α分階段取3個值，設(shè)E為理論輸出與實際輸出的均方差。則根據(jù)E的不同α可寫為如下形式：

 

a=0.9E≥1

a=0.51>E>0.5

a=0.2E≤0.5[JB)](8)



5.2 實驗仿真討論

本文選擇2類實際采集的圖像用來驗證方法有效性。圖像大小為128×128，每類共100 幅，圖像如圖3和圖4。

圖3 樣本1

圖4 樣本2

圖像中的目標存在尺度、角度、位置的變化，需要特別說明的是，圖像尺度變化時，最小不能小于整幅圖像的三分之一。這里使用的神經(jīng)網(wǎng)絡(luò)為雙隱層網(wǎng)絡(luò)。這主要是從識別性能及收斂速度考慮。其中第1隱層和輸入特征向量維數(shù)相同，第2隱層采用m=n+o2+a，其中a為零。網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 識別網(wǎng)絡(luò)結(jié)構(gòu)圖

以圖3中圖像的物體為目標，圖4中的物體為干擾目標，各取50幅為訓(xùn)練樣本，其余各50幅為測試樣本。分2種情況訓(xùn)練網(wǎng)絡(luò)，第一種情況用隨機函數(shù)產(chǎn)生的［-1，+1］之間的隨機數(shù)為初始權(quán)值，訓(xùn)練算法采用普通的BP算法；第二種情況采用優(yōu)化過的權(quán)值為初始權(quán)值，加可變動量因子的 BP 算法。當網(wǎng)絡(luò)收斂到0.005停止網(wǎng)絡(luò)訓(xùn)練。實驗結(jié)果如圖6，圖7所示，從動態(tài)誤差與學(xué)習(xí)次數(shù)關(guān)系曲線可以看出，本文提出改進的BP算法有利于加快網(wǎng)絡(luò)的收斂。即改進的BP算法有利于加快圖像識別的速度。

圖6 普通BP算法

圖7 改進BP算法

6 結(jié) 語

由于人工神經(jīng)網(wǎng)絡(luò)技術(shù)以其獨特的非線性、并行處理方式、自學(xué)習(xí)能力和強魯棒性的特點已經(jīng)在圖像識別領(lǐng)域得到廣泛的應(yīng)用。本文在已有的神經(jīng)網(wǎng)絡(luò)識別理論基礎(chǔ)上，對基于神經(jīng)網(wǎng)絡(luò)的圖像識別進行有益探索。利用BP神經(jīng)網(wǎng)絡(luò)對圖像中某類或某幾類顏色進行聚類，可以獲得良好的圖像分割效果。同時應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行圖像識別時，就BP算法易使網(wǎng)絡(luò)陷入局部最小的缺陷，提出必須改進BP神經(jīng)網(wǎng)絡(luò)算法，利用改進的BP神經(jīng)網(wǎng)絡(luò)算法使網(wǎng)絡(luò)的訓(xùn)練從一個相對接近全局最小的起始點開始訓(xùn)練，并且在學(xué)習(xí)過程中加入可變動量因子，減少了網(wǎng)絡(luò)學(xué)習(xí)次數(shù)，加快了收斂速度。在實際工程應(yīng)用中具有一定的實用價值。

參 考 文 獻

［1］Yuan C，Niemann H.Neural Networks for Appearancebased 3D Object Recognition［J］.Neuro Computing，2003，51:249264.

［2］Miller M I.Conditional Mean Estimation via Jumpdiffusion Processes in Ultiple Target Tracking/Recognition［J］.IEEE Transactions on Signal Processing，1995，43(11):2 6782 690.

［3］王新成.高級圖像處理技術(shù)［M］.北京:中國科學(xué)技術(shù)出版社，2001.

［4］宋錦萍，職占江.圖像分割方法研究\\[J\\].現(xiàn)代電子技術(shù)，2006，28(6):5960.

［5］袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用\\[M\\].北京:清華大學(xué)出版社，1999.

［6］飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與 Matlab 7 實現(xiàn)［M］.北京:電子工業(yè)出版社，2005.

［7］Raffaele Parisi.A Generalized Learning Paradigm Exploiting the Structure of Feedforward Neural Networks［J］.IEEE Transactions on Neural Networks，1996，7(6):1 4501 459.

［8］Hu Xiao，Guo Anchen.Efficient Backpropagetion Learning Using Optimal Learning Rate and Momentum［J］.Neural Networks，1997，10(3):517527.

［9］穆文全.基于遺傳算法和 BP 算法的多層感知機雜交訓(xùn)練算法［J］.電子科學(xué)學(xué)刊，1997，19(2):190194.

［10］John J，Mckeown.Some Numerical Aspects of the Training Networks［J］.Proceedings IEEE，1996，84(10):1 5621 568.[HJ0]

作者簡介

雷建鋒 男，1975年出生，山西大同人，在讀碩士。主要研究方向為計算機控制。

孫俊逸 男，1947年出生，湖北武漢人，教授，博士。主要研究方向為計算機控制。

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文