那么，也有人可能会问，如果限速标志没有被遮挡，识别率有多高呢？同理，我们这里也可以一并计算：
从以上计算我们可以看到，限速标志未被遮挡完全暴露出来，识别率是相当高的，但如果限速标记牌被阻挡住，识别率是比未遮挡的低很多。这两个指标的融合使用，可以用于作为评价目前图像处理算法识别限速标志性能的重要参考。当然，实际的融合过程比这复杂得多，小鹏汽车工程师们正努力不断优化，提高各种工况下的识别率，提供更为舒适的智能驾驶辅助。
神经网络理论
图9：神经网络
神经网络（Artificial Neural Network，ANN）是机器学习（Machine Learning，ML）的其中一种方式，是人工智能、认知科学、神经生理学、非线性动力学、信息科学、和数理科学的“热点”。
ANN的发展经历了三个阶段
第一个阶段是起步阶段，从20世纪40年代开始逐渐形成了一个新兴的边缘性交叉学科。1943年，心理学家McCulloch和数学家Pitts合作，融汇了生物物理学和数学，提出了第一个神经计算模型: MP模型。1949年,心理学家Hebb通过对大脑神经细胞、学习和条件反射的观察与研究,提出了改变神经元连接强度的、至今仍有重要意义的Hebb规则。
第二阶段是发展阶段，1957年，Rosenblatt发展了MP模型,提出了感知器模型：Perception Model，给出了两层感知器的收敛定理，并提出了引入隐层处理元件的三层感知器这一重要的研究方向。1960年，Widrow提出自适应线性元件模型：Ada-line model以及一种有效的网络学习方法：Widrow-Hoff学习规则。
第三阶段是成熟阶段，1982年美国加州工学院的物理学家Hopfield提出了一个用于联想记忆和优化计算的新途径——Hopfield网络,使得神经网络的研究有了突破性进展。1984年在Hopfield的一篇论文中，指出Hopfield网络可以用集成电路实现，很容易被工程技术人员和计算机科技工作者理解，引起工程技术界的普遍关注。
上世纪八十年代后期，神经网络的光芒被计算机技术、互联网掩盖了，但这几年计算机技术的发展，恰恰给神经网络更大的机会。神经网络由一层一层的神经元构成。层数越多，就越深，所谓深度学习（Deep Learning）就是用很多层神经元构成的神经网络达到机器学习的功能。辛顿是深度学习的提出者，2006年，基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。目前，深度学习的神经网络技术广泛用于计算机视觉、语音识别、自然语言处理识别上。
关于神经网络的研究包含众多学科领域，涉及数学、计算机、人工智能、微电子学、自动化、生物学、生理学、解剖学、认知科学等学科，这些领域彼此结合、渗透，相互推动神经网络研究和应用的发展。
