基于手写体数字识别的概述–BP神经网络研究外文翻译资料

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

基于手写体数字识别的概述--BP神经网络研究

摘要 - 数字识别是一个重要的研究方向在模式识别领域，它有广泛的应用前景。文章提出了BP神经网络的应用在此基础上实现手写数字识别程序 BP神经网络原理的研究。

关键词 - 数字识别; 神经网络; 图像识别

1. 介绍

手写数字识别主要用于自动识别 处理邮件分拣，报告和统计，邮政编码自动识别，钞票和模式识别

理论领域。有许多数字识别算法。目前使用的主要算法更好的是统计数据神经网络和聚类分析识别算法，如Bagging算法，Adaboost算法，错误反向传播算法，支持向量机算法，自我组织和径向基函数（RBF）等。该人工神经网络的基本特征是非线性的映射，研究分类和实时优化，所以它为模式识别开辟了新的途径。人造神经网络是一门新兴学科，信息处理方法不同于以前的符号逻辑系统.BP神经网络是典型的。

数字识别不是一个孤立的问题，而是基本的模式识别领域的问题。因为不同的条件，有不同的解决方案。方法人工神经网络模式识别速度快，分类能力和具有良好的容错性，并行处理能力和自学能力，是一个不错的选择用数字字符识别模型。因为神经网络具有自学，容错率，分类能力和并行处理的特征，所以对于识别手写数字，使用神经网络是一种一种有效的手段。TF Pawlicki有一个实验多种手写数字多层BP神经网络识别，实验结果的比较证实多层BP网络比其他类型的网络具有更好的分类能力，它具有广泛的应用。

BP神经网络的介绍：

BP神经网络是典型的多层网络，包括子输入层，隐藏层和输出层。它用了层之间的完全连接，并且没有连接同一层单元.BP算法由前向构成数据流的传播和错误的反向传输信号。对于前向传播，传播方向是输入层 - 隐藏层 - 输出层，每个的状态层神经元只影响下一层神经元。如果在输出层中没有获得所需的输出，然后转向误差信号反向传播过程。通过交替两个过程，在右向量空间中，误差函数梯度执行下降策略并搜索权重向量动态地，以使网络错误功能达到最小化，然后它完成信息的过程提取和记忆。如图1：

图 1

用于手写数字识别的多层BP网络可以有两种形式使用：一种是通过一些算法来实现的提取字符特征，然后提取一组特征值在网络中输入，然后通过神经网络进行分类并达到字符识别的目的，它是称为特征输入网络，它只扮演一个分类器的角色;另一个是矩阵（0,1点阵）直接输入进入网络，它提取特征并通过网络分类，它叫做输入网络矩阵。根据格子和神经网络输入层之间的连接，输入网络矩阵是一个完全连接的网络，也是本地连接。BP算法由两部分组成，即信息传输正向和误差反向传播在前向传播中，输入信息被发送到输出从输入层到隐藏层的层是它逐层计算，每层神经元的状态只有如果在输出层，则影响下一层神经元的状态期望的输出没有得到，然后它计算的变化值错误，然后转向反向传播，通过网络错误信号沿原来回来连接路径修改神经元层的重量直到期望的体重目标。一般情况下，S型激活函数用于隐藏层，而线性激活函数用于输出层中。

1. BP 神经网络的数字识别

数字识别系统的总体设计是分开的分为两个模块：图像预处理模块和神经网络网络数字身份模块。图像预处理模块通过一系列变换进行图像处理，然后发送样本特征向量，最后提取到数字识别系统，然后识别它们并给出结果。

图像预处理模块：

神经网络数字识别模块：

BP神经网络训练的过程：

1. 图像预处理

图像预处理是图像的变换处理和图像分析的准备，目的是使图像更简洁，更独特，只有很少的信息。根据识别程序的不同，它包括位置，二值化，去噪，分割，大小规范化和其他步骤。这些步骤已经描述过在上面的图像预处理模块中提到过。对于例如，在表单处理中，第一步是定位确定手写，根据需要，灰度图像通过全局阈值处理，自适应阈值处理和二进制化进行二值化其他方法。厚度，白度，光滑度，墨水深度，写作纸的质量应该导致形状扭曲和产生干扰，如污渍和飞白。 识别，线性，光学畸变，量化过程输入设备也会产生噪音。所以去噪是必要的。字符大小归一化分为线性归一化和非线性归一化，线性归一化本质上是用于缩放字符图像，这种线性转换是 易于数学处理，但只能保证统一输入矢量尺寸并不保持基本形状角色的结构。非线性归一化可以克服这些缺点，但它在规划和制定方面很复杂需要很长时间。它不适用于这种情况强大的实时要求。在图像预处理之后它会产生数字图像样本。

1. 特征提取

特征提取方法有以下几类： 模板匹配，统计特征（包括基于像素的数量和方向的特征），结构特征（包括那些基于框架和概述的结构），改变特征。在模式识别中，特征选择是一个关键问题。它提取最能体现的特征向量预处理数字图像中的特征，然后提取训练样本的特征向量，并将其置于训练样本中BP网络，然后我们可以识别字符。在里面在下面的介绍中，我们采用逐个像素提取提取数字样本特征向量的方法。

1. 设计BP神经网络

输入层神经元和输出层神经元的数量决定输入层中的网络神经元数量， 数字图像的特征向量用于神经网络网络输入，因此神经元中输入层的神经元数量网络等于特征向量的维数。后图像预处理形成一个a*b布尔矩阵每列的元素转成（一个a*b）*1 个的矩阵，所以叫数字的特征向量。如果它只想要识别10位数0-9，就要输出选择了10*1矩阵，输出节点为10。当数字图像0-9输入神经网络，1 对应位置输出神经元，另一个位置是0，输入数字0，第一个输出神经元是1，其他0; 输入数字1，第二个输出神经元是1，其他0等等。

确定隐藏层的数量和隐藏层神经元。一般认为，增加了隐藏层数可以减少网络错误并提高准确性，但它也会使网络复杂化 增加网络的培训时间，并出现过度拟合的倾向。通过增加隐藏的数量，神经元达到较少的错误，可以得出结论，收敛性能好坏就决定了网络结构隐藏层的数量，我们使用了经验公式：

1. 一些常见的错误

BP神经网络功能的建立是由输入层神经元的数量和输出确定上面描述的层神经元，BP神经元的层结构网络由隐藏层数决定隐藏层神经元。对于采用传递函数神经网络层，一般来说，它采用s型激活隐藏层中的功能，而输出层适应线性激活功能。训练功能使用共轭梯度训练方法。

1. BP神经网络的训练

训练BP网络需要计算网络加权输入向量，网络输出和错误向量，然后搜索当训练的平方误差时，误差平方和矢量小于目标，训练将停止; 除此以外错误更改将在输出层中计算，并使用反向传播研究规则以调整正确的价值，然后完成网络培训后重复此过程，如果网络中的输入不是训练集合中的向量， 网络将通过泛化的方式输出结果。

在本文中，共有10类数据（0-9），每类类有30个测试。系统上共有300个测试样本性能测试。结果如下。数字识别正确率为99.32 ％。数字识别正确率和拒绝率与数字识别判断有关，在本文中，判断值设置为0.7。该判断值越高，数字越高识别正确率，但拒识率也是相应的增高。选择判断值取决于实际情况。

表 1

1. 总结与发展

本文主要介绍手写数字识别基于BP神经网络，但它只进行描述理论上的总结并没有达到实践的水平。测试结果表明，该算法具有更好的性能识别率与传统方法相比。功能用于BP神经网络需要仔细研究和考虑到，对于文中提到的体验功能而言需要进一步研究。数字识别是传统的 模式识别领域的问题，它是模式的基础承认。写这篇论文并阅读参考文献识别研究为模式识别奠定了基础。我们练习论文内容，例如，你可以使用Matlab仿真，证实了BP的建设神经网络是有效可行的。手写的数字识别研究有助于模式识别，机器理解，未来研究中机器人技术的发展，它对于如何进行人机交互具有重要价值更好，电脑有像人一样的能力。

本文采用BP神经网络研究手写体数字识别系统。最明显的例子是人工神经网络（ANN） - 人工神经网络的一个相当大的部分手写数字识别的模型和算法基于实验平台验证理论 有效性，评估各种优缺点方法。因为在人工神经系统的实际应用中网络，80、 90 ％的神经网络模型使用BP神经网络或其形式的变化，它也是核心部分， 反映人工神经网络是最重要的部分，所以本文是BP神经网络。目前， 人工神经网络模式识别方法主要用于 BP算法。BP神经网络很有研究价值。

参 考

1. 叶锡民，廖文军。基于BP神经网络的字符识别网络[J]。郑州轻工业学院学报，2009,24（2）：60-62。
2. 薛志勇，薛雪芳。基于XML的手写数字识别BP神经网络[J]。仪器分析与检测，2009。
3. 刘慧春，马淑媛，吴东平，李晓梅手写数字识别[J]。计算机工程，2003,29（4）：23-26。
4. 刘兰平。基于神经网络的手写体数字识别研究网络[J]。情报方法，2004年。
5. 彭旭，恩明昭。数字识别中的人工神经网络[J]。信息技术，2009年。
6. 何东晓，周春光，刘淼，马杰，王哲。手写体中神经网络集成的构造方法数字识别[J]。吉林大学学报2009,47（6）：1211-1216。
7. 罗晓斌，董守斌，金连文，徐浩，综合神经网络网络手写数字识别[J]。计算机工程， 2002,28

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20608]，资料为PDF文档或Word文档，PDF文档可免费转换为Word