基于神经网络的数字识别系统的设计_大学毕设论文正文.docVIP

毕业设计（论文）任务书 题目：基于神经网络的数字识别系统的设计 系 名 信息工程系 专 业 自动化 年 级 2009级 学生姓名 许凯钥 学 号 6009206039 指导教师 扈书亮 职 称 讲 师 2012年 12 月 15 日 一、原始依据（包括设计或论文的工作基础、研究条件、应用环境、工作目的等。） 工作基础：了解C++的基本概念和语法，熟练使用Visual C++软件。 研究条件：依据BP神经网络的基本原理完成算法实现。 应用环境：基于BP神经网络的图像文件中的字识别。 工作目的：熟练掌握Visual C++应用程序的开发。 了解人工智能的基本概念以及神经网络的基本原理。 熟练掌握Visual C++中的图片处理的基本方法。 二、参考文献 [1]人工智能原理及其应用，王万森，电子工业出版社，2007. [2] VC++深入详解，孙鑫，电子工业出版社，2006. [3]人工神经网络原理, 马锐，机械工业出版社，2010. [4] Visual C++数字图像处理典型案例详解，沈晶，机械工业出版社，2012. [5]Application of Image Processing to the Characterization of Nanostructures，Manuel F. M. Costa，Reviews on Advanced Materials Science,2004. 三、设计（研究）内容和要求（包括设计或研究内容、主要指标与技术参数，并根据课题性质对学生提出具体要求。） 1、掌握C++的基本概念和语法。 2、了解神经网络的基本原理。 3、完成Visual C++中对于图像的预处理。 4、完成基于样本的神经网络的训练以及图像中文字的识别，并对其性能进行统计和总结。 指导教师（签字） 年 月 日 审题小组组长（签字）年 月 日 课题名称 基于神经网络的数字识别系统的设计 系 名 称 信息工程系 专业名称 自动化 学生姓名 许凯钥 指导教师 扈书亮 课题来源及意义 多层感知器神经网络BP(Back Propagation)网络是1986年由Rumelhart和McClelland为首的科学家提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播不断调整网络的权值和阈值,使网络的误差平方和最小。 由于人工神经网络等新技术的引进，从上世纪70年代以来，光学字符识别技术逐渐走向成熟。进入九十年代以来，人工神经网络技术发展十分迅速，它具有模拟人类部分形象思维的能力，是一种模仿人脑学习、记忆、推理等认知功能的新方法。特别是它的信息并行分布式处理能力和自学习功能等显著优点，更是激起了人们对它的极大的兴趣。为模式识别开辟了新的途径，成了模拟人工智能的一种重要方法。 近年来,字符识别技术在维持国民经济迅速发展的多个领域中占据着非常重要的地位。目前，小规模光学字符识别系统应用广泛，有着巨大地商业前景，如邮政编码识别、汽车招牌识别、产品编码识别等。因此，对于研究基于神经网络的文字识别系统有重要的意义。 二、研究目标 1.熟练掌握Visual C++应用程序的开发 2.了解人工智能的基本概念以及神经网络的基本原理。 3.熟练掌握Visual C++中的图片处理的基本方法。 研究内容 系统识别框架图 基于BP网络的文字识别系统分为两个阶段，学习阶段与识别阶段。两个阶段都要对样本字母进行预处理、特征提取，学习阶段还要进行确定稳定的权值，识别阶段还要经过分类在输出识别结果。 数字图像在采集过程中，受到像素质量、扫描性能的影响，数字图像会带有形变和噪声，这些变化都会影响识别效果。因此要进行预处理，目的是消除原始图像中的噪声，将原来的图像转化为清晰地二值化图像，便于微观结构特征的提取。预处理过程包括去噪、二值化、归一化和细化。 特征提取是使用计算机提取图像信息，来决定每个图像的点是否属于一个图像特征。在字符识别当中，特征的选择是一个关键的问题。字符的特征可以分为两大特征：结构特征和统计特征。特征提取的原则是所选用的特征能够很好地反映字符本身的特点。 训练模式是用样本字符进行识别，将识别效果与样本进行比对，判断是否存在误差。多次训练，直至误差满足在一定范围内即可。 学习阶段完成进入识别阶段，识别阶段同样进行预处理与特