基于BP神經网络的手写数字识别研究(人工智能).doc

人工智能 系别: 计算机系 专业: 计算机科学与技术 班级: 0701班 姓名: 李玉茹 学号 : 2007151115 指导老师：严武军 1 神经网络…………………………………………………………………………………….. 摘要……...…………………………………...………………………………………………… 关键词……...…………………………………………………………………………………… 1.引言 2 BP 神经网络……...…………………………………………………………………………… 3基于BP神经网络的手写数字识别……...…………………………………………………… 3.1输入向量与目标向量………………………………………………………………………. 3.2　BP神经网络的构建………………………………………………………………………. 3. 3　网络的训练……………………………………………………………………………… 4 实验结果与分析……………………………………………………………………………. 5　结论………………………………………………………………………………………… 基于BP神经网络的手写数字识别研究 摘要：将BP神经网络应用于手写数字识别,通过实验证实,该方法具有较高 的识别率和可靠性. : BP神经网络;模式识别;图像处理;特征提取 1.　引言 手写数字识别是光学字符识别技术的一个分支,研究如何利用电子计算机自动辨认人手写在纸张上的阿拉伯数字. 由于手写体数字的随意性很大,例如,字体的大小、倾斜、笔画的粗细等等,都会对识别结果造成影响. 在过去的数十年中,研究者们提出了许多识别方法,取得了较大的成果. 手写数字识别技术的实用性很强,例如在大规模数据统计(人口普查、例行年检) 、财务、保险、税务、邮件分拣等应用领域中都有广阔的应用前景. 手写数字识别一般通过基于结构的识别法及模板匹配法来进行处理,但识别率和可靠性都不高. 为了提高识别率,就必须寻求新的方法和途径. 近年来, BP神经网络技术取得了巨大发展,它是一种前馈反向型神经网络,具有并行处理信息、自组织、自学习信息等优点,特别适用于模式识别领域. 本文基于BP神经网络原理对手写数字进行识别,通过对1000个手写数字的识别,证实本方法在手写数字识别方面的有效性. 2　BP神经网络 神经网络的概念、原理和设计是受生物、特别是人脑神经系统的启发提出的. 神经网络由大量简单的处理单元来模拟真实人脑神经网络的机构和功能以及若干基本特性,是一个高度复杂的非线性自适应动态处理系统.BP网络是1986年由Rinehart和McCelland为首的科学家小组提出,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,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小. BP神经网络模型拓扑结构包括输入( input) 、隐层( hide layer)和输出层(output layer) ,如图1所示. 3　基于BP神经网络的手写数字识别 3. 1　输入向量与目标向量 首先对手写数字图像进行预处理,包括二值化、去噪、倾斜校正、归一化和特征提取,生成BP神经网络的输入向量Alphabet和目标向量Tar2get. 其中Alphabet选取40 ×10的矩阵,第1列到第10列代表0～9的数字. Target为10 ×10的单位矩阵,每个数字在其所排顺序位置输出1,其他位置输出0. 3. 2　BP神经网络的构建 BP算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成. 正向传播时,传播方向为输入层→隐层→输出层,每层神经元的状态只影响下一层神经元. 若在输出层得不到期望的输出,则转向误差信号的反向传播流程. 通过这两个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差函数达到最小值,从而完成信息提取和记忆过程.首先考虑正向传播,设输入层有n个节点,隐层有p个节点,输出层有q个节点. 输入层与隐层之间的权值为vk i, 隐层与输出层之间的权值为w jk. 隐层的传递函数为f1 ( x) ,输出层的传递函数为f2 ( x) ,则隐层节点的输出为 输出层节点的输出为 通过式(1) 和(2) 可得BP神经网络完成n维到q维的映射. 其次考虑反向传播. 在反向传播中,需要对不理想的权值进行调整, B P神经网络的核心要务即在于调权. 定义误差函数, 设输入P个学习样本,用x1 , x2 ,