基于多神经网络的手写数字综合识别系统.docxVIP

第 ! 卷 第 # 期信 息 技 术4)15!’)5#!$$% 年 # 月’()*+,-)’ -./0’)1)2367895!$$%基于多神经网络的手写数字综合识别系统陈芳信，马 翔，姜 新，汪秉文（华中科技大学控制科学与工程系，武汉 :%$$:）摘 要：提出了一种性能优越的手写体数字综合识别系统。系统使用了一个二维 2;= 变换下感受视野的特征映分类子网，一个几何特征分类子网和一个容错补偿子网。最后再用一个基于混淆矩阵的综合网络来完成数字最终输出识别。在实际使用中，综合识别系统在应用于手写成绩单中学生成绩数字识别中，达到了较好的识别效果。关键词：神经网络；手写数字；综合识别中图分类号：-?%#%5$# 文献标识码：@ 文章编号：A$$# B !CC（! !$$%）$# B $$$A B $: !#$%’#$( $)*%+#+* ,-,#$., */ 0’(1+#+% (+%+#,2’,$( * .34#+54$ $3’4 $#1*6,/0.’ (;DEFGHD，+, IH;DE，J,’2 IHD，K,’2 @HDEFL7D（7$5#5 */ 8*#*4 9)+$)$ ’( :%+$$+%，;3’0*% =+$,+#- */ 9)+$)$ ? @$)0*4*%-，A30’ :%$$:，80+’）B2,#’)#：/=MHD;9HN7 O9PQ9P7 =R 9S7 MPT9H8T7 D7P;T D79L=UO LH9S E==V 87R=M;DQ7 ;7 O9PVH7V HD 9SHO 8;F875-S7 OWO97M Q=DOHO9O =R ; NHOP;T M;88HDE OP B D79L=U ;O7V =D 8T;D; 2;= 9;DOH9H=D，; QT;OOHRWHDEOP B D79L=U ;O7V =D E7=M79HQ;T R7;9P7O，; Q=M87DO;9=W OP B D79L=U ;DV ; HD97E;97V D79L=U ;O7V =DQ=DRPOH=D M;9HG59 S;O 77D ;88TH7V OPQQ7OORPTTW 9= S;DVLH9HDE VHEH9O 7Q=EDH9H=D R= OQS==T 78=9 Q;VO ;DV OS=LO O;9HORWHDE 7OPT9O5C$- 1*(,：D7P;T D79L=U；S;DVLH9HDE VHEH9；HD97E;97V 7Q=EDH9H=D$ 引言随着国家信息化进程的加速以及对自动化程度要求的提高，手写数字识别技术被人们越来越多地应用到各个方面。数字的类别虽然只有十种，且笔划简单，但由于手写体数字具有很强的自由性，其变化复杂，致使同一数字写法因人而异，千差万别。一些测试结果表明，手写数字的正确识别率并不如印刷体汉字识别正确率高，甚至也不如联机手写体汉字识别率高。因而研究高效可靠的识别系统将是难点所在。在许多基于神经网络［!］的数字识别系统中，如何有效地提取数字图像的各种特征是提高识别精度的关键。为尽可能全面描述数字图像的特征，人们总是从很多不同的角度抽取相应的特征，如结构特万方数据征［A］，统计特征［%］等等。但为防止网络规模过大，导致训练困难，对单一识别网络，其输入向量的维数往往又不能过高。这样如果所选特征去抽取向量的各分量不具备足够的代表性，将很难取得较好的识别效果。为解决这一问题，最直接的想法是化繁为简，把原来庞大的特征抽取向量划分为若干组，每一组用一个相对较小的子网络来实现，最后对各子网的结果加以综合。这样既降低了网络的复杂度，又有利于实现网络中各子网的并行运算。研究表明，在单一网络具有较高识别精度的前提条件下，如果各收稿日期：!$$%B$%BAA作者简介：陈芳信（A#X:B），男，A#YC年月毕业于华中理工大学控制科学与工程系，研究方向为人工智能、过程控制。— A — 个子网的识别算法互补性较好，则在单一识别系统中，被误识或拒识的数字中约有 !# 可以通过这几种识别系统的综合来被正确识别。因而使用综合识别技术将是提高手写数字识别精度的有效途径。$ 手写数字综合识别系统综合系统由三个子神经网络和一个综合判决网组成。三个子网分别是二维 %’() 变换下感受视野的特征映射分类子网；几何特征分类子网和对前两个子网的容错互补子网。而最终的识别结果由综合判决网给出。各子网在处理前，都先对原始字符进行了预处理。首先将原始的黑白二值字符图像归一化成 $* + $! 点阵信息，然后对图像依次作平滑和细化。平滑使用了 ,-./) 方法；细化则采用 0)1234/ 论述的一种方法，主要是用四个像素模板对 5 + 5 的窗口滑动检测，完成细化过程。经过预处理后的图像再由各子系统进行进一步的向量提取。下面将依次对各个网络加以介绍：$6 $ 视野映射子网视