基于Hopfield神经网络的噪声字母识别的论文.docVIP

　　基于Hopfield神经网络的噪声字母识别的论文 摘要 人工神经网络是对人脑功能的某些程度的反映，具有自适应和自学习的能力，可通过对模式样本的自学习，从中获取特征，并能将学习获得的知识应用到图像、文字等识别中。本文采用hopfield神经网络进行英文字母识别，仿真结果表明，该方法能有效地对含噪声的英文字母进行识别。在相同的白噪声模型下，该方法在噪声均方差稍小时, 其容错能力比起back propagation网络方法有一定的增强。 关键词 hopfield神经网络，模式识别，目标向量。 1 引言 近年来，神经网络的应用取得了令人瞩目的进展，其中模式识别(pattern recognition)是神经网络应用最早也最广泛的领域之一，从最早的感知器到文字识别等，都是神经网络应用于模式识别的例子[1]。在传统的统计方法中，模式识别是将样本的特征向量和每个模式类别的特征向量进行比较，然后将样本归到离其最近的模式类别中。而神经网络是模仿人脑的工作机制，用大量简单的计算单元（神经元）连成网络，进行并行计算，并能存储大量的经验知识的计算模型。利用神经网络来进行模绞侗穑唤隹筛菅窘醒埃善识别能力，而且不需要对模式分布进行一些统计上南妊榧偕瑁商岣咦允视π浴ｗ址侗鹗悄ｊ绞侗鸬囊桓龇种в淙挝袷茄芯咳绾问辜扑慊芄皇侗鹱址ｄ壳捌毡椴捎肂ack propagation（bp）神经网络进行字符识别[2]，但由于bp网络存在训练时间较长、很容易陷入局部最小值等不足，尽管采用一些改进的算法可以较好的解决某些实际问题，可在设计过程中往往都要经过反复的试凑和训练过程，无法严格保证每次训练时bp算法的收敛性和全局最优性。.与此相比，hopfield神经网络不需要反复的试凑，因为此网络已被证明是收敛的，而且是能量函数e-收敛的[3]。它是一种具有记忆功能的反馈型神经网络，其中学习和识别过程可以分别地独立进行。本文利用hopfield神经网络进行字符识别，并与bp网络方法的实验结果进行比较。 2 hopfield神经网络 hopfield神经网络的结构如图1所示[4]，其中r1是输入矢量的维数，s1是神经元的个数，输入p作为网络的初始状态，当网络根据输入得到输出后，该输出将被反馈到输入端，成为新的输入，如此反复，通过对网络权值和阈值的调整，直到网络的输出稳定为止。该网络的所有神经元都是一样的，它们之间相互连接。从系统观点看，该网络的演变过程是一个非线性动力学系统，可以用一组非线性差分方程或微分方程来描述。系统的稳定性可用“能量函数”进行分析。在满足一定条件的情况下，“能量函数”的能量在网络运行过程中不断地减少，最后趋于稳定平衡状态。一个非线性动力学系统具有许多性质，例如稳定问题，各种类型的吸引子以至混沌现象等，利用这些特性可以完成各种复杂的计算。 图1 hopfield神经网络结构 hopfield神经网络的应用形式有联想记忆和优化计算两种。其中联想记忆是指当网络输入某个矢量后，网络经过反馈演化，从网络输出端得到另一个矢量，这样输出矢量称作网络从初始输入矢量联想得到一个稳定记忆，即网络地一个平衡点。优化计算是指当某一问题存在多种解法时，可以设计一个目标函数，得到寻求满足这一目标函数的最优解法。本文将采用联想记忆的形式进行英文字母识别。 3 基于hopfield神经网络的字母识别 在hopfield网络中，有离散和连续两种系统。其中离散hopfield网络的神经元变化函数为符号函数，网络节点状态只取两个值+1、-1，它在模式识别中常用作联想记忆。从动力学的观点，如果网络节点的初始状态为x(0)，连接权值为atlab编程语言，使用其神经网络工具箱提供的网络创建函数建立一个hopfield神经网络，其中目标矢量t的元素必须是+1或-1。因此，在英文字母的识别过程中，每个目标向量代表一个字母，可以通过以下的准则进行目标向量的设置：字母从a到z依次排列，共有26个对应位置，每个字母在其对应位置的值为1，而其他位置的值为-1。例如字母a、b的目标向量分别为t_a=[1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1]t，t_b=[-1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1]t，其 他字母依次类推。建立网络后，给网络输入一个含噪声的随机向量，通过仿真网络，可获取网络输出、训练终止时的输入延迟状态、训练终止时的层延迟状态。通过调整批处理数据个数和网络仿真的时间步数，将得到不同的网络输出。 4 结果分析 现采用噪声均值为0，均方差依次为0到