连续手写体不规则数码识别研究与设计.docVIP

连续手写体不规则数码识别研究与设计 　　 　　摘要：摘要：字符是人类信息交流的主要载体之一,手写体数字识别技术是多年来的研究热点问题，也是字符识别中的一个非常重要的类别。连续不规则手写体数码识别在一定的环境下应用十分广泛。对于数码识别要求有很高的识别可靠性。手写体数字识别除对识别精度的要求和可靠性外，还对识别速度、识别率等问题有一定的要求。 　　关键词：预处理；特征提取；BP神经网络；手写体数字识别 　　中图分类号：TP391.4 文献标识码：A文章编号：1007-9599 (2012) 06-0000-02 　　手写数字识别(Handwritten Numeral Recognition)是光学字符识别技术(Optical Character Recognition)的一个分支，它研究的对象是：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。在整个OCR领域中，最为困难的就是脱机手写字符的识别。手写数字识别技术，涉及到模式识别和图像处理、人工智能、形式语言和模糊数学、组合数学、信息论、计算机等学科；同时也涉及语言文字学、心理学、生物学等，是一门综合性的技术[1]。 　　一、数字识别基本原理 　　人工神经网络，是从生物学神经系统中发展而来的一门学科，在生物学的神经网络中，神经元就是最基本的单元。一个神经网络主要是有三个方面的要素来祖征的，一是：神经元计算特性、二是网络结构、三是连接值的学习规则。一个神经细胞是有细胞体、树突、轴突和突触四个部分组成的，一个完整的神经元结构模型如图1.1所示： 　　图1.1结构模型 　　图中的x1、x2、x3…、xn为神经元的输入，uj为神经元的内部状态，#61553;j为阀值，Wij为ui到uj连接的权值， yj为输出，上述模型可以描述为 　　（1.1） 　　这个函数被称为神经元的激活函数(Active function)[3]。通常所用的神经元特性函数如图1.2所示： 　　图1.2 常用特性函数示意图 　　（一）神经网络的结构和学习规则 　　神经细胞是通过突触相互联系的，将大量的神将元按照一定的规则联接成为神经网络，构成十分复杂的大脑神经网络系统，可以建立许多种神经网络模型[4]。 　　根据联接方式的不同，大致可以分为两大类：层状和网状[5]。 　　层状的神经网络结构是由许多层组成，每一层中有若干个神经元并且相邻神经元是单向联接的，而且同层间的神经元是不能联接的；和层状的神经网络不同，网状的神经网络中，每个神经元之间都有可能为双向联接的，如图1.3所示。 　　图1.3 不同的神经网络的联接形式 　　二、前向多层网络的结构及其BP学习算法 　　（一）感知器 　　感知器信息处理的规则为： 　　 （2.1） 　　式2.1中 为输入分量， 为它在t时的第i个输入的值， 是阀值， 即为阶跃函数。 　　所以感知器学习的规则为： 　　（2.2） 　　其中 为学习率（0 1）, 为导师信号， 是则为实际输出。 　　通过不断对权重的调整，使得 对大量样本保持稳定，则学习过程结束。 　　（二）前向多层网络的BP学习算法 　　目前研究较多的网络形式中向前网络占有很高的比重，它分为输入层、隐含层、输出层三部分。隐含层又可分为一层或者多层[6]，如图2.1所示。 　　网络中的原始信息是由输入单元的状态所决定的，输入单元的活性决定着隐含单元的活性，同样隐含单元的活性决定着输出单元的行为。 　　（三）误差反向传播算法计算步骤 　　我们可以假设：i、j为输入层和它前一层中的一个单元，从而运用加权输入 来求解出输出单元i的活性，即 　　 （2.3） 　　第i个单元和第j个单元的联接权值即为 ，而 则视为前一层中第i个单元的活性水平。 　　解出的 ，我们可以用一个S函数来求解 ，即： 　　（2.4） 　　经过上述计算我们可以所有输出元活性后， 　　利用 来计算网络的误差：（2.5） 　　式2.5中输出层第j个单元的活性水平有 来表示，而 则表示第j个单元的期望输出。 　　简单的说反向传播算法包括以下4个步骤： 　　（1）当一个输出单元的活性被改变时，误差倒数 就是期望活性与实际活性的差。 　　（2.6） 　　（2）求一个单元在所接受总输入量变化时的误差倒数 ，即式2.6的结果乘以输出变化率 ，即： 　　 （2.7） 　　（3）计算一个与输出单元联接权值改变时的误差变化率EW。 　　（2.8） 　　可以看出 为式2.7的结果乘以与 。 　　（4）把对各输出单元的所有单独影响相加。 　　 （2.9） 　　三、BP算法的实现流程 　　BP算法实现按如下步骤进行： 　　（1）首先进行初始化，并给所有的权值赋以随机任意小的值，并对