基于的bp神经网络地数字识别.docVIP

实用标准文案 精彩文档 模式识别作业 题 目 基于BP神经网络的数字识别 科 目 模式识别 基于BP神经网络的数字识别 摘 要 人工神经网络技术在现在取得了巨大的发展，它具有的高度非线性，使我们能表达一些至少是目前尚无法用计算理论表达清楚的外部世界模型；同时，神经网络所具有的自学习，自组织能力使我们能在与外部世界的交互作用下，实现无法用当前的计算理论表达清楚的功能；对于那些无法建立精确数学模型的系统，神经网络有着独特的优势。 本课题主要研究基于BP神经网络的方法来实现数字识别。首先对图像进行灰度化、二值化、平滑去噪、归一化、细化的预处理，以便于进行像素值的提取，对设计好的神经网络进行训练，对比训练的结果与期望的结构，并根据对比的结果对神经网络的一些权值进行修改，最终得到训练好的神经网络。并选择测试样本，进行仿真测试。 整个仿真实验中，对含数字的图片进行处理，其数字识别效果可在本课题中的MATLAB仿真实验中体现。 关键词：神经网络；灰度化；预处理；仿真测试 目 录 TOC \o 1-3 \h \z \u HYPERLINK \l _Toc257153934摘要 = 2 \* ROMAN II HYPERLINK \l _Toc257153934目录 = 3 \* ROMAN III HYPERLINK \l _Toc2571539341 背景介绍 4 HYPERLINK \l _Toc2571539351.1研究背景 4 HYPERLINK \l _Toc2571539361.2 数字识别的发展现状 4 HYPERLINK \l _Toc2571539381.3 本课题主要的研究内容 4 HYPERLINK \l _Toc2571539392 图像预处理 5 HYPERLINK \l _Toc2571539402.1 彩色图像的灰度化 5 HYPERLINK \l _Toc2571539422.2 灰度图像的二值化 5 HYPERLINK \l _Toc2571539432.3 梯度锐化 5 HYPERLINK \l _Toc2571539462.4 去离散化噪声 5 HYPERLINK \l _Toc2571539432.3 归一化调整 5 HYPERLINK \l _Toc2571539473 模式识别 6 HYPERLINK \l _Toc2571539483.1 特征提取 6 HYPERLINK \l _Toc2571539493.2 BP神经网络 6 HYPERLINK \l _Toc2571539503.2.1 BP算法的多层感知器 6 HYPERLINK \l _Toc2571539513.2.2 BP算法过程 7 HYPERLINK \l _Toc2571539543.3 BP神经网络的设计与训练 9 HYPERLINK \l _Toc2571539503.3.1 BP神经网络的设计方法 9 HYPERLINK \l _Toc2571539513.3.2 BP神经网络仿真程序设计 9 HYPERLINK \l _Toc2571539503.3.3 BP神经网络测试 9 HYPERLINK \l _Toc2571539514 仿真实验结果 9 HYPERLINK \l _Toc2571539565 总结 PAGEREF _Toc257153956 \h 10 HYPERLINK \l _Toc257153957参考文献 PAGEREF _Toc257153957 \h 11 1.背景介绍 1.1.研究背景 为了解决计算机字符的自动识别、高速加工处理,使计算机达到真正智能化,人们对计算机识别进行了多年的研究,并取得了很大的进步。数字识别是字符识别的一个分支，一般通过特征匹配及特征判别的方法来进行处理,目前识别率还较低。因此,为了提高识别率,还要寻求新的方法和途径。 近年来,人工神经网络技术取得了巨大的发展,它所具有的优势：固有的并行结构和并行处理、知识的分布存储、容错性、自适应性、模式识别能力,为手写体数字识别开辟了新的途径。 数字识别作为模式识别的一个重要分支,在邮政、税务、交通、金融等行业的实践活动中有着及其广泛的应用。 数字识别作为模式识别领域的一个重要问题，也有着重要的理论价值。一方面，阿拉伯数字是世界各国通用的符号，因此，数字是一个重要枢纽。在符号识别领域，数字识别为这一领域提供了一个算法研究的平台。另一方面，数字的识别方法很容易推广到其它一些相关问题，特别是对英文字母的识别，但到目前为止机器的识别本领还无法与人的认知能力相比，这仍是一个有难度的开放问题。 1.2.数字识