基于bp神经网络的数字识别.pdfVIP

数值分析实验报告 题 目 基于 BP 神经网络的数字识别 姓 名 学 号 201531452 专 业 目录 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 I 一、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.数字识别的发展现状 模式识别 (Pattern Recognition)是对表征事物或现象的各种形式的(数值 的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨 认、分类和解释的过程。它是信息科学和人工智能的重要组成部分。而数字识别 作为模式识别的一个分支。在日常生活和科研中具有十分重要的作用。数字识别 的算法一般是采用以知识、神经网络、人工智能为基础的模板匹配法、轮廓多边 形相关、傅立叶系数法等方法来进行识别的。以上方法识别效率高，但是实现较 为复杂。 1.3.本课题主要的研究内容 MATLAB 软件包含了被称为 Toolbox 的各类应用问题的求解工具。神经网络 工具箱正是在 MATLAB 环境下所开发出来的许多工具箱之一。设计者则可以根据 自己的需要去调用工具箱中有关神经网络的设计与训练的程序,使自己能够从烦 琐的编程中解脱出来,集中精力去思考和解决问题。人工神经网络 (ANN)是理论化 的人脑神经网络的模型，是模仿大脑神经网络结构和功能而建立起来的一种信息 处理系统。神经网络的一个最主要的功能就是分类，,这个功能有助于机器的模 0 式识别。本课题就是利用神经网络的分类功能,并借助于 MATLAB 软件的神经网络 工具箱，采用具有自适应学习速率和附加动量因子的 BP 型神经网络，从而实现 罗马数字的模式识别。 二、图像预处理 由于自然和人为因素影响，可能造成数字图像笔划缺损、噪声严重及几何形 变等现象。故识别前必须对图像进行必要的预处理。图像处理流程如图1所示。 图像输入 灰度转化 二值化 图像锐化