《基于bp神经网络的数字识别的Matlab实现》由会员分享，可在线阅读，更多相关《基于bp神经网络的数字识别的Matlab实现（18页珍藏版）》请在金锄头文库上搜索。
1、基于BP神经网络的数字识别 主要内容 1 课题研究背景 2 图像预处理 3 模式识别 4识别效果 5总结 1 课题研究背景 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
2、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 1 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 廓多边形相关 傅立叶 系数法等方法来进行识别的
3、以上方法识别效 率高 但是实现较为复杂 2 图像预处理 1 彩色图像的灰度化 图像输入后一般都是256色彩色图像 灰度化后灰度图像的 RGB值是相等的 灰度值为255的像素为白色 灰度值为0的像素为黑色 2 灰度图像的二值化 彩色图像灰度化后每像素只有一个值 即灰度值 二值化就 是根据一定标准将图像分成黑白二色 3 梯度锐化 梯度锐化同时对噪声也起一定的去除作用 采取Roberts算子对图像锐 化 可以让模糊的边缘变清楚 同时选用合适阈值可以减弱和消除细小的噪声 4 去离散噪声 扫描整个图像 当发现一个黑色像素就考察和它直接或间接相连的 黑色像素有多少 如果大于一定值 具体数值视情况定 就可以
4、认为它非离散 点 否则就认为他是离散点 将其从图像中去掉 5 归一化调整 先得到原来字符的高度 并与系统要求的高度比较 得出高度变换 系数 然后根据这个系数得到变换后应有的宽度 得出高度 宽度后 把新图像 里的点按照插值的方法映射到原图像 图像输入图像锐化 归一化 灰度转化二值化 去除噪声 图1 图像处理流程 3 模式识别 3 1 特征提取 经过预处理 把原来大小不同 分布不规律的 各字符变成大小一样 排列整齐的字符 下面要从 预处理完的字符中提取最能体现这一个字符的特征 向量 将提取出的训练样本中的特征向量代入BP网 络中就可以对BP网络进行训练 提取出待识别的样 本中特征向量代入训练好的B
5、P网络中就可以进行识 别 在这里采取逐像素特征提取法 方法是对图像 进行逐行逐列扫描 当遇到黑色像素时 取其特征 值为1 当遇到白色像素时 取其特征值为0 这样 扫描结束后就形成一个维数与图像中像素点的个数 相同的特征向量矩阵 3 2 BP神经网络 采用BP算法的多层感知器是至今为止应用最广泛的神经 网络 在多层感知器的应用中 一般习惯将单隐层感知器称 为三层感知器 所谓三层包括了输入层 隐层和输出层 3 2 1 BP算法的多层感知器 图2 三层BP网 3 2 1 BP算法的多层感 知器 反向传播 Backpropagation 算法 从后向前 反向 逐层 传播 输出层的误差 以间接 算出隐层
6、误差 分两个阶段 正向过程 从输入层经隐层逐层正向计算各单元 的输出 反向过程 由输出层误差逐层反向计算隐层各单 元的误差 并用此误差修正当前层的权值 正向过程 正向过程 BP 算法 梯度下降 gradient decent 法 u准则函数 sum squared error SSE u权值修正 梯度下降法 BP 算法 Case 1 输出层权值修正 uu对于对于sigmoidsigmoid函数函数 局部 梯度 扩展delta 学习规则 BP 算法 Case 2 隐层权值修正 后层的全部单元 都受nj的影响 i wji nj aj ni j wji i BP 算法 局部梯度的 反向传播 3 2
7、2 BP算法过程 1 初始值选择 2 前向计算 求出所有神经元的输出 3 对输出层计算 4 反向计算 从后向前计算各隐层 5 计算并保存各权值修正量 6 修正权值 7 判断是否收敛 如果收敛则结束 不收敛 则转至Step 2 BP 算法 3 2 2 BP算法过程 图3 BP学习算法的流程图 3 3BP神经网络设计与训练 1 BP神经网络的设计方法 按照BP神经网络设计方法选用两层BP网络 采用newff函数来建 立BP网络 其输入节点数为16 16 256 隐层传输函数为 Sigmoid函数 假设用一个输出节点表示10个数字 则输出层传 输函数为pureline 隐层节点数为 取25 2 神经
8、网络仿真程序设计 构造训练样本集 并构成训练所需的输入向量p和目标向量t 通过画图工具获得数字 本例构造了新宋体12号 8号字体各10 个 黑体12号 8号各10个 及宋体加粗18号字体 3 神经网络测试 由于图像处理的复杂性 对于不同噪声的污染选择不同的方 法 选择没有噪声的数字进行测试 选择训练样本中的任意数 据进行测试 结构非常正确 选择生成的新宋体8号大小的数字 进行测试 结果正确 选择其他类型的字体进行测试 则结果 不是完全正确 4 仿真实验识别效果 图4 数字0的识别效果图5 数字4的识别效果 5 总结 本课题结合神经网络技术 对数字识别问题进行了 探讨和研究 主要研究成果如下 1 针对数字数据 首 先进行了灰度化 二值化 平滑去噪 归一化 细化等 常规预处理 然后对处理完的数字图像进行特征提取 提取了能体现字符特点的特征向量 2 针对数字识别问 题 研究了BP神经网络分类器的建立和识别过程 仿真结果表明 对于字体和字号与训练样本集相同 的测试样本 无论图像中的数字在什么位置 都可以识 别出来 而对于字体和字号与训练样本集不同的测试样 本 只有一部分能正确识别 并且对于带有噪声的数字 运行程序的实验结果是不理想的 所以本课题程序有 待于进一步的整理和调试 为提高识别率 可以增加训 练样本 或通过增加字体的特征向量等途径来解决
