数字识别系统的毕业论文

《数字识别系统的毕业论文》由会员分享，可在线阅读，更多相关《数字识别系统的毕业论文（13页珍藏版）》请在金锄头文库上搜索。

1、 1 目 录 第一章数字识别概述第一章数字识别概述3 1.1 手写数字识别的一般方法及比较.3 1.2 神经网络概念4 1.3 神经网络集中算法与比较.4 1.4 神经网络在数字识别中的应用.5 1.5 本论文主要研究内容6 第二章第二章 神经网络理论及算法神经网络理论及算法7 2.1 人工神经网络基本原理.7 2.1.1 神经细胞以及人工神经元组成.7 2.1.2 人工神经元模型.7 2.2 神经网络的学习规则.7 2.2.1 神经网络的联接形式.7 2.2.2 神经网络的学习和训练.8 2.2.3 神经网络的学习规则.9 2.3 BP 神经网络概述.9 2.3.1 基于 BP 算法的多层前

2、馈网络模型9 2.3.2 BP 网络学习算法 .10 第三章第三章 图像预处理设计与实现图像预处理设计与实现12 3.1 数字识别系统流程.12 3.2 开发环境介绍13 第四章第四章 神经网络识别设计与实现神经网络识别设计与实现13 4.1 BP算法在数字识别中在应用 13 4.2 BP 神经网络各层神经元数目的确定14 4.3 BMP 格式图片简介16 4.4 神经网络数字识别系统主要源代码.16 4.4 识别系统运行的结果19 4.5 系统设计中遇到的问题.22 心得体会心得体会22 参考文献参考文献24 致谢致谢24 2 手写数字识别的研究与应用 摘摘 要：要：手写体数字识别模式识别领

3、域中最成功的应用之一。由于识别类型较少， 在实际生活中有深远的应用需求，一直得到广泛的重视。近年来随着计算机技术和 数字图像处理技术的飞速发展，数字识别在电子商务、机器自动输入等场合已经获 得成功的实际应用。人工神经网络是模式识别中一个重要的分支之一。本论文主要 才用 VC+编写并实现了一个基于 BP 神经网络的手写数字识别系统。系统分为图像 处理和数字识别两个部分。系统首先需要进行训练之后再把所要识别的图片输入系 统经过图片预处理之后进行数字识别。 关键词关键词：图像处理；神经网络；数字识别 第一章第一章数字识别概述数字识别概述 模式识别是六十年代初迅速发展起来的一门学科。由于它研究的是如何

4、用机器 来实现人及某些动物对事物的学习、识别和判断能力，因而受到了很多科技领域研 究人员的注意，成为人工智能研究的一个重要方面。 字符识别是模式识别的一个传统研究领域而在字符识别中数字识别也成为现在 研究的一个热点。数字识别分为印刷数字识别和手写数字识别。在手写数字和印刷 体数字识别在两个领域手写数字识别的难度比较大。手写数字识别难度主要在于： 一、数字相似性大，但字形相差不大；二、数字虽只有十种，但笔划简单，同一个 数字写法差别巨大；三、手写数字存在大量断笔和毛刺，对识别造成影响。手写数 字识别过程主要分为预处理、特征提取和识别三个阶段。 手写体数字识别可以用在很多方面，如邮政编码自动识别系

5、统银行支票自动 处理系统等一般情况。但是涉及到银行、支票等业务的时候对于数字要求也变的很 高，因此对于系统的正确率和准确率的要求相应的也会变得很高。 1.1 手写数字识别的一般方法及比较手写数字识别的一般方法及比较 由于手写数字有很大的随意性，笔划简单，同一个数字写法差别巨大，所以近 年来没有一种简单的数字识别系统在数字识别方面有很高的数字识别率。现在很多 的研究者已经把知识运用到预处理和特征提取这两方面从而提高数字识别系统的识 别率。近年来，人工智能中专家系统方法、人工神经网络方法已应用于手写数字识 别。在手写数字识别的研究中，神经网络技术和多种方法的综合是值得重视的方向。 针对模式特征的不

6、同选择，可将模式识别方法大致分为 3 大类这 3 种识别方法 均可实现手写数字识别，但它们特点不同，必须根据条件进行选择。 （1）神经网络方法 3 就是使用人工神经网络方法实现模式识别。可处理某些环境信息十分复杂，背 景知识不清楚，推理规则不明确的问题，允许样品有较大的缺损、畸变。神经网络 方法的缺点是其模型在不断丰富完善中，目前能识别的模式类不够多，神经网络方 法允许样品有较大的缺损和畸变，其运行速度快，自适应性能好，具有较高的分辨 率 （2）统计模式法 这是以同类模式具有相同属性为基础的识别方法。用来描述事物属性的参量叫 做待征，它可以通过模式的多个样本的测量值统计分析后按一定准则来提取。

7、例如:在 手写数字识别系统中，我们可以把每个数字的图形分为若干个小方块(图)，然后统 计每一小方块中的黑像素构成一个多维特征矢量，作为该数字的特征。必须注意的 是:在选择特征时，用于各类模式的特征应该把同类模式的各个样本聚集在一起， 而使不同类模式的样本尽量分开，以保证识别系统能具有足够高的识别率。 （3）模糊模式方法 就是在模式识别过程中引入了模糊集的概念，由于隶属度函数作为样品与模板 相似程度的量度，故能反映整体的、主要的特性，模糊模式有相当不匀称的抗干扰 与畸变，从而允许样品有相当程度的干扰与畸变，但准确合理的隶属度函数往往难 以建立。目前有学者在研究，并将其引入神经网络方法形成模糊神经

8、网络识别系统。 1.31.3 神经网络集中算法与比较神经网络集中算法与比较 1、单层感知器算法 当它用于两类模式的分类时，若模式是线性可分的，则算法一定收敛，否则不收 敛；故连最常用异或逻辑运算都无法实现。它对权值向量的学习算法是基于迭代的 思想，通常是采用纠错学习规则的学习算法。 2、梯度(LMS)算法 自适应过程是一个不断逼近目标的过程。它所遵循的途径以数学模型表示，称为 自适应算法。通常采用基于梯度的算法其中最小均方误差算法（即LMS算法）尤为 常用。自适应算法可以用硬件(处理电路)或软件（程序控制）两种办法实现。前者 依据算法的数学模型设计电路，后者则将算法的数学模型编制成程序并用计算

9、机实 现。 3、BP算法 多层感知器(MLP)中的每个神经元的激励函数都是可微Sigmoid函数。但在多层网络 中只能改变最后权系数，不能用于多层神经网络的学习，故提出BP算法。BP算法实 质是求取误差函数的最小值问题。采用非线性规划中的最速下降方法，按误差函数 的负梯度方向修改权系数。 感知器学习规则和LMS算法是设计用来训练单层的类似感知器的网络的，只能解 决线性可分的分类问题。BP网络为多层网络，克服了以上弊端。BP算法与LMS算法 都是以最小均方误差为准则，BP算法使用的是在LMS算法中用到的相同的近似最速 下降法。所以本文才用BP神经网络方法来实现手写数字识别系统的设计 4 1.41

10、.4 神经网络在数字识别中的应用神经网络在数字识别中的应用 神经网络模型可以模拟生物神经元对信息的收集、加工、处理、存储和搜索等 过程，因此在模式识别中得到了广泛的应用。神经网络模型的主要有以下几个特点： (1)神经网络具有分布式存储信息的特点，具有高速寻找优化解的能力，能够 发挥计算机的高速运算能力，可以很快的找到优秀解。在神经网络中，知识不是存 储在特定的存储单元中，而是分布在整个系统之中，要存储多个知识就需要很多链 接，并且在神经网络中要获得存储知识则采用“联想的方法”。 (2) 神经网络对信息处理及推理的并行特点。神经网络中每个神经元都能独立 的接受和处理信息并输出结果，这体现了神经网

11、络对信息处理的并行性特点。神经 网络对于一个特定的输入模式，通过前向计算产生一个输出模式，各个输出节点代 表的逻辑概念被同时计算出来。在输出模式中，通过输出节点的比较和本身信号的 强弱而得到特定的解，这体现了神经网络的推理并行性的特点。 (3) 神经网络具有自主学习能力，通过对过去历史数据的学习，训练出一个具 有归纳全部数据的的特定的神经网络，自学能力对于预测有很特别的意义。 （4）神经网络具有容错性，它可以从不完善的数据和图形进行学习和做出决 定。由于知识存在整个系统中，而不是一个存储单元中，预定的比例节点不参与运 算，对整个系统的性能不会产生很大影响。它能够处理那些有噪声或不完全的数据，

12、具有泛化功能和很强的存储能力。 随着计算机技术的飞速发展，模式识别技术已经从理论研究为主发展到了实际 生活生产中大量的应用。模式识别的研究方向也更多的转为了图形图像、语言语音、 机器人控制等实际的问题，而解决这些问题需要进行大量的复杂的实时数据处理， 但传统结构的计算机的存储和计算能力的局限性，在实时信息处理方面的应用受阻。 由于神经网络在处理信息时具有并行性特点，人们将神经网络引入到模式识别 领域来解决这些应用问题。同时神经网络的引入对模式识别的发展起到了巨大的推 进作用，数字识别技术就是这样一个重要的领域。 数字识别是一项具有巨大的经济和研究价值的课题，随着神经网络和模糊逻辑 5 技术的发

13、展，人们对这一传统的研究领域取得了突破性的进展。 1.1.5 5 本论文主要研究内容本论文主要研究内容 本文针对数字识别系统的设计与实现做了如下工作： 第一章绪论。主要介绍了数字识别课题的概况，神经网络在数字识别中的应用 情况。 第二章神经网络理论及算法。主要介绍了人工神经网络的原理及模型，并对本 系统所采用的 BP 神经网络原来和算法做了详细介绍。 第三章基于神经网络的数字识别系统设计。主要介绍了本系统的设计方案，其 中包括了图像预处理及其算法、神经网络识别过程等内容。 第四章基于神经网络的数字识别系统实现。主要讲解使用 VC+实现本系统中 使用的关键技术和实现方法。 第五章总结本论文所做工

14、作和不足。 6 第二章 神经网络理论及算法 2.12.1 人工神经网络基本原理人工神经网络基本原理 2.1.12.1.1 神经细胞以及人工神经元组成神经细胞以及人工神经元组成 神经系统的基本构造单元是神经细胞，也称神经元。它和人体中其他细胞的关 键区别在于具有产生、处理和传递信号的功能。每个神经元都包括三个主要部分: 细胞体、树突和轴突。树突的作用是向四方收集由其他神经细胞传来的信息，轴突 的功能是传出从细胞体送来的信息。每个神经细胞所产生和传递的基本信息是兴奋 或抑制。在两个神经细胞之间的相互接触点称为突触。 从信息的传递过程来看，一个神经细胞的树突，在突触处从其他神经细胞接受 信号。这些信

15、号可能是兴奋性的，也可能是抑制性的。所有树突接受到的信号都传 到细胞体进行综合处理，如果在一个时间间隔内，某一细胞接受到的兴奋性信号量 足够大，以致于使该细胞被激活，而产生一个脉冲信号。这个信号将沿着该细胞的 轴突传送出去，并通过突触传给其他神经细胞.神经细胞通过突触的联接形成神经 网络。 2.1.22.1.2 人工神经元模型人工神经元模型 人工神经网络的基本处理单元是神经元，它通常是多输入/单输出的非线性或 者线性元件。神经元不仅受输入信号的影响还受其内部的其他因素的影响，所以一 般在神经网络中我们还要加入修正干扰的的输入信号，我们称为偏差或者阀值、门 限值。如图 2-1 所示是一个有 r

16、个输入分量的神经元结构图。其中，输入分量 通过与和它相乘的权值分量相连，以的形式rjpj,.,2 , 1rjw j ,2 , 1 r j jjp w 1 求和后，组成激活函数 f()的输入。激活函数的另一个输入是神经元的偏差 b,权值 Wj 和输入分量的矩阵形式可以由 W 的行矢量以及 P 的列矢量来表示: 2-(1) r wwwW. 21 2-(2) t r pppP. 21 2.22.2 神经网络的学习规则神经网络的学习规则 2.2.12.2.1 神经网络的联接形式神经网络的联接形式 人脑中大量的神经细胞都不是孤立的，而是通过突触形式相互联系着，构成结 构与功能十分复杂的神经网络系统。为了便于从结构出发模拟智能，因此必须将一 定数量的神经元适当地联接成网络，从而形成多种神经网络模型。 通常所说的神经网络的结构，主要指它的联接方式。神经网络按照拓扑结构属 7 于以神经元为节点，以及节点间有向连接为边的一种图，其结构大体上可分为层状 和网状两大类。 层状结构的神经网络是由若干层组成，每层中有一定数量的神经元，相邻层中 神经元单向联接，一般地