信號(hào)與信息處理專業(yè)畢業(yè)論文[精品論文]一種基于lm-bp神經(jīng)網(wǎng)絡(luò)的手寫體數(shù)字識(shí)別系統(tǒng)-文庫吧
2024-10-28 04:26 本頁面
【正文】 在預(yù)處理方面，本文著重研究了帶折線型斷筆的字符的斷筆連接問題，提出了一種端點(diǎn)特征提取法，結(jié)合 DDA 算法，形成了一種能連接多種折線型斷筆的新方法。此外，針對(duì)二值圖像的特點(diǎn)，修改了傳統(tǒng)中值濾波法的具體運(yùn)算方法，提出了一套快速的運(yùn)算規(guī)則。另外，使用形態(tài)學(xué)膨脹技術(shù)粗化細(xì)化后的字符，均勻化 了字符筆畫，用做分類器的輸入。 分類識(shí)別器采用了 LMBP 神經(jīng)網(wǎng)絡(luò)。對(duì)傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法進(jìn)行了研究，采用綜合優(yōu)化訓(xùn)練算法，使用 LM 數(shù)值優(yōu)化算法進(jìn)行權(quán)值與閾值修正，并引入了自適應(yīng)調(diào)節(jié)參數(shù)，靈活地調(diào)節(jié)網(wǎng)絡(luò)訓(xùn)練方式。 識(shí)別系統(tǒng)對(duì)美國(guó)郵政管理局（ USPS）手寫體數(shù)字圖像庫分別進(jìn)行了傳統(tǒng) BP 神經(jīng)網(wǎng)絡(luò)和 LMBP 神經(jīng)網(wǎng)絡(luò)測(cè)試實(shí)驗(yàn)，傳統(tǒng) BP 神經(jīng)網(wǎng)絡(luò)的最好識(shí)別率為 ％，LMBP 神經(jīng)網(wǎng)絡(luò)的識(shí)別率達(dá)到了 ％，實(shí)驗(yàn)結(jié)果表明該系統(tǒng)對(duì)手寫數(shù)字具有較高的識(shí)別率。 光學(xué)字符識(shí)別是 20 世紀(jì) 20 年代逐步 發(fā)展起來的一門自動(dòng)化技術(shù)。日常生活中會(huì)遇到各種各樣的數(shù)字信息需要錄入到計(jì)算機(jī)中去，如大規(guī)模的數(shù)據(jù)統(tǒng)計(jì)、財(cái)務(wù)、稅務(wù)、金融及郵件分揀等。因此手寫體數(shù)字識(shí)別有著廣泛的應(yīng)用前景，對(duì)其進(jìn)行研究有著重要的現(xiàn)實(shí)意義。 本文對(duì)手寫數(shù)字識(shí)別技術(shù)進(jìn)行了研究和探討，采用基于 LMBP 神經(jīng)網(wǎng)絡(luò)分類器的手寫數(shù)字識(shí)別方法。該識(shí)別方法以圖像預(yù)處理和一定的字符特征提取為基礎(chǔ)，采用結(jié)合了 LM數(shù)值優(yōu)化法的 BP 神經(jīng)網(wǎng)絡(luò)作為核心識(shí)別分類器，對(duì)點(diǎn)陣輸入向量進(jìn)行分類識(shí)別而確定出最后的識(shí)別結(jié)果。 在預(yù)處理方面，本文著重研究了帶折線型斷筆的字符的 斷筆連接問題，提出了一種端點(diǎn)特征提取法，結(jié)合 DDA 算法，形成了一種能連接多種折線型斷筆的新方法。此外，針對(duì)二值圖像的特點(diǎn)，修改了傳統(tǒng)中值濾波法的具體運(yùn)算方法，提出了一套快速的運(yùn)算規(guī)則。另外，使用形態(tài)學(xué)膨脹技術(shù)粗化細(xì)化后的字符，均勻化了字符筆畫，用做分類器的輸入。 分類識(shí)別器采用了 LMBP 神經(jīng)網(wǎng)絡(luò)。對(duì)傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法進(jìn)行了研究，采用綜合優(yōu)化訓(xùn)練算法，使用 LM 數(shù)值優(yōu)化算法進(jìn)行權(quán)值與閾值修正，并引入了自適應(yīng)調(diào)節(jié)參數(shù)，靈活地調(diào)節(jié)網(wǎng)絡(luò)訓(xùn)練方式。 識(shí)別系統(tǒng)對(duì)美國(guó)郵政管理局（ USPS）手寫體數(shù)字圖像庫 分別進(jìn)行了傳統(tǒng) BP 神經(jīng)網(wǎng)絡(luò)和 LMBP 神經(jīng)網(wǎng)絡(luò)測(cè)試實(shí)驗(yàn)，傳統(tǒng) BP 神經(jīng)網(wǎng)絡(luò)的最好識(shí)別率為 ％，LMBP 神經(jīng)網(wǎng)絡(luò)的識(shí)別率達(dá)到了 ％，實(shí)驗(yàn)結(jié)果表明該系統(tǒng)對(duì)手寫數(shù)字具有較高的識(shí)別率。 光學(xué)字符識(shí)別是 20 世紀(jì) 20 年代逐步發(fā)展起來的一門自動(dòng)化技術(shù)。日常生活中會(huì)遇到各種各樣的數(shù)字信息需要錄入到計(jì)算機(jī)中去，如大規(guī)模的數(shù)據(jù)統(tǒng)計(jì)、財(cái)務(wù)、稅務(wù)、金融及郵件分揀等。因此手寫體數(shù)字識(shí)別有著廣泛的應(yīng)用前景，對(duì)其進(jìn)行研究有著重要的現(xiàn)實(shí)意義。 本文對(duì)手寫數(shù)字識(shí)別技術(shù)進(jìn)行了研究和探討，采用基于 LMBP 神經(jīng)網(wǎng)絡(luò)分類器 的手寫數(shù)字識(shí)別方法。該識(shí)別方法以圖像預(yù)處理和一定的字符特征提取為基礎(chǔ)，采用結(jié)合了 LM數(shù)值優(yōu)化法的 BP 神經(jīng)網(wǎng)絡(luò)作為核心識(shí)別分類器，對(duì)點(diǎn)陣輸入向量進(jìn)行分類識(shí)別而確定出最后的識(shí)別結(jié)果。 在預(yù)處理方面，本文著重研究了帶折線型斷筆的字符的斷筆連接問題，提出了一種端點(diǎn)特征提取法，結(jié)合 DDA 算法，形成了一種能連接多種折線型斷筆的新方法。此外，針對(duì)二值圖像的特點(diǎn)，修改了傳統(tǒng)中值濾波法的具體運(yùn)算方法，提出了一套快速的運(yùn)算規(guī)則。另外，使用形態(tài)學(xué)膨脹技術(shù)粗化細(xì)化后的字符，均勻化了字符筆畫，用做分類器的輸入。 分類識(shí)別器采 用了 LMBP 神經(jīng)網(wǎng)絡(luò)。對(duì)傳統(tǒng)的 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法進(jìn)行了研究，采用綜合優(yōu)化訓(xùn)練算法，使用 LM 數(shù)值優(yōu)化算法進(jìn)行權(quán)值與閾值修正，并引入了自適應(yīng)調(diào)節(jié)參數(shù)，靈活地調(diào)節(jié)網(wǎng)絡(luò)訓(xùn)練方式。 識(shí)別系統(tǒng)對(duì)美國(guó)郵政管理局（ USPS）手寫體數(shù)字圖像庫分別進(jìn)行了傳統(tǒng) BP 神經(jīng)網(wǎng)絡(luò)和 LMBP 神經(jīng)網(wǎng)絡(luò)測(cè)試實(shí)驗(yàn)，傳統(tǒng) BP 神經(jīng)網(wǎng)絡(luò)的最好識(shí)別率為 ％，LMBP 神
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1