【正文】 重點地思考，就等于無主要目標，做事的效率必然會十分低下。實驗結(jié)果分析正確，論文條理清晰，圖表規(guī)范，已達到畢業(yè)設(shè)計要求。 該 同學在畢業(yè)設(shè)計中 學習刻苦 ，態(tài)度認真，能夠按要求和進度完成畢業(yè)設(shè)計。要求精通 c， matlab 等語言，能夠?qū)Φ湫退惴ㄟM行軟件仿真；對仿真結(jié)果進行分析討論，指出優(yōu)缺點，提出改進的思路 ,并對未來發(fā)展進行展望。 感謝同學們對我的幫助。 ，提高識別率，不讓 BP網(wǎng)絡出現(xiàn)把噪聲當成數(shù)字或者字母的情況仍然值得注意。下面是示例使用 medifilt2 去除圖像中的噪聲 。如 表 所示 。在本系統(tǒng)中采用 13 點特征提取的方法提取特征。 =。 39。 Ostu 提出的 “ 最大類間方差法 ” [15]，算法 簡單、穩(wěn)定有效，一直廣為使用，是一種受到普遍歡迎的閾值選取方法。 第三章 基于 BP神經(jīng)網(wǎng)絡的印刷體數(shù)字檢測與識別算法 本系統(tǒng) 基于 BP 網(wǎng)絡的算法 ，實現(xiàn)了對印刷體數(shù)字 二值 圖像的檢測與識別，能夠 在二值圖像中實現(xiàn)印刷體數(shù)字的檢測與識別 ，另外能夠?qū)㈦s在數(shù)字中的字母進行 識別 ，識別顯示結(jié)果為 1， 算法中主要 包括神經(jīng)網(wǎng)絡的訓 練， 待識別圖像的預處理，數(shù)字圖像的剪裁， 識別 四 個部分，下面分別介紹這 四 個部分 。 表 S1取不同值的時候循環(huán)次數(shù)比較 S1 Epochs S1 Epochs S1 Epochs S1 Epochs 15 438 20 258 25 272 30 257 16 276 21 274 26 249 31 276 17 272 22 276 27 274 32 272 18 271 23 274 28 269 33 271 19 260 24 262 29 266 34 265 通過 表 可以觀察出，除了當 S1 為 15 時，網(wǎng)絡訓練需要循環(huán)次數(shù)比較多之外，當隱層節(jié)點為表中其他值時網(wǎng)絡的訓練循環(huán)次數(shù)并沒有較大的變化。將含有英 文字母和數(shù)字的部分用點陣畫出其圖形，并將其數(shù)字化為 16 16 的 0、 1矩陣，例如數(shù)字 5: 由此數(shù)字 5 的 0、 1 矩陣在 MatLab 中可以表示為一個 256 1 的矩陣，用同樣的方法來定義其余字母以及數(shù)字，最終得到樣本矩陣為： alphabetnum = [Number0,Number1,?? Number9]。在輸出層把輸出值和期望值進行比較，如果輸出值不等于期望值，則進入反向傳播過程。軟件流程圖如圖 所示 [9]： 圖 模板匹配字符識別的流程圖 BP 神經(jīng)網(wǎng)絡法 英文字母和數(shù)字識別技術(shù)是 BP 神經(jīng)網(wǎng)絡的一個重要應用。 第二章介紹 了目前最常用的兩種識別方法模板匹配法和 BP 神經(jīng)網(wǎng)絡法，重點介紹了神經(jīng)網(wǎng)絡對字符識別的原理。這里，假設(shè)我們設(shè)定的字符標準歸一化的寬度為 8，高度為 16，那么對于每個字符就有128 維的特征。否則可能會處于誤差平面較平坦的區(qū)域，從而導致算法無法收斂，訓練失敗。 第六步 ： 判斷是否已經(jīng)到了最大迭代次數(shù)，若到，轉(zhuǎn)第八步，否則反向計算每層神經(jīng)元的局部梯度。jkjkkjkjkjkkjkkjk ne tfOEne tOOEne tE ?????????? ??? （ ）mjmmkmmjmkkiikmim jkmkkjkmkm mkkjkkWWn e tEOWOn e tEOn e tn e tEOE?????????????????????? （ ） 因此 可得： mjm mkjkjk Wne tf ?? ?? )(39。 在信號傳遞的過程中網(wǎng)絡的權(quán)值是固定不變的，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。所謂感知器（ perceptron），也 即給定一個或多個已知類別的輸入，通過對網(wǎng)絡的訓練以實現(xiàn)所有輸入數(shù)據(jù)的正確分類的數(shù)學模型。一般就實際情況而言，多層網(wǎng)絡用處要廣的多。神經(jīng)元的排列拓撲結(jié)構(gòu)和突觸的連接強度確立了神經(jīng)網(wǎng)絡的功能。計算待識別字符特征向量 X 與每一個標準樣本之間的“距離”，并將 X歸為與它”距離”最近的類別，即 :對所有的 ji? 有 DiDj，則 X就屬于 Wi類字符。 (3)筆劃長短、位置有變化。 字符識別是利用計算機自動辨識印刷在紙上或人寫在紙上的漢字，是模式識別的一個重要分支，也是文字識別領(lǐng)域較為困難的問題之一。因此，世界各國對信息產(chǎn)業(yè)的發(fā)展都給予了極大的關(guān)注和重視。 圖像預處理 包括圖像的二值化、 去噪， 分割。 本 系統(tǒng)采用 BP 網(wǎng)絡實現(xiàn)對數(shù)字的識別 和對字母的區(qū)分，利用數(shù)字和字母的樣本對 BP 網(wǎng)絡進行訓練用于后面的處理與識別。 研究的目的及意義 ............................................ 1 字符識別的方法和關(guān)鍵 ......................................... 2 基于模板匹配的印刷體數(shù)字識別技術(shù)的原理 ................. 2 基于神經(jīng)網(wǎng)絡的字符識別原理 ............................. 2 本文的研究背景及主要內(nèi)容 .................................... 8 第二章 數(shù)字識別原理及方案 ............................................ 9 模板匹配算法 ................................................. 9 模板匹配算法分析 ....................................... 9 模板匹配識別的軟件實現(xiàn) ................................ 9 BP 神經(jīng) 網(wǎng)絡法 ............................................... 10 本章小結(jié) .................................................... 14 第三章 基于 BP神經(jīng)網(wǎng)絡的印刷體數(shù)字檢測與識別算法 .................... 15 神經(jīng)網(wǎng)絡的訓練 .............................................. 15 輸入訓練樣本 .......................................... 15 設(shè)定閾值 .............................................. 15 Bp 網(wǎng)絡的構(gòu)造 ......................................... 17 特征提取算法 .......................................... 18 待識別圖像的預處理 .......................................... 19 圖像的二值化處理 ...................................... 19 圖像的去噪 ............................................ 19 單個數(shù)字圖像的分割 .......................................... 20 調(diào)用已經(jīng)保存的神經(jīng)網(wǎng)絡 ...................................... 20 本章小結(jié) .................................................... 20 第 四章 仿真結(jié)果 .................................................... 21 仿真結(jié)果舉例 ................................................ 21 結(jié)論 ........................................................ 22 第五章 總結(jié)與展望 .................................................. 23 總結(jié) ....................................................... 23 展望 ....................................................... 23 致謝 .............................................................. 25 參考文獻 .......................................................... 27 第一章 緒論 研究的目的及意義 人類社會己開始進入信息時代，信息產(chǎn)業(yè)的發(fā)展將對國家的發(fā)達和民族的興旺產(chǎn)生重大的影響。要實現(xiàn)對這些文字信息處理過程的機械化、自動化，其先決條件就是利用計算機對這些文字信息進行識別。 (2)筆劃裝飾及方向角度不同。任一二值化處理后并且經(jīng)過大小歸一化和細化處理后的字符特征向量 X 與每一個標準樣本之間的“距離”為 Di。軸突是單根長纖維，它把細胞體的輸出信號導向其他的神經(jīng)元。以上是對一個單層神經(jīng)網(wǎng)絡的描述。 文中曾多次提到過，感知器是神經(jīng)網(wǎng)絡的基礎(chǔ)，也是 BP網(wǎng)絡的基礎(chǔ)。 這是工作信號的正向 傳播。 ^^^ jkkkjkkkkjk n e tfyyn e tyyE ????????? （ ） 若 j 不是輸出節(jié)點時，有 ： )(39。判斷是否滿足 要求，若滿足轉(zhuǎn)第八步；步滿足轉(zhuǎn)第六步。 B. 初始權(quán)值不要太大。經(jīng)圖像預處理過程之后，可以將最終提取到的字符的特征送入 BP 網(wǎng)絡進行訓練及識別了。 本文的結(jié)構(gòu)安排如下： 第一章介紹 研究印刷體字符識別的目的 及意義，以及印刷體字符識別的基本原理。 模板匹配識別的 軟件實現(xiàn) 基于模板匹配的數(shù)字識別，首先是利用 CMOS圖像傳感器采集測試數(shù)字的圖像，讀回數(shù)字圖像的灰度數(shù)組，然后對其進行圖像的預處理，提取測試數(shù)字的特征，與標準字符特征庫模板匹配，實現(xiàn)識別。 BP 算法工作過程如下 [10]： （ 1）正向傳播：輸入的樣本從輸入層經(jīng)過隱層處理后傳向輸出 層；在逐層處理的過程中，每一層神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。 2 每層神經(jīng)元數(shù) （ 1）輸入層節(jié)點個數(shù) 由于 BP 網(wǎng)絡不能直接處理圖片信息，需要將要識別的圖像進行預處理。結(jié)果如表 所示 ， 其中 S1 為隱層節(jié)點個數(shù)， Epochs 為訓練循環(huán)次數(shù)。 本章小結(jié) 本章主要介紹了目前印刷體字符識別最常用的兩種方法 —— 模板匹配法和BP 神經(jīng)網(wǎng)絡法，并且給出了各自的算法，其中，對神經(jīng)網(wǎng)絡做了詳細的介紹， 給出了在 BP 神經(jīng)網(wǎng)絡用于印刷體字符識別的時候各層的節(jié)點數(shù)和每層的神經(jīng)元數(shù)目，最后給出了算法流圖。下面主要介紹一下最大類間方差法確定閾值。logsig39。 設(shè)置的訓練步數(shù)誤差范圍： =2500。特征向量的提取方法多種多樣，有逐象素特征提取發(fā)，骨架特征提取法，垂直方向數(shù)據(jù)統(tǒng)計特征提取法， 13 點特征提取法，弧度梯度特征提取法等很多種方法，根據(jù)具體情況的不同我們可以來選擇不同的方法。將模板的特征提取出來，保存在文件里，建立標準的特征庫 [19]。 Ordfilt2[20]執(zhí)行過濾，是 medfilt2 延伸。 第五章 總結(jié)與展望 總結(jié) 本文研究內(nèi)容為基于 BP 神經(jīng)網(wǎng)絡的印刷體數(shù)字圖像的檢測與識別，這里重點放在了對 BP 神經(jīng) 網(wǎng)絡的應用上，在課題研究過程中，由于時間、精力和條件等因素的限制，對一些問題的研究深度不夠，在以下幾個方面還需要做進一步研究工作