【正文】 反應(yīng)手 寫字母的整體骨架結(jié)構(gòu)對字母的正確識別有很大的作用。 圖 八個掃描方向 本文采用筆劃 密度的方式訓(xùn)練特征；從水平和垂直方向掃描數(shù)字，計算掃描線和字符相交的次數(shù)，即筆劃密度特征向量。因此，外 廓特征對孤立點和噪音不敏感，次特征比較穩(wěn)定對識別率有所提高。但是對于神經(jīng)細胞的來說比較特殊，具有許 多的個性突起，所以把神經(jīng)元細胞為細胞體、樹突、軸突三個部分（如 圖 ）。人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)模仿人腦，具有并行處理特征，可以大大提高工作速度。 BP 網(wǎng)絡(luò)有師學(xué)習(xí)方式需要設(shè)定期望值和無師學(xué)習(xí)方式只需輸入模式之分。人工神經(jīng)網(wǎng)絡(luò)必須要以一定的學(xué)習(xí)準則來進行學(xué)習(xí)，然后才能運用于實踐。這說明網(wǎng)絡(luò)對這兩個模式的學(xué)習(xí)是成功的自學(xué)習(xí)后 BP 神經(jīng)網(wǎng)絡(luò)自身已將這兩個模式分布地記憶在網(wǎng)絡(luò)的各個連接權(quán)值上。此時經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信息。本文是對 26 個英文字母進行識別所以確定輸出層的節(jié)點數(shù)就是 26 個。 （ 2） 進化方法 該方法結(jié)合了生物進化的原理稱為遺傳算法 (GAGeic Algorithm)，具有全局搜索的能力，對 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化和調(diào)整有著顯著的作用。 （ ） m：輸入節(jié)點數(shù)； n：輸出節(jié)點數(shù)； c：介于 1～ 10 的常數(shù)。適的，若訓(xùn)練過程中的均方誤差出現(xiàn)平坦化 甚至說是震蕩現(xiàn)象，則說明學(xué)習(xí)速率選的比較大。學(xué)習(xí)速率太大會導(dǎo)致系統(tǒng)不穩(wěn)定，學(xué)習(xí)速率太小將導(dǎo)致訓(xùn)練時間延長使的收斂很慢，但是可以保證網(wǎng)絡(luò)的誤差值跳不出誤差范圍，使的訓(xùn)練結(jié)果趨于最小誤差值。 在此基礎(chǔ)上本文有提出了一種隱含層節(jié)點的解決方法：利用逐步回歸分析法結(jié)合參數(shù)的顯著性檢驗來刪除部分線形相關(guān)的隱含層節(jié)點，節(jié)點刪除的標準是：當上一層節(jié)點指向的下一層節(jié)點的所有權(quán)值均落在了死區(qū) （通常取 177。如果隱含層節(jié)點數(shù)過少的話，可能導(dǎo)致網(wǎng)絡(luò)不能進行訓(xùn)練或?qū)е戮W(wǎng)絡(luò)性能變差；如果隱層節(jié)點數(shù)過多，雖然能夠使的神經(jīng)網(wǎng)絡(luò)的整體系統(tǒng)誤差降低，但它不僅延長了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間，且容易在訓(xùn)練過程中陷入局部極小值點而無法得到最優(yōu)點， 甚至不能收斂，網(wǎng)絡(luò)的容錯能力差， 往往使得其反，這也是訓(xùn)練時網(wǎng)絡(luò)出現(xiàn)“過擬合的原因。所以要想確定輸入層節(jié)點的個數(shù)就必須確定要輸入的有效數(shù)據(jù)的個數(shù)。 如圖 所示拓撲結(jié)構(gòu)的單隱層（隱含層只有一層）前饋網(wǎng)絡(luò)，通常稱為三層前向反饋神經(jīng)網(wǎng)絡(luò)，即：輸入層、中間層、隱含層及輸出層。這樣網(wǎng)絡(luò)輸濟南大學(xué)泉城學(xué)院畢業(yè)論文 22 出值為 “1”和 “0”的概率都為 。各個輸出值由于其連接權(quán)值的不同而被放大或縮小。 神經(jīng)網(wǎng)絡(luò)的模型圖 BP 網(wǎng)絡(luò)模型包括輸出模型、輸入模型、誤差計算模型、作用函數(shù)模型和自學(xué)習(xí)模型 [7]。各神經(jīng)元之間的連接強度和極性有所不同，并且都可調(diào)整、基于這一特性，人腦具有存儲信息 的功能。單個神經(jīng)元的結(jié)構(gòu)和功能比較簡單，但是大量神經(jīng)元之間相互組合而產(chǎn)生的系統(tǒng)卻相當復(fù)雜。規(guī)整化的字符以 N N 的點陣表示，在這里 N 為 32。 135 度方向， 90 度方向， 45度方向 如圖 ，統(tǒng)計八個不同方向上由外至內(nèi)首個黑點距離邊界的距離 [24]。因此，以粗網(wǎng)格為特征進行數(shù)字識別，具有較好的正確識別率。運行程序后所得到的 百分比例 如 表 ： 表 像素百分比 A B C D E F G H I J K L M N O P Q R S T U V W X Y Z 字母特征 結(jié)構(gòu)特征 統(tǒng)計特征 重心特征 心 筆畫密度特征 外輪 廓特征 像素百分比特征 粗網(wǎng)格特征 矩陣像素特征 濟南大學(xué)泉城學(xué)院畢業(yè)論文 15 提取矩陣的粗網(wǎng)格特征 粗網(wǎng)格特征注重的是字符圖像的局部分布特征，反應(yīng)的是英文字符的局部像素比例。本文為了對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練以后提高字符的識別率。字符的特征可 以分為兩大特征，一：結(jié)構(gòu)特征二：統(tǒng)計特征。 (4)細化后的圖像要有效地保留原圖像的核心骨架結(jié)構(gòu)，比如保留細化前圖像的拓撲結(jié)構(gòu)等。歸一化把原始的圖像放大成一個相同規(guī)格的全新的字符圖像，其中新增加的像素其灰度值只是基于原始字符圖0 0 1 0 0 0 1 0 1 0 0 1 1 1 0 1 0 0 0 1 0 0 0 0 0 濟南大學(xué)泉城學(xué)院畢業(yè)論文 11 像所派生出來的，所以圖像的信息量并未增加，但使得圖像更易于處理有利于提高識別率。也就是轉(zhuǎn)換成唯一的標準形式以抵抗仿射變換。有效地確定閥值所得到得二值化圖像可以提高英文字母的正確識別率。 對 C 進行濾波前后的對比如下圖： 濾波前 濾 波后 圖 手寫字符濾波前后比對圖 二值化 在數(shù)字圖像的處理當中，二值圖像有著非常重要的地位。 均值濾波和中值濾波的比較：對于均值濾波 把目標像素點都用模板周圍的 8個像素的灰度均值來代替。 本文預(yù)處理設(shè)計 本章的預(yù)處理過程的設(shè)計 如 圖 ： 樣本字母 預(yù)處理 特征提取 訓(xùn)練模式 待識字母 預(yù)處理 特征提取 分類 結(jié)果輸出 學(xué)習(xí)階段 識別階段 濟南大學(xué)泉城學(xué)院畢業(yè)論文 7 圖 預(yù)處理過程 去噪 我們得到的原始圖像應(yīng)書寫風(fēng)格的不同，外部環(huán)境的影響往往存在個別的孤立點，這就是我們說的噪音。并結(jié)合提取的特征向量，確定本文采用的 BP 網(wǎng)絡(luò)的網(wǎng)絡(luò)模型。基于 BP 網(wǎng)絡(luò)的手寫英文字母識別包括兩個階段：一個是訓(xùn)練階段和一個是識別階段，這兩個階段包含輸入、預(yù)處理、特征提取、分類及輸出五個部分。 [6] 人工神經(jīng)網(wǎng)絡(luò)方法 人工神經(jīng)網(wǎng)絡(luò)（ ArtificialNeuralNetworks，簡寫為 ANNs）也簡稱為神經(jīng)網(wǎng)絡(luò)（ NNs）又稱作連接模型（ ConnectionistModel），它模范動物的神經(jīng)網(wǎng)絡(luò)行為特征，是一種分布式并行信息處理的算法模型。前者如紙的質(zhì)量、墨水、污點對書寫字符的影響；后者表現(xiàn)為同一個人書寫同一字符時，雖形狀相似，但不可能完全一樣。因此，不同特征提取特征和神經(jīng)網(wǎng)絡(luò)的設(shè)計方法決定了識別系統(tǒng)所用得處理方法。我國的許多研究部門在 80 年代初期就開始對字符識別進行研究，從 80 年代開始，神經(jīng)網(wǎng)絡(luò)的識別研究開發(fā)就一直受到國家“ 863”計劃的資助與支持，并已經(jīng)有了初步的回報。在 1943 年， W它在英文信息處理、辦公室自動化、機器翻譯、人工智能等高技術(shù)領(lǐng)域，都有著重要的實用價值和理論意義。識別技術(shù)用于計算機的數(shù)據(jù)自動輸人，早期的識別系統(tǒng)被用于大量形式多樣的數(shù)據(jù)輸人方面，比如處理汽油借記卡等。 第三，具有高速尋找優(yōu)化解的能力。 英文字母識別系統(tǒng)的設(shè)計經(jīng)過以下幾個過程：預(yù)處理、特征提取、 BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、識別。 字 母識別時 ，只在先把許多不同的圖像樣板和對應(yīng)的應(yīng)識別的結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò)， 然后在 識別之前 對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練形成穩(wěn)定的權(quán)值 這樣 網(wǎng)絡(luò) 通過自學(xué)習(xí)功能，慢慢學(xué)會識別類似的圖像。以同樣擁有方塊文字的日本為例子，其開始的光學(xué)字符識別技術(shù)走在世界前列， 1960 年左右開始研究光學(xué)字符識別的基本識別理論，在初期以數(shù)字為對象，直到 1965 至 1970 年之間開始有一些簡單的產(chǎn)品，例如印刷文字的郵政編碼識別系統(tǒng)，識別郵件上的郵政編碼，幫助郵局作區(qū)域分信的作業(yè)活動；因此至到今天郵政編碼一直是各國所倡導(dǎo)的地址書寫方式。 英語 是 世界上使用人數(shù)最多的文字之一。雖然神經(jīng)網(wǎng)絡(luò)的理論研究有著廣闊的發(fā)展前景 ,但是每個領(lǐng)域的研究就是既充滿誘惑又充滿挑戰(zhàn) . 沒有人可以肯定告訴我們它的發(fā)展不會再經(jīng)受挫折 ,也沒有人會知道一旦成功實現(xiàn)其最終的目標會給世界帶來多大的巨變 . 但是我們有理由相信堅持不懈地 致力于 BP 神經(jīng)網(wǎng)絡(luò)理論方法研究必定會給 21 世紀科學(xué)研究帶來輝煌 。 1982 年，美國加州工物理學(xué)院 提出了 Hopfield 神經(jīng)網(wǎng)格模型，引入了“計算能量”的概念，給出了網(wǎng)絡(luò)穩(wěn)定性判斷。這是區(qū)別早期識別系統(tǒng)的最大的優(yōu)點，現(xiàn)在的識別系統(tǒng)能夠允許強有力的邏輯系統(tǒng)持續(xù)工作，并不再對要瀏覽的字符的大小字體濟南大學(xué)泉城學(xué)院畢業(yè)論文 3 及數(shù)據(jù)位置兩方面信息作出的要求。而“模式識別”則是在某些一定量度或觀測基礎(chǔ)上把待識模式劃分到各自的模式類中去。統(tǒng)計識別用于基元的提取上二結(jié)構(gòu)識別用于整體符號的識別上，我們可以分為以下幾步： （ 1）符號處理：用細化和歸一化對待識字符進行處理。對神經(jīng)網(wǎng)絡(luò)的研究目前許多技術(shù)不能確定，正確率永遠達不到 100%，只能靠近，它們之間進行著拉鋸戰(zhàn)。 第三章主要講述英文字母的特征提取，介紹了提取的特征即實現(xiàn)方法。 圖 系 統(tǒng)的識別框架圖 預(yù)處理概述 在進行手寫英文字母識別時需要對所得到的手寫英文字母圖像提前進行預(yù)處理，不同地域的人在書寫英文字母的過程中的書寫風(fēng)格不盡相同即使是同一地域的人由于山谷寫的任意性也會造成手寫字母的形式千變?nèi)f化，令外數(shù)字圖像在采集過程中，受圖像質(zhì)量、掃描性能的影響，數(shù)字圖像會帶有形變和噪聲，這些變化都會影響英文字母的識別效果，預(yù)處理的目的是消除原始圖像中的噪聲，將原來的圖像轉(zhuǎn)化為清晰的二值化圖像，便于對手寫字母的微觀結(jié)構(gòu)特征的提取。中值濾波的工作原理：用一個奇數(shù)的移動窗口，某一點的值 是該奇數(shù)窗口中所有像素點的中間值，比如說，假設(shè)窗口內(nèi)有七點，其值為 70、 80、 90、 200、 11 120 和 210 那么此窗口內(nèi)各點的中值及為 115。所以均值濾波和中值濾波都有各自的利與弊，選用哪一種濾波方式這要看我們對識別的要求。 濟南大學(xué)泉城學(xué)院畢業(yè)論文 9 ??? ??? Tyxf Tyxf ),(,1 ),(,0y)f(x, （ ） 如公式（ ） 所有灰度大于或等于 選定 閥值 T，即 ?（ x,y) =T ， 的像素被判定為屬于特定物體，其灰度值 變 為 255 用 1（或 0）來表示 ，否則 ，即 ?（ x,y)T這些像素點被排除在物體區(qū)域 之 外，灰度值為 0， 用 0（或 1）來表示， 表示背景或例外的物體區(qū)域。 我們用這種方法確定了閾值是 ，如圖 ： 二值化前 二值化后 圖 值化前后圖像 對于我們要鑒定的字 母二值化前后 的字母矩陣 是什么變化呢？ 以 125為閾 值舉例， 運行程序后字母矩陣得到如下表結(jié)果 濟南大學(xué)泉城學(xué)院畢業(yè)論文 10 表 字母二值化前后的矩陣 （ a）二值化前 (b)二值化后 45 78 221 78 90 47 217 85 234 0 48 128 178 127 29 128 26 4 90 179 94 124 93 87 1 歸一化 我們所要鑒定的字符的大小規(guī)格不盡相同， 這對后續(xù)英文字母的特征提取，識別操作環(huán)節(jié)會造成一定的障礙。 本文采用的是尺寸上的歸一花，歸一化通常有兩種形式：一種是外輪廓歸一化，另一種是重心的一化 可以得到筆劃均勻分布的圖。 對字符進行細化的過程當中我們選取算法是要有一定的準則： (1)細化算法不應(yīng)該改變待識字符的連續(xù)性。對于某一具體的識別應(yīng)用，所選擇的特征往往會影響最終的正確識別率。統(tǒng)計征可以分為全局特征和局部特整。因為不同的英文字母筆畫不 同 在歸一化之后黑像素點的比例有很大的變化，所以這一特征能夠很好的反應(yīng)不同英文字母的個性化的特點。針對 32 32 的點陣，我 劃分成大小為 4 4 的 16 個小區(qū)域（如 圖 ），因此，共得出一個十六維的粗網(wǎng)格特征值 （ 如表 ） 。 26 個英文字母的書寫方式不同進行二值化后的像素矩陣的排列方式不一樣，一一提取個個像素點的值作為 1024 個特征，因為歸一化后的矩陣是 32? 32 的矩陣所以得到了 1024 的向量輸入點，提取之后得到的是一個矩陣形式，為了方便輸出要將該矩陣變換為 1? 1024 的行矩陣 。對 32*32 灰度圖在水平方向上從上至下每 4 行掃描一次，提取 8 個特征， 900方向每隔 4 行掃描一次，形成 8+8=16濟南大學(xué)泉城學(xué)院畢業(yè)論文 18 個的特征值。 表 是 4 個字母ABCD 訓(xùn)練的外輪廓特征數(shù)據(jù)： 表 外輪廓數(shù)據(jù) 0 0 0 0 0 0 0 0 0 0． 531 0 0 0 0 0 0 總結(jié)本文采取了像素百分比一個特征向量，粗網(wǎng)格特征 16 個特征向量，重心特征一個，矩陣的像素特征 32? 32，筆畫密度 16 個，外 輪廓 4 個共計 1062個特征向量。突起的作用就是用其來傳遞信息。人工神經(jīng)網(wǎng)絡(luò)具有初步自適應(yīng)的能力。自學(xué)習(xí)模型為： )()1( nan wwijiij