【正文】 業(yè)論文 6 2 預處理 系統(tǒng)框架 基于 BP 神經(jīng)網(wǎng)絡的手寫英文系目的識別過程分為學習階段和識別階段，學習階段和識別階段都要對樣本字母進行預處理、特征提取，學習階段還要進行訓練確定穩(wěn)定的權(quán)值，識別階段還要經(jīng)過分類在輸出識別結(jié)果。 [8] 濟南大學泉城學院畢業(yè)論文 5 識別系統(tǒng)性能的評價 衡量一個 BP 神經(jīng)網(wǎng)絡系統(tǒng)性能好壞的主要指標有：正確識別率（正確識別率 = 正確識別樣本數(shù) / 全部樣本數(shù) *100 %） 、 錯誤識別率、識別速度、用戶界面的友好性，產(chǎn)品的穩(wěn)定性，易用性及可行性等諸多方面。 圖 ，句法模式識別框圖 統(tǒng)計模式識別方法 廣義地說，存在于時間和空間中可以觀察的事物，如果可以區(qū)別它們是否相同或相似，都可以稱為模式；狹義地說，模式是通過對具體的個別事物進行觀測 所得到的具有時間和空間分布的信息；把模式所屬的類別或同一類中模式的總體 輸入模式 分類及描述 句法分析 模式表達 預處理 樣本模式 文法判斷 濟南大學泉城學院畢業(yè)論文 4 稱之為模式類 (又簡稱為類）。因而，稱二人為人工神經(jīng)網(wǎng)絡研究領域的標志人物。目前，這些項應用仍是識別領域最主要用途之一。 基于 人工神經(jīng)網(wǎng)絡 字母識別 的特點和優(yōu)越性，主要表現(xiàn)在三個方面 ： 第一，具有自學習功能。 字母識別時 尋找一個復雜問題的優(yōu)化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型人工神經(jīng)網(wǎng)絡 的字母識別系統(tǒng) ，發(fā)揮計算機的高速運算能力，可能很快找到優(yōu)化解。 對于印刷體字符，首先采用光學的方式將文檔資料轉(zhuǎn)換成原始黑白點陣的圖像文件，然后通過識別軟件將圖像中的文字轉(zhuǎn)換成文本格式，以便文字處理軟 件的進一步加工。排列瀏覽方法以及高速計算機的出現(xiàn)，產(chǎn)生了圖像處理過程這一概念。因此當用特征向量來表示這些在形狀上稍有差異的字符時，同這些特征向量對應的特征空間中的點便不同一，而是分布在特征空間的某個區(qū)域中。本文將通過五章地內(nèi)容進行討論，用 MATLAB 仿真得到實驗數(shù)據(jù)并對全文進行總結(jié)。這些孤立的點在圖像中是我們不想要的，必須進行去除才能提高英文字母的識別率，如何進行去噪本文涉及兩種方法。第一，圖像二值化后有利于圖像的進一步處理，使圖像變得簡單，而且整體數(shù)據(jù)量減小，能凸顯出的圖像的整體輪廓。還有一種歸一化思想在 matlab 里圖像數(shù)據(jù)有時候必須是浮點型才能處理，而圖像數(shù)據(jù)本身是 0255 的 UNIT 型數(shù)據(jù)所以需要歸一化，轉(zhuǎn)換到 01 之間。 細化前后我們用簡單的二值化矩陣（如下）舉例來表示： Example: L = 0 0 0 0 0 0 0 0 0 0 濟南大學泉城學院畢業(yè)論文 12 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 0 Result: L 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 圖 細化后的圖像 經(jīng)過上述預處理：平滑濾波去噪、二值化、大小歸一化四個過程，我們所得到的新圖像具有鮮明的特征，使得所有圖像處在了同一個起點上，為第三章講述的特征提取創(chuàng)造了條件。下面就對這種基于結(jié)構(gòu)和統(tǒng)計特整提取進行詳細的介紹。 圖 預處理后粗網(wǎng)格的分割方法 表 白色區(qū)域依次所占的比例 濟南大學泉城學院畢業(yè)論文 16 重心特征 由于不同英文字符的書寫方式不同，則它的象素點的分布情況千差萬別不同，所以造成了不同的英文字符的重心位置發(fā)生變化，與其有關的一些離散量包含了字符幾何的特征信息。 本文的外輪廓特征提取方法是： 取得英文字母的外邊框，從字符左邊框向?qū)γ孢M行掃描，計算最初與字母筆畫相碰的白色部分的面積和面積整幅圖的面積之比，作為字符左邊的外輪廓特征。利用大量神經(jīng)元相互聯(lián)接組成人工神經(jīng)網(wǎng)絡可顯示出人的大腦的某些特征。 輸入層 隱含層 輸出 層 圖 神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu) BP 神經(jīng)網(wǎng)絡的工作原理 人工神經(jīng)網(wǎng)絡的實質(zhì)就是模擬人思維的一種方式。其特點是：上層神經(jīng)元只與下一層神經(jīng)元間相互全連接，同一層內(nèi)的神經(jīng)元無連接，構(gòu)成了具有層次結(jié)構(gòu)的前向反饋型的神經(jīng)網(wǎng)絡系統(tǒng)。因此在網(wǎng)絡隱含層神經(jīng)元數(shù)目的選擇時我們遵循這樣的原則：在能夠有效地解決所提出的問題的基礎上，隱含層的節(jié)點數(shù)再加上 l 到 2 個來加快誤差的下降速度加快訓練過程。所以本文選取了較小的學習速率來保證系統(tǒng)的正確識別率，學習速率的選取范圍一般在O． 01 到 之間 [28]。最佳隱節(jié)點數(shù) L 可參考下面的公式計算： L ??? m 。 網(wǎng)絡的輸出層節(jié)點數(shù)一般就是所識別事物的類別數(shù)，比如說簽名識別結(jié)果只有兩種真或假，所以輸出層節(jié)點數(shù)就有兩個。進行如此操作調(diào)整，當給網(wǎng)絡大量輸入手寫字母 “A”、 “B”后，通過網(wǎng)絡自學習能力，網(wǎng)絡判斷的正確率將會大大提高。 （ 4）自學習模型 神經(jīng)網(wǎng)絡的自學習過程，即連接下層和上層節(jié)點之間的權(quán)值 Wij的設定和誤差縮小過程。在生物學當中神經(jīng)元和其他的細胞一樣，有細胞膜、細胞質(zhì)、細胞核構(gòu)成。從密度特征的提取方法容易看到，筆劃密度特征對字形畸變的抗干擾能力較強。由于 26 個英文字符的筆劃相對于漢字來說具有比較固定的總體分布情況，從選取的特征的質(zhì)量來講是很好的，不同字符的特征向量在空間中的分布是較分散的，也就是說特征空間中不同類之間的類間距是差別是比較大的。統(tǒng)計特征是指從原始數(shù)據(jù)圖像中提取與分類最相關的信息，使各類之 間的差距極小，類間差距極大。 細化的算法有兩種：一種是非迭代一次細化完成 ，如圖（ 細化后圖像） ；一種是迭代 N 次細化完 成?；鞠敕ㄊ且宰罴验T限將圖像灰度直方圖分割成兩部分，使兩部分類間方差取最大值 ，即分離性最大。而對于非線性濾波方法也就是我們說的中值濾波 ,它是圖像預處理技術中最常用的核心處理技術。 第六章對本文所作的工作進行總結(jié)，并提出 BP 神經(jīng)網(wǎng)絡識別的工作展望。 人工神經(jīng)網(wǎng)絡包括 LMBP 神經(jīng)網(wǎng)絡、 GA神經(jīng)網(wǎng)絡、 BP神經(jīng)網(wǎng)絡等多種神經(jīng)網(wǎng)絡。 預處理、文法推斷、模式表達、句法分析四個部分（如 圖 ）構(gòu)成了結(jié)構(gòu)模式識別系統(tǒng)。該模型一直沿用至今，并且一直影響該領域研究的進展。識別的瀏覽器能夠直接訪誤碼 CPO，這項技技術也影響到了信用卡交易的付款處理的過程。隱含層節(jié)點的確定本文給出了多種方法，本文運用了根值 的方法。 本文是在 matlab 環(huán)境下模擬整個英文字母的識別過程，隨著科學技術的 發(fā)展識別技術更加成熟，各種難 題都將會得到解決。 英文字符識別是模式識別的一個重要分支，也是文字識別領域比較困難的問題，它涉及模式識別、數(shù)字信號處理、圖像處理、人工智能、模糊數(shù)學、計算機、信息論、中文信息處理等諸多學科，是一門綜合性的技術?！皥D像處理過程”并不要求 BP 識別成功地派上用場，例如， BP 神經(jīng)網(wǎng)絡系統(tǒng)將文件轉(zhuǎn)變成電子數(shù)字條目的能力，將有效地取代顯微膠片。這個區(qū)域就可以用來表示該隨機向量實現(xiàn)的集合。 第一章前言當中介紹了手寫 體數(shù)字識別的研究背景與意義、現(xiàn)狀、手寫字母的四種實現(xiàn)方法，對識別系統(tǒng)性能的評價 第二章討論了手寫英文字母識別的預處理方法，包括圖像的去噪、二值、歸一化、細化。 （ 1）均值濾波：均值濾波是一種典型的線性濾波方式，它的工作原理是對于目標像素存在一個模板，在 這個模板中包括目標像素周圍的 8 個像素點，用著八個像素點的灰度平均值來代替目標像素點的灰度值。第二，要進行二值圖像的處理與分析，首先要把 0255 的灰度圖像進行二值化，得到二值化圖像。 歸一化使得所有的圖像在識別之前都在同一個起跑線是 為了加快訓練網(wǎng)絡的收斂性，歸一化的具體作用是歸納統(tǒng)一樣本的統(tǒng)計分布性。 濟南大學泉城學院畢業(yè)論文 13 3 字母特征提取 特征提取概述 特征提取 指的是使用計算機提取圖像信息，來決定每個圖像的點是否屬于一個圖像特征。 本文特征提取設計 特征提取的原則是所選用的特征能過很好的反應字 母本身的特點，一般噪聲不會影響字母選取的的結(jié)構(gòu)特征或者說較小的形變或噪聲在統(tǒng)計特征中的百分比很小。令反? m,n 表示點陣中第 m行，第 n 列象素。這樣依次求得四個外邊框的外輪廓特征。下面通過人工神經(jīng)網(wǎng)絡與通用的計算機工作特點來對比一下： 濟南大學泉城學院畢業(yè)論文 20 若從速度的角度出發(fā)，人腦神經(jīng)元之間傳遞信息的速度要遠低于計算機，前者為毫秒量級，而后者的頻率往往可達幾百兆赫。這是一非線性系統(tǒng)，其優(yōu)點是信息分布式存儲和并行協(xié)同處理。單層的前饋神經(jīng)網(wǎng)絡只能夠解覺線性可分問題，能夠解決非線性問題的 BP 神經(jīng)網(wǎng)絡必須是具有隱含層（一層或多層）的多層網(wǎng)絡。 （ 1）增長方法 在開始的時候構(gòu)造一 個小規(guī)模的神經(jīng)網(wǎng)絡結(jié)構(gòu)，在訓練的時候，結(jié)合具體實際問題，針對網(wǎng)絡性能要求的提高逐步來增加隱含層的節(jié)點數(shù)，直到滿足所要求的誤差。 本文在選取學習速率是，一般要選取幾個不同的學習速率進行訓練，通過觀察訓練后的均方誤差值的下降速率來來決定學習速率的大小。等區(qū)間）中時，則該節(jié)點可刪除。在本系統(tǒng)中輸入層的節(jié)點數(shù)就是提取的特征向量的個數(shù)。如果輸出為 “1”(結(jié)果錯誤 )，則把網(wǎng)絡的權(quán)值朝著減小綜合輸入加權(quán)值的方向進行調(diào)整，其目是使網(wǎng)絡下次再遇到 “A”的模式輸入時，減小犯錯誤的可能性。 （ 2）作用函數(shù)模型： 作用函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)又稱刺激函數(shù)，一般取為 (0,1)內(nèi)連續(xù)取值 Sigmoid 函數(shù)： )1(1)(f e xx ??? （ ） （ 3）誤差計算模型 誤差計算模型是反映神經(jīng)網(wǎng)絡期望輸出與計算輸出之間誤差大小的一個函數(shù) ： ? ??? 2p )(21 otE pipi ； （ ） tpi為節(jié)點的期望輸出值； Opi為節(jié)點計算輸出值