【正文】 業(yè)論文 6 2 預(yù)處理 系統(tǒng)框架 基于 BP 神經(jīng)網(wǎng)絡(luò)的手寫英文系目的識(shí)別過(guò)程分為學(xué)習(xí)階段和識(shí)別階段，學(xué)習(xí)階段和識(shí)別階段都要對(duì)樣本字母進(jìn)行預(yù)處理、特征提取，學(xué)習(xí)階段還要進(jìn)行訓(xùn)練確定穩(wěn)定的權(quán)值，識(shí)別階段還要經(jīng)過(guò)分類在輸出識(shí)別結(jié)果。 [8] 濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 5 識(shí)別系統(tǒng)性能的評(píng)價(jià) 衡量一個(gè) BP 神經(jīng)網(wǎng)絡(luò)系統(tǒng)性能好壞的主要指標(biāo)有：正確識(shí)別率（正確識(shí)別率 = 正確識(shí)別樣本數(shù) / 全部樣本數(shù) *100 %） 、 錯(cuò)誤識(shí)別率、識(shí)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(shí)別框圖 統(tǒng)計(jì)模式識(shí)別方法 廣義地說(shuō)，存在于時(shí)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(shuō)，模式是通過(guò)對(duì)具體的個(gè)別事物進(jìn)行觀測(cè) 所得到的具有時(shí)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(dá) 預(yù)處理 樣本模式 文法判斷 濟(jì)南大學(xué)泉城學(xué)院畢業(yè)論文 4 稱之為模式類 (又簡(jiǎn)稱為類）。因而，稱二人為人工神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域的標(biāo)志人物。目前，這些項(xiàng)應(yīng)用仍是識(shí)別領(lǐng)域最主要用途之一。 基于 人工神經(jīng)網(wǎng)絡(luò) 字母識(shí)別 的特點(diǎn)和優(yōu)越性，主要表現(xiàn)在三個(gè)方面 ： 第一，具有自學(xué)習(xí)功能。 字母識(shí)別時(shí) 尋找一個(gè)復(fù)雜問(wèn)題的優(yōu)化解，往往需要很大的計(jì)算量，利用一個(gè)針對(duì)某問(wèn)題而設(shè)計(jì)的反饋型人工神經(jīng)網(wǎng)絡(luò) 的字母識(shí)別系統(tǒng) ，發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，可能很快找到優(yōu)化解。 對(duì)于印刷體字符，首先采用光學(xué)的方式將文檔資料轉(zhuǎn)換成原始黑白點(diǎn)陣的圖像文件，然后通過(guò)識(shí)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(jìn)一步加工。排列瀏覽方法以及高速計(jì)算機(jī)的出現(xiàn)，產(chǎn)生了圖像處理過(guò)程這一概念。因此當(dāng)用特征向量來(lái)表示這些在形狀上稍有差異的字符時(shí)，同這些特征向量對(duì)應(yīng)的特征空間中的點(diǎn)便不同一，而是分布在特征空間的某個(gè)區(qū)域中。本文將通過(guò)五章地內(nèi)容進(jìn)行討論，用 MATLAB 仿真得到實(shí)驗(yàn)數(shù)據(jù)并對(duì)全文進(jìn)行總結(jié)。這些孤立的點(diǎn)在圖像中是我們不想要的，必須進(jìn)行去除才能提高英文字母的識(shí)別率，如何進(jìn)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(jìn)一步處理，使圖像變得簡(jiǎn)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(shí)候必須是浮點(diǎn)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?dú)w一化，轉(zhuǎn)換到 01 之間。 細(xì)化前后我們用簡(jiǎn)單的二值化矩陣（如下）舉例來(lái)表示： Example: L = 0 0 0 0 0 0 0 0 0 0 濟(jì)南大學(xué)泉城學(xué)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(xì)化后的圖像 經(jīng)過(guò)上述預(yù)處理：平滑濾波去噪、二值化、大小歸一化四個(gè)過(guò)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(gè)起點(diǎn)上，為第三章講述的特征提取創(chuàng)造了條件。下面就對(duì)這種基于結(jié)構(gòu)和統(tǒng)計(jì)特整提取進(jìn)行詳細(xì)的介紹。 圖 預(yù)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(jì)南大學(xué)泉城學(xué)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(diǎn)的分布情況千差萬(wàn)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(guān)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(jìn)行掃描，計(jì)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(luò)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(luò)拓?fù)浣Y(jié)構(gòu) BP 神經(jīng)網(wǎng)絡(luò)的工作原理 人工神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)就是模擬人思維的一種方式。其特點(diǎn)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(wú)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(luò)系統(tǒng)。因此在網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目的選擇時(shí)我們遵循這樣的原則：在能夠有效地解決所提出的問(wèn)題的基礎(chǔ)上，隱含層的節(jié)點(diǎn)數(shù)再加上 l 到 2 個(gè)來(lái)加快誤差的下降速度加快訓(xùn)練過(guò)程。所以本文選取了較小的學(xué)習(xí)速率來(lái)保證系統(tǒng)的正確識(shí)別率，學(xué)習(xí)速率的選取范圍一般在O． 01 到 之間 [28]。最佳隱節(jié)點(diǎn)數(shù) L 可參考下面的公式計(jì)算： L ??? m 。 網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)一般就是所識(shí)別事物的類別數(shù)，比如說(shuō)簽名識(shí)別結(jié)果只有兩種真或假，所以輸出層節(jié)點(diǎn)數(shù)就有兩個(gè)。進(jìn)行如此操作調(diào)整，當(dāng)給網(wǎng)絡(luò)大量輸入手寫字母 “A”、 “B”后，通過(guò)網(wǎng)絡(luò)自學(xué)習(xí)能力，網(wǎng)絡(luò)判斷的正確率將會(huì)大大提高。 （ 4）自學(xué)習(xí)模型 神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)過(guò)程，即連接下層和上層節(jié)點(diǎn)之間的權(quán)值 Wij的設(shè)定和誤差縮小過(guò)程。在生物學(xué)當(dāng)中神經(jīng)元和其他的細(xì)胞一樣，有細(xì)胞膜、細(xì)胞質(zhì)、細(xì)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(duì)字形畸變的抗干擾能力較強(qiáng)。由于 26 個(gè)英文字符的筆劃相對(duì)于漢字來(lái)說(shuō)具有比較固定的總體分布情況，從選取的特征的質(zhì)量來(lái)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(shuō)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(jì)特征是指從原始數(shù)據(jù)圖像中提取與分類最相關(guān)的信息，使各類之 間的差距極小，類間差距極大。 細(xì)化的算法有兩種：一種是非迭代一次細(xì)化完成 ，如圖（ 細(xì)化后圖像） ；一種是迭代 N 次細(xì)化完 成。基本想法是以最佳門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(duì)于非線性濾波方法也就是我們說(shuō)的中值濾波 ,它是圖像預(yù)處理技術(shù)中最常用的核心處理技術(shù)。 第六章對(duì)本文所作的工作進(jìn)行總結(jié)，并提出 BP 神經(jīng)網(wǎng)絡(luò)識(shí)別的工作展望。 人工神經(jīng)網(wǎng)絡(luò)包括 LMBP 神經(jīng)網(wǎng)絡(luò)、 GA神經(jīng)網(wǎng)絡(luò)、 BP神經(jīng)網(wǎng)絡(luò)等多種神經(jīng)網(wǎng)絡(luò)。 預(yù)處理、文法推斷、模式表達(dá)、句法分析四個(gè)部分（如 圖 ）構(gòu)成了結(jié)構(gòu)模式識(shí)別系統(tǒng)。該模型一直沿用至今，并且一直影響該領(lǐng)域研究的進(jìn)展。識(shí)別的瀏覽器能夠直接訪誤碼 CPO，這項(xiàng)技技術(shù)也影響到了信用卡交易的付款處理的過(guò)程。隱含層節(jié)點(diǎn)的確定本文給出了多種方法，本文運(yùn)用了根值 的方法。 本文是在 matlab 環(huán)境下模擬整個(gè)英文字母的識(shí)別過(guò)程，隨著科學(xué)技術(shù)的 發(fā)展識(shí)別技術(shù)更加成熟，各種難 題都將會(huì)得到解決。 英文字符識(shí)別是模式識(shí)別的一個(gè)重要分支，也是文字識(shí)別領(lǐng)域比較困難的問(wèn)題，它涉及模式識(shí)別、數(shù)字信號(hào)處理、圖像處理、人工智能、模糊數(shù)學(xué)、計(jì)算機(jī)、信息論、中文信息處理等諸多學(xué)科，是一門綜合性的技術(shù)?！皥D像處理過(guò)程”并不要求 BP 識(shí)別成功地派上用場(chǎng)，例如， BP 神經(jīng)網(wǎng)絡(luò)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(gè)區(qū)域就可以用來(lái)表示該隨機(jī)向量實(shí)現(xiàn)的集合。 第一章前言當(dāng)中介紹了手寫 體數(shù)字識(shí)別的研究背景與意義、現(xiàn)狀、手寫字母的四種實(shí)現(xiàn)方法，對(duì)識(shí)別系統(tǒng)性能的評(píng)價(jià) 第二章討論了手寫英文字母識(shí)別的預(yù)處理方法，包括圖像的去噪、二值、歸一化、細(xì)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(duì)于目標(biāo)像素存在一個(gè)模板，在 這個(gè)模板中包括目標(biāo)像素周圍的 8 個(gè)像素點(diǎn)，用著八個(gè)像素點(diǎn)的灰度平均值來(lái)代替目標(biāo)像素點(diǎn)的灰度值。第二，要進(jìn)行二值圖像的處理與分析，首先要把 0255 的灰度圖像進(jìn)行二值化，得到二值化圖像。 歸一化使得所有的圖像在識(shí)別之前都在同一個(gè)起跑線是 為了加快訓(xùn)練網(wǎng)絡(luò)的收斂性，歸一化的具體作用是歸納統(tǒng)一樣本的統(tǒng)計(jì)分布性。 濟(jì)南大學(xué)泉城學(xué)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(jì)算機(jī)提取圖像信息，來(lái)決定每個(gè)圖像的點(diǎn)是否屬于一個(gè)圖像特征。 本文特征提取設(shè)計(jì) 特征提取的原則是所選用的特征能過(guò)很好的反應(yīng)字 母本身的特點(diǎn)，一般噪聲不會(huì)影響字母選取的的結(jié)構(gòu)特征或者說(shuō)較小的形變或噪聲在統(tǒng)計(jì)特征中的百分比很小。令反? m,n 表示點(diǎn)陣中第 m行，第 n 列象素。這樣依次求得四個(gè)外邊框的外輪廓特征。下面通過(guò)人工神經(jīng)網(wǎng)絡(luò)與通用的計(jì)算機(jī)工作特點(diǎn)來(lái)對(duì)比一下： 濟(jì)南大學(xué)泉城學(xué)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(yuǎn)低于計(jì)算機(jī)，前者為毫秒量級(jí)，而后者的頻率往往可達(dá)幾百兆赫。這是一非線性系統(tǒng)，其優(yōu)點(diǎn)是信息分布式存儲(chǔ)和并行協(xié)同處理。單層的前饋神經(jīng)網(wǎng)絡(luò)只能夠解覺(jué)線性可分問(wèn)題，能夠解決非線性問(wèn)題的 BP 神經(jīng)網(wǎng)絡(luò)必須是具有隱含層（一層或多層）的多層網(wǎng)絡(luò)。 （ 1）增長(zhǎng)方法 在開(kāi)始的時(shí)候構(gòu)造一 個(gè)小規(guī)模的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在訓(xùn)練的時(shí)候，結(jié)合具體實(shí)際問(wèn)題，針對(duì)網(wǎng)絡(luò)性能要求的提高逐步來(lái)增加隱含層的節(jié)點(diǎn)數(shù)，直到滿足所要求的誤差。 本文在選取學(xué)習(xí)速率是，一般要選取幾個(gè)不同的學(xué)習(xí)速率進(jìn)行訓(xùn)練，通過(guò)觀察訓(xùn)練后的均方誤差值的下降速率來(lái)來(lái)決定學(xué)習(xí)速率的大小。等區(qū)間）中時(shí)，則該節(jié)點(diǎn)可刪除。在本系統(tǒng)中輸入層的節(jié)點(diǎn)數(shù)就是提取的特征向量的個(gè)數(shù)。如果輸出為 “1”(結(jié)果錯(cuò)誤 )，則把網(wǎng)絡(luò)的權(quán)值朝著減小綜合輸入加權(quán)值的方向進(jìn)行調(diào)整，其目是使網(wǎng)絡(luò)下次再遇到 “A”的模式輸入時(shí)，減小犯錯(cuò)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(duì)上層節(jié)點(diǎn)刺激脈沖強(qiáng)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(jì)算模型 誤差計(jì)算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計(jì)算輸出之間誤差大小的一個(gè)函數(shù) ： ? ??? 2p )(21 otE pipi ； （ ） tpi為節(jié)點(diǎn)的期望輸出值； Opi為節(jié)點(diǎn)計(jì)算輸出值