【導讀】掌握VisualC++中的圖片處理的基本過程。[2]VC++深入詳解，孫鑫，電子工業(yè)出版社，2020.[4]VisualC++數(shù)字圖像處理典型案例詳解，沈晶，機械工業(yè)出版社，2020.并根據(jù)課題性質對學生提出具體要求。行統(tǒng)計和總結，分析其中的不足。神經網絡模式識別方法是近幾年興起的模式識別領域的一個新的研究方向。展到今天，數(shù)字圖像識別技術已經獲得長足的進步。由于人眼的判別容易產生視覺疲勞和失誤而引起的誤。判、錯判，甚至對一些關鍵信息漏判造成難以挽回的損失。給數(shù)字識別模塊，然后進行識別并給出結果。[15]韓力群.人工神經網絡教程[M].北京郵電大學出版社,2020.

　　

【正文】 數(shù)。 然而通過后續(xù)實踐可以發(fā)現(xiàn)，當采用 )0,0,0,0( 這樣的目標輸出向量時， BP 網絡無法收斂 。原因是這里采用的激活函數(shù) S 型函數(shù)的輸出永遠不能是 0 或 1，而只能是趨近。所以，糾正后的目標輸出向量方案如下： 0 的編碼： , 1的編碼： , 2 的編碼： , 3 的編碼： , 4 的編碼： , 5 的編碼： , 6 的編碼： , 7 的編碼： , 8 的編碼： , 9 的編碼： , BP 網絡進行數(shù)字識別流程如下： 首先，利用大量的訓練樣本來訓練網絡，得到以文件形式保存的權值。這里采用了含有 40 個字符的數(shù)據(jù)圖像作為訓練樣本，圖像包含了 Arial 字體、斜體、 粗體和 10 個傾斜而數(shù)字，訓練樣本如圖 45 所示。 北京理工大學 2020 屆本科生畢業(yè)設計（論文） 25 圖 45 訓練樣本圖片 其次，訓練完 BP 網絡后，就可以用它對數(shù)據(jù)進行識別。在訓練之前，程序要求輸入訓練參數(shù)，如圖 46 所示。 圖 46 BP網絡訓練參數(shù)輸入框 利用該 BP 網絡對訓練樣本進行訓練的結果如圖 47 所示。 圖 47 訓練結果 程序的運行 程序的主界面如圖 48 所示。 北京理工大學 2020 屆本科生畢業(yè)設計（論文） 26 圖 48 程序主界面 程序的主要功能都通過這幾個菜單來實現(xiàn)。常用的菜單也已經集成到了工具欄上，如打開、保存、重新加載、訓練網絡、功能識別。打開一個訓練進行訓練，訓練結束后打 開一個測試圖片，如圖 49，點擊工具欄 中的 按鈕進行識別，識別結果如 410 所示。 北京理工大學 2020 屆本科生畢業(yè)設計（論文） 27 圖 49 打開一個測試樣本 圖 410 識別結果 至此，已完整的運行了一次由訓練到識別的過程。下一次進行識別的時候，由于本次訓練好的網絡已經保存了下來，所以就可以直接識別了，無需再訓練。如果識別的對象發(fā)生了較大的變化而難以識別的時候，就需要重新制作訓練樣本進行識別。 北京理工大學 2020 屆本科生畢業(yè)設計（論文） 28 第五章 總結與展望 總結 基于 BP 神經網絡的字符識別系統(tǒng)的設計能夠實現(xiàn)對待識別圖像中數(shù)字的辨認，通過對圖片進 行一系列處理，最后識別得出所給出圖片中顯示的數(shù)字。 主要完成的內容包括 ： 查閱大量資料，了解了 BP 神經網絡的算法及訓練過程 ，綜合分析了 文字識別系統(tǒng)在國內的 研究現(xiàn)狀。 利用 Visual C++ 編寫了系統(tǒng)的程序，實現(xiàn)了 圖片的預處理、數(shù)字特征的提取、 BP 神經網絡的訓練、文字的識別 等功能。 通過測試表明， 經過訓練的 BP 神經網絡 能實現(xiàn) 對待識別圖像中數(shù)字的辨認 功能 ， 可以 提供智能化簡潔化的識別系統(tǒng)， 節(jié)省大量的人力物力，操作簡單、結果明顯 。 后續(xù)工作及展望 由于本文所涉及的系統(tǒng)比較龐雜，再加上時間 等客觀因素的限制，還 有很多方面需要完善。 例如 本設計對訓練樣本的依賴性很大，對于傾斜字符或者不同字體的字符來說識別率不高，此時可以通過加大訓練樣本的數(shù)目來解決，并考慮各種傾斜角度的以及其他幾種常用的字體，那么該 BP 網絡將會有更加普遍的適應性。此外，訓練樣本必須是 9,8,7,6,5,4,3,2,1,0 的順序數(shù)字循環(huán)，如果使用 2,4,1,3,0這樣的亂序訓練樣本，會導致訓練無法成功，這使得系統(tǒng)的適應性變得很差。如果能克服這些問題，將大大提高此程序的適應能力和識別率。 北京理工大學 2020 屆本科生畢業(yè)設計（論文） 29 參考文獻 [1] 王旭 王宏 王文輝 . 人工神經元網絡原理與應用 [M]. 第二版 . 東北大學出版社 , 2020 年 . [2] 孫鑫 . VC++深入詳解 [M]. 電子工業(yè)出版社 , 2020. [3] 馬銳 . 人工神經網絡原理 [M]. 第一版 . 機械工業(yè)出版社 , 2020 年 9 月 . [4] 沈晶 . Visual C++數(shù)字圖像處理典型案例詳解 [M]. 機械工業(yè)出版社 , 2020. [5] 曾志軍 , 孫國強 . 基于改進的 BP 網絡數(shù)字字符識別 [J].上課理工大學學報 , 2020, 32(1)5153. . [6] 趙輝 葉子青 . Visual C++系統(tǒng)開發(fā)實例精粹 [M]. 人民郵電出版社 . [7] 張世輝 , 孔令富 . 漢字識別及現(xiàn)狀分析 [J]. 燕山大學學報 , 2020,04(3)8085.. [8] 李連勝 . 基于神經網絡的手寫數(shù)字識別技術研究 [D]. 中南大學 , 2020. [9] 趙蓉 . 基于神經網絡的聯(lián)機手寫識別系統(tǒng)研究與實現(xiàn) [D]. 西安電子科技大學 , 2020. [10] 趙輝 , 葉子青 . Visual C++系統(tǒng)開發(fā)實例精粹 [M]. 人民郵電出版社 . [11] 黃襄念 , 程 萍著 . 文字識別原理與策略 [M]. 第一版 . 西南交通大學出版社 , 2020. [12] 韓力群 . 人工神經網絡理論、設計及應用 [M]. 第二版 . 化學工業(yè)出版社 , 2020. [13] 韓力群 . 人工神經網絡教程 [M]. 北京郵電大學出版社 , 2020. [14] 張宏林 蔡銳 . Visual C++數(shù)字圖像模式識別技術及工程實踐 [M]. 北京 :人民郵電出版社 , 2020. [15] . Pattern Recognition and Neural Networks[M]. 11. 人民郵電出版社 , 2020 年 . [16] Kumar S. Neural Networks[M]. 11. McGrawHill, 2020 年 8 月 . [17] Ma Y, Zhan K, Wang Z. Applications of PulseCoupled Neural Networks[M]. 高等教育出版社 . [18] Haykin, S. Neural Networks and Leaning Machines[M]. 11. 機械工業(yè)出版社 , 2020 年 . [19] (美 )李普曼 拉茹瓦 . C++ Primer Plus[M]. 第六版 . 人民郵電出版社 , 2020 年 . 外文資料 Artificial Neural Networks Artificial Neural Networks Basic Features Composed of a large number of processing units connected by a nonlinear, adaptive information processing system. It is the basis for modern neuroscience research findings presented, trying to simulate a large neural work processing, memory, information processing way of information. Artificial neural work has four basic characteristics: (1)nonlinear nonlinear relationship is the general characteristics of the natural world. The wisdom of the brain is a nonlinear phenomenon. Artificial neural activation or inhibition in two different states, this behavior mathematically expressed as a linear relationship. Threshold neurons have a work with better performance, can improve fault tolerance and storage capacity. (2)nonlimitation of a neural work is usually more extensive neuronal connections made. The overall behavior of a system depends not only on the characteristics of single neurons, and may primarily by interaction between units, connected by the decision. By a large number of connections between the cells of nonsimulated brain limitations. Associative memory limitations of a typical example of non. (3)characterization of artificial neural work is adaptive, selfanizing, selflearning ability. Neural works can not only deal with the changes of information, but also process information the same time, nonlinear dynamic system itself is also changing. Iterative process is frequently used in describing the evolution of dynamical systems. (4) Nonconvexity of the direction of the evolution of a system, under certain conditions, will depend on a particular state function. Such as energy function, and its extreme value corresponding to the state of the system more stable. Nonconvexity of this function is more than one extremum, this system has multiple stable equilibrium, which will cause the system to the evolution of diversity. Artificial neural work, neural processing unit can be expressed in different objects, such as features, letters, concepts, or some interesting abstract patterns. The type of work processing unit is divided into three categories: input units, output units and hidden units. Input unit receiving the signal and data outside world。 output unit for processing the results to achieve the output。 hidden unit is in between the input and output units can not be observed from outside the system 1 unit. Neurons and the connection weights reflect the strength of the connections between elements of information representation and processing reflected in the work processing unitconnected relationships. Artificial neural work is a nonprocedural, adaptability, the brain39。s information processing style, its essence is transformation through the work and dynamic behavior is a parallel distributed information processing, and to varying degrees and levels mimic brain information processing