【導(dǎo)讀】掌握VisualC++中的圖片處理的基本過(guò)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(jī)械工業(yè)出版社，2020.并根據(jù)課題性質(zhì)對(duì)學(xué)生提出具體要求。行統(tǒng)計(jì)和總結(jié)，分析其中的不足。神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法是近幾年興起的模式識(shí)別領(lǐng)域的一個(gè)新的研究方向。展到今天，數(shù)字圖像識(shí)別技術(shù)已經(jīng)獲得長(zhǎng)足的進(jìn)步。由于人眼的判別容易產(chǎn)生視覺(jué)疲勞和失誤而引起的誤。判、錯(cuò)判，甚至對(duì)一些關(guān)鍵信息漏判造成難以挽回的損失。給數(shù)字識(shí)別模塊，然后進(jìn)行識(shí)別并給出結(jié)果。[15]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京郵電大學(xué)出版社,2020.

　　

【正文】 數(shù)。 然而通過(guò)后續(xù)實(shí)踐可以發(fā)現(xiàn)，當(dāng)采用 )0,0,0,0( 這樣的目標(biāo)輸出向量時(shí)， BP 網(wǎng)絡(luò)無(wú)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(yuǎn)不能是 0 或 1，而只能是趨近。所以，糾正后的目標(biāo)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(wǎng)絡(luò)進(jìn)行數(shù)字識(shí)別流程如下： 首先，利用大量的訓(xùn)練樣本來(lái)訓(xùn)練網(wǎng)絡(luò)，得到以文件形式保存的權(quán)值。這里采用了含有 40 個(gè)字符的數(shù)據(jù)圖像作為訓(xùn)練樣本，圖像包含了 Arial 字體、斜體、 粗體和 10 個(gè)傾斜而數(shù)字，訓(xùn)練樣本如圖 45 所示。 北京理工大學(xué) 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 25 圖 45 訓(xùn)練樣本圖片 其次，訓(xùn)練完 BP 網(wǎng)絡(luò)后，就可以用它對(duì)數(shù)據(jù)進(jìn)行識(shí)別。在訓(xùn)練之前，程序要求輸入訓(xùn)練參數(shù)，如圖 46 所示。 圖 46 BP網(wǎng)絡(luò)訓(xùn)練參數(shù)輸入框 利用該 BP 網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練的結(jié)果如圖 47 所示。 圖 47 訓(xùn)練結(jié)果 程序的運(yùn)行 程序的主界面如圖 48 所示。 北京理工大學(xué) 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 26 圖 48 程序主界面 程序的主要功能都通過(guò)這幾個(gè)菜單來(lái)實(shí)現(xiàn)。常用的菜單也已經(jīng)集成到了工具欄上，如打開(kāi)、保存、重新加載、訓(xùn)練網(wǎng)絡(luò)、功能識(shí)別。打開(kāi)一個(gè)訓(xùn)練進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后打 開(kāi)一個(gè)測(cè)試圖片，如圖 49，點(diǎn)擊工具欄 中的 按鈕進(jìn)行識(shí)別，識(shí)別結(jié)果如 410 所示。 北京理工大學(xué) 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 27 圖 49 打開(kāi)一個(gè)測(cè)試樣本 圖 410 識(shí)別結(jié)果 至此，已完整的運(yùn)行了一次由訓(xùn)練到識(shí)別的過(guò)程。下一次進(jìn)行識(shí)別的時(shí)候，由于本次訓(xùn)練好的網(wǎng)絡(luò)已經(jīng)保存了下來(lái)，所以就可以直接識(shí)別了，無(wú)需再訓(xùn)練。如果識(shí)別的對(duì)象發(fā)生了較大的變化而難以識(shí)別的時(shí)候，就需要重新制作訓(xùn)練樣本進(jìn)行識(shí)別。 北京理工大學(xué) 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 28 第五章 總結(jié)與展望 總結(jié) 基于 BP 神經(jīng)網(wǎng)絡(luò)的字符識(shí)別系統(tǒng)的設(shè)計(jì)能夠?qū)崿F(xiàn)對(duì)待識(shí)別圖像中數(shù)字的辨認(rèn)，通過(guò)對(duì)圖片進(jìn) 行一系列處理，最后識(shí)別得出所給出圖片中顯示的數(shù)字。 主要完成的內(nèi)容包括 ： 查閱大量資料，了解了 BP 神經(jīng)網(wǎng)絡(luò)的算法及訓(xùn)練過(guò)程 ，綜合分析了 文字識(shí)別系統(tǒng)在國(guó)內(nèi)的 研究現(xiàn)狀。 利用 Visual C++ 編寫(xiě)了系統(tǒng)的程序，實(shí)現(xiàn)了 圖片的預(yù)處理、數(shù)字特征的提取、 BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、文字的識(shí)別 等功能。 通過(guò)測(cè)試表明， 經(jīng)過(guò)訓(xùn)練的 BP 神經(jīng)網(wǎng)絡(luò) 能實(shí)現(xiàn) 對(duì)待識(shí)別圖像中數(shù)字的辨認(rèn) 功能 ， 可以 提供智能化簡(jiǎn)潔化的識(shí)別系統(tǒng)， 節(jié)省大量的人力物力，操作簡(jiǎn)單、結(jié)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(shí)間 等客觀因素的限制，還 有很多方面需要完善。 例如 本設(shè)計(jì)對(duì)訓(xùn)練樣本的依賴性很大，對(duì)于傾斜字符或者不同字體的字符來(lái)說(shuō)識(shí)別率不高，此時(shí)可以通過(guò)加大訓(xùn)練樣本的數(shù)目來(lái)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(wǎng)絡(luò)將會(huì)有更加普遍的適應(yīng)性。此外，訓(xùn)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(xùn)練樣本，會(huì)導(dǎo)致訓(xùn)練無(wú)法成功，這使得系統(tǒng)的適應(yīng)性變得很差。如果能克服這些問(wèn)題，將大大提高此程序的適應(yīng)能力和識(shí)別率。 北京理工大學(xué) 2020 屆本科生畢業(yè)設(shè)計(jì)（論文） 29 參考文獻(xiàn) [1] 王旭 王宏 王文輝 . 人工神經(jīng)元網(wǎng)絡(luò)原理與應(yīng)用 [M]. 第二版 . 東北大學(xué)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(jīng)網(wǎng)絡(luò)原理 [M]. 第一版 . 機(jī)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(jī)械工業(yè)出版社 , 2020. [5] 曾志軍 , 孫國(guó)強(qiáng) . 基于改進(jìn)的 BP 網(wǎng)絡(luò)數(shù)字字符識(shí)別 [J].上課理工大學(xué)學(xué)報(bào) , 2020, 32(1)5153. . [6] 趙輝 葉子青 . Visual C++系統(tǒng)開(kāi)發(fā)實(shí)例精粹 [M]. 人民郵電出版社 . [7] 張世輝 , 孔令富 . 漢字識(shí)別及現(xiàn)狀分析 [J]. 燕山大學(xué)學(xué)報(bào) , 2020,04(3)8085.. [8] 李連勝 . 基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù)字識(shí)別技術(shù)研究 [D]. 中南大學(xué) , 2020. [9] 趙蓉 . 基于神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫(xiě)識(shí)別系統(tǒng)研究與實(shí)現(xiàn) [D]. 西安電子科技大學(xué) , 2020. [10] 趙輝 , 葉子青 . Visual C++系統(tǒng)開(kāi)發(fā)實(shí)例精粹 [M]. 人民郵電出版社 . [11] 黃襄念 , 程 萍著 . 文字識(shí)別原理與策略 [M]. 第一版 . 西南交通大學(xué)出版社 , 2020. [12] 韓力群 . 人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用 [M]. 第二版 . 化學(xué)工業(yè)出版社 , 2020. [13] 韓力群 . 人工神經(jīng)網(wǎng)絡(luò)教程 [M]. 北京郵電大學(xué)出版社 , 2020. [14] 張宏林 蔡銳 . Visual C++數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)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(jī)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