【正文】 ………//C ,, ………………………………………//D ,, ………………………………………//E ,, ………………………………………//F ,, ………………………………………//G ,, ………………………………………// H ,, ………………………………………//I ,, ………………………………………//J ,, ………………………………………//K ,, ………………………………………//L ,, ………………………………………//M ,, ………………………………………//N ,, ………………………………………//O ,, ………………………………………//P ,, ………………………………………//Q ,, ………………………………………//R ,, ………………………………………//S ,, ………………………………………//T ,, ………………………………………//U ,, ………………………………………//V ,, ………………………………………//W ,, ………………………………………//X ,, ………………………………………//Y ,, ………………………………………//Z,, ………………………………………//京 ,, ………………………………………//津 ,, ………………………………………//滬 ,, ………………………………………//冀 ,, ………………………………………//魯 ,, ………………………………………//豫 ,, ………………………………………//鄂 ,, ………………………………………//蘇 ,, ………………………………………//皖 ,, ………………………………………//晉 ,, ………………………………………//湘 ,, ………………………………………//桂 ,, ………………………………………//閩 ,, ………………………………………//川 ,, ………………………………………//浙 ,, ………………………………………//甘 ,, ………………………………………//寧 ,, ………………………………………//陜 ,, ………………………………………//吉 ,, ………………………………………//遼 ,, ………………………………………//臺(tái)}。 此數(shù)組即為目標(biāo)輸出向量。(5)．使用BP網(wǎng)絡(luò)來(lái)進(jìn)行字符識(shí)別的流程首先，利用大量的訓(xùn)練樣本來(lái)訓(xùn)練網(wǎng)絡(luò)，以得到文件形式保存的權(quán)值。訓(xùn)練樣本為精心選擇的可以很好的反應(yīng)樣本可分性的已知數(shù)據(jù)。在程序中采用訓(xùn)練樣本圖片的格式。將訓(xùn)練樣本圖片進(jìn)行特征提取后，就可以送入BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。其次，訓(xùn)練完BP網(wǎng)絡(luò)后，就可以用它對(duì)待識(shí)別數(shù)據(jù)進(jìn)行識(shí)別了。識(shí)別有先要經(jīng)過(guò)圖像預(yù)處理、特征提取，最后送入BP網(wǎng)絡(luò)識(shí)別，直接得到結(jié)果。在訓(xùn)練之前，程序要求輸入訓(xùn)練參數(shù)，如訓(xùn)練誤差、步長(zhǎng)等。 程序的總體框架現(xiàn)在，來(lái)貫穿一便程序完整的流程，以給讀者一個(gè)完整清晰的認(rèn)識(shí)，假設(shè)訓(xùn)練樣本圖片為pcture1，待識(shí)別的圖片為pcture2。1．樣本訓(xùn)練(1).對(duì)圖片pcture1進(jìn)行特征提取，得特征向量data_in[][]。 (2).把特征向量data_in[][]送入BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。(3).顯示訓(xùn)練結(jié)果，如訓(xùn)練成功轉(zhuǎn)字符識(shí)別，不成功則繼續(xù)訓(xùn)練。注釋： (1)由code()函數(shù)實(shí)現(xiàn)，(2)、(3)由BpTrain()函數(shù)實(shí)現(xiàn)。2．字符識(shí)別(1) 對(duì)圖片pcture2進(jìn)行特征提取，得特征向量data_in[][]。(2) *input_weights和hidden_weights之中。(3)將data_in[][]送入BP網(wǎng)絡(luò)的輸入層*input_unites。 (4) 將*input_unites和*input_weights送入BP網(wǎng)絡(luò)中進(jìn)行前向輸入激活，得到*hidden_unites，再將*hidden_unites和*hidden_weights送入BP網(wǎng)絡(luò)中進(jìn)行前向輸入激活得*output_unites。其實(shí)*output_unites存放的是out[][6]相關(guān)內(nèi)容，即待識(shí)別樣本的輸出結(jié)果。(5) 對(duì)*output_unites進(jìn)行識(shí)別，如果output_unites[i]，則判斷其值為1；如果output_unites[i]，則判斷其值為0；再對(duì)其求加權(quán)值。如output_unites[]={，，，}，則待識(shí)別字符為“9”。即250＋240＋231＋220＋210+201=9。注釋： (1) 由code()函數(shù)實(shí)現(xiàn)，(2)~(5)由CodeRecognize()函數(shù)實(shí)現(xiàn) 。第四章 系統(tǒng)使用說(shuō)明、測(cè)試及注意事項(xiàng) 系統(tǒng)使用說(shuō)明第1步．執(zhí)行程序生成主界面第2步．打開樣本圖片 測(cè)試樣本第3步．對(duì)圖片進(jìn)行預(yù)處理 圖片預(yù)處理后的得到的樣本第4步．按“T”按鈕或按“神經(jīng)網(wǎng)絡(luò)識(shí)別”按鈕下的“訓(xùn)練網(wǎng)絡(luò)”來(lái)訓(xùn)練樣本 訓(xùn)練失敗的結(jié)果 訓(xùn)練成功的結(jié)果“R”按鈕或按“神經(jīng)網(wǎng)絡(luò)識(shí)別”按鈕下的“進(jìn)行字符識(shí)別”來(lái)識(shí)別圖像中的字符。4．2 系統(tǒng)測(cè)試結(jié)果 數(shù)字識(shí)別 漢字識(shí)別 車牌識(shí)別 注意事項(xiàng)(1).該程序設(shè)計(jì)時(shí)考慮了字符的很多變化情況，具有良好的適應(yīng)性，但識(shí)別率對(duì)于傾斜字符或者不同字體的字符來(lái)說(shuō)就不是很高了，甚至出現(xiàn)無(wú)法識(shí)別的情況。此時(shí)讀者可以通過(guò)加大訓(xùn)練樣本的數(shù)目來(lái)解決。將訓(xùn)練樣本數(shù)目增大到150個(gè)，并考慮各種傾斜角度的以及其他幾種常用字體，那么該BP網(wǎng)絡(luò)將會(huì)有更加普遍的適應(yīng)性和更高的識(shí)別率。(2).考慮程序設(shè)計(jì)的方便，該程序中設(shè)計(jì)BP網(wǎng)絡(luò)的目標(biāo)輸出的時(shí)候，假定了目標(biāo)輸出為“0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ京津滬冀魯豫鄂蘇皖晉湘桂閩川浙甘寧陜吉遼臺(tái)”的循環(huán)。所以讀者在自行設(shè)計(jì)訓(xùn)練樣本的時(shí)候一定要注意，不要使用“鄂AX1314”這樣的的訓(xùn)練樣本，這樣會(huì)導(dǎo)致無(wú)法訓(xùn)練成功。一定要遵守由“0”到“臺(tái)”的順序來(lái)設(shè)計(jì)訓(xùn)練樣本。對(duì)于待識(shí)別的圖片當(dāng)然就沒(méi)有這種要求。(3).識(shí)別時(shí)不要再改動(dòng)歸一化信息。否則無(wú)法識(shí)別。歸一化信息應(yīng)該在訓(xùn)練之前設(shè)定，而且僅僅設(shè)定一次，特征提取才能進(jìn)行，識(shí)別才能進(jìn)行。(4).待識(shí)別的圖片要與訓(xùn)練好的權(quán)值()位于同一目錄中。第五章 結(jié)論和展望本論文介紹了一種字符識(shí)別算法，充分利用了字符編碼自身的特點(diǎn)，完成了對(duì)車牌字符的識(shí)別任務(wù)。論文中針對(duì)字符識(shí)別的需要，提出了字符特征提取算法和BP神經(jīng)網(wǎng)絡(luò)算法，實(shí)踐證明，在較好的環(huán)境下，字母、數(shù)字的識(shí)別率達(dá)到98%，漢字的識(shí)別率達(dá)到例如90%，總體識(shí)別率達(dá)到了94%。即使在較差的環(huán)境條件下，識(shí)別率也在90%以上。本系統(tǒng)即可以單獨(dú)使用，也可以把它作為一個(gè)識(shí)別系統(tǒng)的軟件核心應(yīng)用到車牌識(shí)別系統(tǒng)中去。本系統(tǒng)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)別率就不是很高了，而且訓(xùn)練樣本必須是“0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ”的循環(huán)，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。致 謝本論文的順利完成，首先要感謝我的導(dǎo)師李順新老師，感謝他對(duì)我的畢業(yè)設(shè)計(jì)的精心安排與全面細(xì)心的指導(dǎo)，感謝他對(duì)我的畢業(yè)論文的耐心的審查，李老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度和工作作風(fēng)，為我的畢業(yè)設(shè)計(jì)營(yíng)造了很好的研究氣氛，對(duì)我產(chǎn)生了深遠(yuǎn)的影響。感謝學(xué)院為我們畢業(yè)設(shè)計(jì)提供了硬件設(shè)施和軟件設(shè)施，為我們順利完成畢業(yè)設(shè)計(jì)打下的基礎(chǔ)。感謝與我同組的成員在程序設(shè)計(jì)過(guò)程中對(duì)我的幫助。最后，感謝在我做畢業(yè)設(shè)計(jì)和寫論文過(guò)程中給我提供過(guò)幫助的人。參考文獻(xiàn)[1] 車牌識(shí)別技術(shù).《數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐》.人民郵電出版社；[2] 周波. 《汽車牌照識(shí)別的初步研究》.；[3] 趙雪春等.《基于彩色分割的車牌自動(dòng)識(shí)別技術(shù)》. ；[4] 劉海林等.《ROI技術(shù)在車牌識(shí)別系統(tǒng)中圖像存儲(chǔ)方面的應(yīng)用研究》. ；[5] 柴治,陶青川,余艷梅,何小海. 《一種快速實(shí)用的車牌字符識(shí)別方法》.四川大學(xué)學(xué)報(bào)(自然科學(xué)版) 2002年6月第39卷第3期:[6] YangJie LiXu GuoWei. 《A Recognition of Vehicle plate with Mathematical Morphology and Neural Networks》.Journal of Wu Han University of Technology；[7] 是湘全,何苑凌,蔡孟波. 《遺傳算法在車牌定位中的應(yīng)用》. ；[8] 韓楨祥,文福栓 .《模擬進(jìn)化優(yōu)化方法及其應(yīng)用》. 計(jì)算機(jī)科學(xué),1995；[9] 郭捷 施鵬飛.《基于顏色和紋理分析的車牌定位方法》. ；[10] 葉晨洲,楊　杰,宣國(guó)榮.《車輛牌照字符識(shí)別》.；[11] 陳黎黃心漢王敏李煒.《基于聚類分析的車牌字符分割方法》. ；[12] 魏武，張起森，王明俊.《一種基于模板匹配的車牌識(shí)別方法》.；[13] 劉效靜等.《汽車牌照自動(dòng)識(shí)別技術(shù)研究》.南京航空航天大學(xué)學(xué)報(bào)，1998；[14] 曹迪銘，宣國(guó)榮.《神經(jīng)網(wǎng)絡(luò)在車輛牌照字符識(shí)別中的應(yīng)用》. ；[15] 徐建閩，賀敬凱.《車型與車牌自動(dòng)識(shí)別技術(shù)分析》.交通與計(jì)算機(jī). 2002年第2期　第20卷；[16] 黎明,楊小芹,劉高航.《基于多個(gè)前向神經(jīng)網(wǎng)絡(luò)和遺傳算法的邊界檢測(cè)法》.南昌航空工業(yè)學(xué)院學(xué)報(bào),2000(4)；[17] 黎明,嚴(yán)超華.《基于前向神經(jīng)網(wǎng)絡(luò)和Hopfield反饋神經(jīng)網(wǎng)絡(luò)的邊界檢測(cè)法》.中國(guó)圖像圖形學(xué)報(bào),1999(8)；[18] 張大鵬.《模式識(shí)別與圖像處理并行計(jì)算機(jī)系統(tǒng)設(shè)計(jì)》.哈爾濱工業(yè)大學(xué)出版社,1998；[19] 邊肇祺等.《模式識(shí)別》.北京:清華大學(xué)出版社,1988；[20] 黃鳳崗,宋克歐等.《模式識(shí)別》.哈爾濱工程大學(xué)出版社,1998；[21] 張漢江,曹焱,黃升華,李孟軍.《模糊ART神經(jīng)網(wǎng)絡(luò)在運(yùn)動(dòng)目標(biāo)識(shí)別中的應(yīng)用》.模糊系統(tǒng)與數(shù)學(xué),1998(4)；[22] 佘玉梅,熊漢.《模糊模式識(shí)別方法研究》.云南民族學(xué)院學(xué)報(bào)(自然科學(xué)版),1998(1)；[23] 朱風(fēng)云，曹曉光.《機(jī)動(dòng)車車牌自動(dòng)識(shí)別系統(tǒng)與VMLA定位算法》. 中國(guó)圖象圖形學(xué)報(bào)；[24] 張引，潘云鶴.《彩色汽車圖象牌定位新方法》.中國(guó)圖象圖形學(xué)報(bào)；[25] 《Visual C++數(shù)字圖象模式識(shí)別技術(shù)及過(guò)程實(shí)踐》.人民郵電出版社；[26] 《Visual C++數(shù)字圖象實(shí)用工程案例》.人民郵電出版社；[27] 《Visual C++數(shù)字圖象實(shí)用工程案例》.人民郵電出版社；[28] 《Visual C++/Matlab 圖像處理與識(shí)別實(shí)用案例精選》.人民郵電出版社；[29] 《Visual C++數(shù)字圖象實(shí)用工程案例》.人民郵電出版社；[30] Martin (美)Howard Mark Beale. 《Neural Metwork Design》.機(jī)械工業(yè)出版社；[31] Martin (美)Howard Mark Beale. 《神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)》 機(jī)械工業(yè)出版社；外文原文與譯文l 外文原文Neural Network IntroductionAs you read these words you are using a plex biological neural network. You have a highly interconnected set of some 1011 neurons to facilitate your reading, breathing, motion and thinking. Each of your biological neurons，a rich assembly of tissue and chemistry, has the plexity, if not the speed, of a microprocessor. Some of your neural structure was with you at birth. Other parts have been established by experience.Scientists have only just begun to understand how biological neural networks operate. It is generally understood that all biological neural functions, including memory, are stored in the neurons and in the connections between them. Learning is viewed as the establishment of new connections between neurons or the modification of existing connections.This leads to the following question: Although we have