【正文】 統(tǒng)計和總結(jié)。 — 掌握 Visual C++中的圖片處理的基本 方法。了解 BP 神經(jīng)網(wǎng)絡(luò)的 基本原理及人工智能的基本概念。對于圖像的灰度化、二值化等預處理、基于樣本的 BP 神經(jīng)網(wǎng)絡(luò)的訓練以及圖像中數(shù)字的識別通過 Visual C++ 軟件編程實現(xiàn)。利用神經(jīng)網(wǎng)絡(luò)進行字符識別的過程主要包括網(wǎng)絡(luò)的訓練、數(shù)據(jù)的讀取、字符的判定以及結(jié)果的輸出。這些技術(shù)包括圖像數(shù)據(jù)讀取，圖像的灰度化、二值化，圖像的調(diào)整，離散噪聲點的去除，字符的切分，圖像的縮放，字符的細化，字符的平滑，圖像的求梯度等。其中圖像預處理模塊在對圖像進行了一系列變換后，把最后提取到的數(shù)字字符提交給數(shù)字識別模塊，然后進行識別并給出結(jié)果。 Visual C++ 中的圖片處理的基本方法。在化工、電力、流量統(tǒng)計、技術(shù)檢測等各個行業(yè)實現(xiàn)自動控制中的 數(shù)字字符顯示的計算機自動動態(tài)識別、自動控制在提高產(chǎn)品附加值和提高生產(chǎn)的效率 、 效益具有其特殊的意義。由于人眼的判別容易產(chǎn)生視覺疲勞和失誤而引起的誤判、錯判，甚至對一些關(guān)鍵信息漏判造成難以挽回的損失。數(shù)字圖像處理技術(shù)發(fā)展到今天，數(shù)字圖像識別技術(shù)已 經(jīng)獲得長足的進步。由于神經(jīng)網(wǎng)絡(luò)的高速并行處理、分布存儲信息等特性符合人類視覺系統(tǒng)的基本工作原則，具有很強的自學習性、自組織性、容錯性、高度非線性、高度魯棒性、聯(lián)想和記憶的功能和推理意識的功能等，能夠?qū)崿F(xiàn)目前基于計算理論層次上的模式識別理論所無法完成的模式信息處理工作，所以，采用神經(jīng)網(wǎng)絡(luò)進行模式識別、開辟了模式識別發(fā)展的新途徑。 完成基于樣本的神經(jīng)網(wǎng)絡(luò)的訓練以及圖像中數(shù)字的識別，并對其性能進行統(tǒng)計和總結(jié)，分析其中的不足。 了解 BP 神經(jīng)網(wǎng)絡(luò)的基本概念。 ） 掌握 C++的基本概念和語法。 掌握 Visual C++ 中的圖片處理的基本 過程 。 工作目的：掌握 基于 Visual C++ 應(yīng)用程序的開發(fā)。 研究條件： BP 神經(jīng)網(wǎng)絡(luò)的基本原理 以及圖像處理的基本常識 。北京理工大學 2020 屆本科生畢業(yè)設(shè)計（論文） 一、 原始依據(jù)（包括設(shè)計或論文的工作基礎(chǔ)、研究條件、應(yīng)用環(huán)境、工作目的等。） 工作基礎(chǔ)：了解 C++的基本概念和語法，熟練使用 Visual C++ 軟件。 應(yīng)用環(huán)境：基于 BP 神經(jīng)網(wǎng)絡(luò)的 圖片 圖像文件中的 字符 識別。 了解人工智能的基本概念 并掌握 神經(jīng)網(wǎng)絡(luò) 算法 的基本原理。 二、參考文獻 [1]人工智能 原理及其應(yīng)用， 王萬森 ， 電子工業(yè)出版社 ， 2020. [2] VC++深入詳解， 孫鑫 ， 電子工業(yè)出版社 ， 2020. [3]人工神經(jīng)網(wǎng)絡(luò)原理 , 馬銳 ， 機械工業(yè)出版社 ， 2020. [4] Visual C++數(shù)字圖像處理典型案例詳解 ， 沈晶 ， 機械工業(yè)出 版社 ， 2020. [5]Application of Image Processing to the Characterization of Nanostructures Manuel F. M. Costa， Reviews on Advanced Materials Science,2020. 三、設(shè)計（研究）內(nèi)容和要求（包括設(shè)計或研究內(nèi)容、主要指標與技術(shù)參數(shù)，并根據(jù)課題性質(zhì)對學生提出具體要求。 掌握二維神經(jīng)網(wǎng)絡(luò)的基本原理。 完成 Visual C++中對于圖像的灰度、二值化等預處理。 指導教師（簽字） 年 月 日 審題小組組長（簽字） 年 月 日 北京理工大學 2020 屆本科生畢業(yè)設(shè)計（論文） 北京理工大學本科生畢業(yè)設(shè)計（論文）開題報告 課題名稱 基于 BP 神經(jīng)網(wǎng)絡(luò)的 字符 識別 算法的實現(xiàn) 系 名 稱 信息工程系 專業(yè)名稱 自動化 學生姓名 王 加 指導教師 扈書亮 一、 課題來源及意義 神經(jīng)網(wǎng)絡(luò)模式識別方法是近幾年興起的模式識別領(lǐng)域的一個新的研究方向。 數(shù)字圖像技術(shù)是圖像處理領(lǐng)域中的一個重要研究方向。在工程、工業(yè)以及科學研究中的應(yīng)用有著廣闊的前景。因此，對數(shù)字字符顯示的動態(tài)計算機自動識別、自動控制有著迫切的要求和實現(xiàn)的意義。 二、研究目標 Visual C++ 應(yīng)用程序的開發(fā)已經(jīng)應(yīng)用 經(jīng)網(wǎng)絡(luò)的基本原理。 北京理工大學 2020 屆本科生畢業(yè)設(shè)計（論文） 三、 研究內(nèi)容 在實現(xiàn)的過程中，分解為兩個模塊，即圖像預處理模塊和數(shù)字識別模塊。 在圖像處理的過程當中，采用了許多圖像處理的技術(shù)，最后把每個數(shù)字的特征提取出來。 在數(shù)字識別模 塊中，利用神經(jīng)網(wǎng)絡(luò)（選用 BP 神經(jīng)網(wǎng)絡(luò)）進行字符識別。 圖 11 圖像預處理流程圖 圖 12 神經(jīng)網(wǎng)絡(luò)數(shù)字識別流程圖 四、研究方法與手段 完成 Visual C++ 中對于圖像的預處理和基于樣本的 BP 神經(jīng)網(wǎng)絡(luò)的訓練以及圖像中數(shù)字的識別，并對其性能進行統(tǒng)計和總結(jié)。 識別并給出結(jié)果 樣本訓練 字符特征輸入 圖像輸入 灰度轉(zhuǎn)化 圖像二值化 梯度銳化 去離散噪聲 傾斜度調(diào)整 圖像分割 歸一化調(diào)整 緊縮重排 特征提取 北京理工大學 2020 屆本科生畢業(yè)設(shè)計（論文） 五、進度安排 — 查找資料，通過書籍和視頻學習 C++ 的基本 概念和語法，初步練習使用 Visual C++軟件。完 成開題報告。 — 編寫程序，完成 Visual C++中對于圖 像的預處理。 — 撰寫論文，準備答辯。 本設(shè)計主要提出一種用神經(jīng)網(wǎng)絡(luò)來識別含有數(shù)字字符的方法。在識別之前要對圖像進行一系列的預處理，主要包含灰度化、二值化、銳化、噪聲去除、字符分割、字符歸一化、字符骨架提取等。預處理后對圖片上的字符進行特征提取，特征提取的方法很多，這里選擇效果較好的十三特征提取法來進行特征提取。 關(guān)鍵詞： 反向傳播算法 。人工神經(jīng)網(wǎng)絡(luò) 。特征提取 北京理工大學 2020 屆本科生畢業(yè)設(shè)計（論文） ABSTRACT Artificial neural work is a putational model which is established after the simplification of the biological neural mechanism of human brain and abstract and simulation. It belongs to the important research field of machine learning. In this design, a neural work is proposed to identify the method of containing digital character. The neural work is trained by the back propagation (BP) algorithm with momentum and adaptive learning rate. Before identification, there are a series of image pretreatment which are graying, binarization, sharpening, noise removal, character segmentation, character normalization and character skeleton extraction. Images which are pretreated will be more suitable for the later training and recognition. After pretreatment, feature extraction is performed. There are a lot of ways of feature extraction, the extraction method of thirteen features which has better evaluation was chosen here. Finally, it uses BP neural work to identify the numbers on the pictures which are to be tested. Keywords: BP algorithm。 ANN。如何除錯或利用輔助信息提高識別正確率，是字符識別中最重要的課題。以同樣擁有方塊文字的日本為 例， 1960 年左右開始研究 OCR 的基本識別理論，初期以數(shù)字為對象，直至 1965 至 1970 年之間開始有一些簡單的產(chǎn)品，如印刷文字的郵政編碼識別系統(tǒng)，識別郵件上的郵政編碼，幫助郵局作區(qū)域分信的作業(yè)；也因此至今郵政編碼一直是各國所倡導的地址書寫方式。常用的方法有模板匹配法和幾何特征抽取法。這種方法的缺點是當被識別類別數(shù) 目 增加時，標準 字符 模板數(shù)量也隨之增加。這種方法的優(yōu)點是用整個 字符 進行相似度計算，所以對 于字符 缺損、邊緣噪聲等具有較強的適應(yīng)能力。這種識別方式由于利用 了 結(jié)構(gòu) 的信息， 因此 也適用于手寫體文字那樣變型較大的 字符 。它可以 方便用戶快速錄入信息，提高各行各業(yè)的工作效率。 文字識別技術(shù)誕生20 余年來，經(jīng)歷從實驗室技術(shù)到產(chǎn)品的轉(zhuǎn)變，目前已經(jīng)步 入 行業(yè)應(yīng)用開發(fā)的成熟階段。隨著國家信息化建設(shè) 的發(fā)展 ，文字識別技術(shù) 擁有 了一個全新的行業(yè)應(yīng)用局面。 課題研究內(nèi)容 本課題研究內(nèi)容如下： 神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的其中一種，它利用實際輸出與期望輸出之差對網(wǎng)絡(luò)的各層連接權(quán)由后向前前逐層進行校正。 系列預處理。 ：圖像預處理階段， BP 網(wǎng)絡(luò)的訓練階段，字符識別階段。 北京理工大學 2020 屆本科生畢業(yè)設(shè)計（論文） 3 第二章 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò) （ Artificial Neural Network，簡稱 ANN） ，以數(shù)學模型模擬神經(jīng)元活動，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建 立的一種信息處理系統(tǒng)。它可以實現(xiàn)仿真、預測以及模糊控制等功能。 人工神經(jīng)網(wǎng)絡(luò)算法 一、設(shè)計信息處理單元連接的方式 按照信息處理單元的連接方式，神經(jīng)網(wǎng)絡(luò)可以分為多種類型。各層按信號傳輸先后順序依次排列，第 i 層的神經(jīng)元只接受第 i1 層神經(jīng)元給出的信號。輸入層結(jié)點與輸出層結(jié)點稱為 ―可見層 ‖，其他中間層則稱為 ―隱層 ‖。當然，除了這種劃分方式，還有按照層數(shù)劃分為單層網(wǎng)絡(luò)與多層網(wǎng)絡(luò)，按照輸入數(shù)據(jù)的特點劃分為離散網(wǎng)絡(luò)和連續(xù)網(wǎng)絡(luò)等。因此往往要根據(jù)實際應(yīng)用設(shè)計網(wǎng)絡(luò)的連接。 二、設(shè)計學習算法 在人工智能領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)是模擬人腦的模式匹配的主要手段。訓練越多，糾正越多，匹配就越準確。 現(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對手寫 ―A‖、 ―B‖兩個字母的識別為例進行說明，規(guī)定當 ―A‖輸入網(wǎng)絡(luò)時，應(yīng)該輸出 ―1‖，而當輸入為 ―B‖時，輸出為 ―0‖。首先，給網(wǎng)絡(luò)的各連接權(quán)值賦予 (0， 1)區(qū)間內(nèi)的隨機值，北京理工大學 2020 屆本科生畢業(yè)設(shè)計（論文） 4 將 ―A‖所對應(yīng)的圖象模式輸入給網(wǎng)絡(luò)，網(wǎng)絡(luò)將輸入模式加權(quán)求和、與門限比較、再進行非線性運算，得到網(wǎng)絡(luò)的輸出。這時如果輸出為 ―1‖(結(jié)果正確 )，則使連接權(quán)值增大，以便使網(wǎng)絡(luò)再次遇到 ―A‖模式輸入時，仍然 能作出正確的判斷。如此操作調(diào)整，當給網(wǎng)絡(luò)輪番輸入若干個手寫字母 ―A‖、 ―B‖后，經(jīng)過網(wǎng)絡(luò)按以上學習方法進行若干次學習后，網(wǎng)絡(luò)判斷的正確率將大大提高。當網(wǎng)絡(luò)再次遇到其中任何一個模式時，能夠作出迅速、準確的判斷和識別。 這個例子引出了一個 ―學習算法 ‖。學習算法設(shè)計得好，網(wǎng) 絡(luò)的學習能力就越強，容錯能力也越強。功能函數(shù)的設(shè)計直接影響到網(wǎng)絡(luò)的功能。 F(X)=X （ 2）對稱硬限幅函數(shù) F(X)=SGN(XΘ).此函數(shù)只有二值，大于閥值 Θ輸出 +1，小于閥值 Θ輸出 1。 F(X)=X if X=0。 綜上，設(shè)計信息處理單元的連接方式，設(shè)計網(wǎng)絡(luò)學習算法，設(shè)計信息處理單元的功能，是人工神經(jīng)網(wǎng)絡(luò)算法設(shè)計的三個基本的方面。 北京理工大學 2020 屆本科生畢業(yè)設(shè)計（論文） 5 圖 21 線性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 神經(jīng)網(wǎng)絡(luò)的學習過程 模仿人的學習過程，人們提出了多種神經(jīng)元網(wǎng)絡(luò)的學習方式，其中主要有兩種：有教師學習、無教師學習。有教師