【正文】 行為的簡單的相加，而表現出一般復雜非線性動態(tài)系統(tǒng)的特性。 自學習、自組織和自適應性 學習和適應要求在時間過程中系統(tǒng)內部結構和聯系方式有改變，神經元網絡是一種變結構系統(tǒng)，恰好能完成 對環(huán)境的活應和對外界事物的學習能力。雖然每個神經元的信息傳遞 (神經脈沖 )速度是以毫秒計算的，比普通序列式計算機要慢很多，但是人通常能在 1秒內即可作出對外界事物的判斷和決策、這就是能神奇地完成所謂“百步”決策。 大規(guī)模并行處理 人工神經元網絡在結構上 是并行的，而且網絡的各個單元可以同時進行類似的處理過程。這就是網絡具有容錯性和聯想記憶功能，自然是表現出較強的魯莽性。而不是直接從記憶中取出。在神經網絡中，要獲得存儲的知識則采用“聯想”的辦法，即當一個神經網絡輸入一個激勵時，它要在己存的知識中尋找與該輸入匹配最好的存儲知識為其解。網絡的每部分對信樣本獲取 常規(guī)處理 特征變換 神經網絡識別 基于 VC++的數字識別系統(tǒng)的設計與實現 7 息的存儲有等勢作用。 神經網絡能夠應用于模式識別，關鍵在于它具有一般數學模型所不具有的諸多優(yōu)點。 神經網絡識別 根據識別對象和研究問題的不同，選 用不同的網絡結構并采用適當的學習算法，用已知樣本作為訓練集對神經網絡進行訓練，使其網絡連接的權值不斷調整，直到網絡的輸出特性與期望的相符合。以上兩步構成了神經網絡模式識別中的預處理過程。通過這一步驟，得到了樣本的原始表達。 常規(guī)處理 其作用相當于傳統(tǒng)模式識別中的數據獲取和常規(guī)處理兩步的功能。神經網絡進行模式識別的一般步驟如圖21所示，分為 如下 幾個部分 。神經網絡的這種可以根據輸入樣本學習的功能使得它非常適合于用來解決模式識別問題，這也是神經網絡目前最成功的應用領域之一。而且這些識別方法在解決傳統(tǒng)方法較難處理的某些問題上帶來了新的進展和突破， 因而得到了人們越來越多的重視和研究。 人工神經網絡模式識別 具體的模式識別是多種多樣的，如果從識別的基本方法上劃分，傳統(tǒng)的模式識別大體分為統(tǒng)計模式識別和句法模式識別，在識別系統(tǒng)中引入神經網絡是一種近年來發(fā)展起來的新的模式識別方法。 模式識別這個詞既可以是指人對事物的，一個分析、描述 、判斷和識別的過程，也可以是指利用計算機對某些物理對象進行分類的這門學科。這些有限的、個別的事物和現象就可以稱為模式，而整個類別的現象和事物則可以稱為模式類，或者簡稱為類。同樣，看到另外一種寫法的“ 8”，人們仍然可以清楚地知道它的含義。 人的思維可以對初次見到的事物進行分類。例如，每個人寫出來的數字“ 8”可能千差萬別，但它們的共同之處在于，它們都屬于數字，“ 8”這個范疇。各種具有相似的特征又不完全相同的事物和現象組成不同的類別。詳細了圖像預處理的步驟及 BP神經網絡在數字識別中的應用。 本文第二、三章介紹了人工神經元網絡基本原理和它的 BP學習算法，然后論述了模式識別的方法和有關概念，指出了神經網絡之所以能夠用于數字識別的內在機理和獨特優(yōu)勢。圖象的預處理包括二值化、圖象的增強、圖象的銳化以及圖象的分割等。圖像分類常采用經典的模式識別方法，有統(tǒng)計模式分類和句法（結構）模式分類，近年來新發(fā)展起來的模糊模式識別和人工神經網絡模式分類在圖像識別中也越來越受到重視。 圖像分類（識別 ）。對于特殊的紋理圖像可采用二維紋理特征描述。 圖像描述是圖像識別和理解的必要前提。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點之一。 意義的特征部分提取出來，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進一步進行圖像識別、分析和理解的基礎。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節(jié)明顯；強化低頻分量可減少圖像中噪聲影響。 圖像增強和復原的目的是為了提高圖像的質量，如去除噪聲，提高圖像的清晰度等。編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發(fā)展最早且比較成熟的技術。 圖像編碼壓縮技術可減少描述圖像的數據量（即比特數），以便節(jié)省圖像傳輸、處理時間和減少 所占用的存儲器容量。目前新興研究的小波變換在時域和頻域中都具有良好的局部化特性，它在圖像處理中也有著廣泛而有效的應用。 由于圖像陣列很大，直接在空間域中進行處理，涉及計算量很大。正是神經網絡所具有的這種自組織自學習能力、推廣能力、非線性和運算高度并行的能力使得模式識別成為目前神經網絡最為成功的應用領域。 數字識別是一項極具研究價值的課 題，隨著神經網絡和模糊邏輯技術的發(fā)展，人們對這一問題的研究又采用了許多新的方法和手段，也使得這一古老的課題煥發(fā)出新的生命力 .目前國際上有相當多的學者在研究這一課題，它包括了模式識別領域中所基于 VC++的數字識別系統(tǒng)的設計與實現 3 有典型的問題 :數據的采集、處理及選擇、輸入樣本表達的選擇、模式識別分類器的選擇以及用樣本集對識別器的有指導的訓練。解決這些問題的關鍵是需要進行復雜而龐大的實時數據處理，而現有計算機的存貯容量及計算復雜性的局限，使得真正實時化的應用受阻。幾乎可以說，神經網絡模式識別研究的發(fā)展史貫穿了整個神經網絡的研究歷程。 在神經網絡研究的歷史進程中，它在模式識別方面的應用一直是最活躍和最成功的領域。神經網絡中各神經元之間的連接強度用權值大小來表示，這種權值可以事先定出，也可以為適應周圍環(huán)境而不斷地變化，這種過程稱為神經元的學習過程。這體現了神經網絡并行推 理的特點。神經網絡對于一個特定的輸入模式，通過前向計算產生一個輸出模式，各個輸出節(jié)點代表的邏輯概念被同時計算出來。 神經網絡對信息的處理及推理的過程具有并行的特點。神經網絡是用大量神經元之間的連接及對各連接權值的分布來表示特定的信息。它存儲信息的方式與傳統(tǒng)的計算機的思維方式是不同的，一個信息不是存在一個地方，而是分布在不同的位置。 神經網絡模型用于模擬人腦神經元活動的過程。結構特征通常包括圓、端點、交叉點、筆劃、輪廓等，統(tǒng)計特征通常包括點密度的測量、矩、特征區(qū)域等，一般來說，兩類特征各有優(yōu)勢。 在過去的數十年中 ，研究者們提出了許許多多的識別方法。因此針對這類問題的處理系統(tǒng)設計的關鍵環(huán)節(jié)之一就是設計出高可靠性和高識別率的數字識別方法。數字識別在特定的環(huán)境下應用特別廣泛，如郵政編碼自動識別系統(tǒng)，稅表和銀行支票自動處理系統(tǒng)等。由于 OCR的輸入只是簡單的一副圖像，它就不能像聯機輸入那樣比較容易的從物理特性上獲得字符筆劃的順序信息，因此 OCR是一個更具挑戰(zhàn)性的問題。 OCR所使用的輸入設備可以是任何一種 圖像采集設備，如 CCD、掃描儀、數字相機等。如果需要計算機去認識這些己經成為文字的東西，就需要 OCR技術。在聯機字符識別中，計算機能夠通過與計算機相連的輸入設備獲得輸入字符筆劃的順序、筆劃的方向以及字符的形狀，所以相對 OCR來說它更容易識別一些。 字符識別一般可以分為兩類 : 。 字符識別是模式識別的一個傳統(tǒng)研究領域?；?VC++的數字識別系統(tǒng)的設計與實現 1 第 1 章緒論 模式識別是六十年代初迅速發(fā)展起來的一門學科。由于它研究的是如何用機器來實現人 (及某些動物 )對事物的學習、識別和判斷能力，因而受到了很多科技領域研究人員的注意，成為人工智能研究的一個重要方面。從 50年代開始，許多的研究者就在這一研究領域開展了廣泛的探索，并為模式識別的發(fā)展產生了積極的影響。 (Optical Chara cter Recognition， OCR)或稱離線字 符識別。但聯機字符識別有一個重要的不足就是要求輸入者必須在指定的設備上書寫，然而人們在生活中大部分的書寫情況是不滿足這一要求的，比如人們填寫各種表格資料，開具支票等。比起聯機字符識別來， OCR不要求書寫者在特定輸入設備上書寫，它可以與平常一樣書寫，所以 OCR的應用更為廣泛。通過使用這類采集設備， OCR系統(tǒng)將書寫者已寫好的文字作為圖像輸入到計算機中，然后由計算機去識別。 數字識別是多年來的研究熱點，也是字符識別中的一個特別問題，它是本文研究的重點。一般情況下，當涉及到數字識別時，人們往往要求識別器有很高的識別可 靠性，特別是有關金額的數字識別時，如支票中填寫的金額部分，更是如此。然而可以說還沒有哪個數字識別器達到完美的識別效果。按使用的特征不同，這些方法可以分為兩類 :基于結構特征的方法和基于統(tǒng)計特征的方法。例如，使用統(tǒng)計特征的分類器易于訓練，而且對于使用統(tǒng) 計特征的分類器，在給定的訓練集上能夠得到相對較高的識別率，而結構特征的主要優(yōu)點之一是能描述字符的結構，在識別過程中能有效地結合幾何和結構基于 VC++的數字識別系統(tǒng)的設計與實現 2 的知識，因此能夠得到可靠性較高的識別結果。其中包括對信息的加工、處理、存儲和搜索等過程，它具有如下基本特點 : 神經網絡具有分布式存儲信息的特點。網絡的某一部分也不只存儲一個信息，它的信息是分布 式存儲的。因此，這種分布式存儲方式即使當局部網絡受損時，仍具有能夠恢復原來信息的優(yōu)點。每個神經元都可以根據接收到的信息作獨立的運算和處理，然后將結果傳輸出去，這體現了一種并行處理。在輸出模式中，通過輸出節(jié)點的比較和本身信號的強弱而得到特定的解，同時排出其余的解。 神經網絡對信息的處理具有自組織、自學習的特點。神經網絡所具有的自學習過程模擬了人的形象思維方法，這是與傳統(tǒng)符號邏輯完全不同的一種非邏輯非語言的方法。神經網絡與它在模式識別中的應用是息息相關，密不可分的。 目前 , 隨著計算機的迅速發(fā)展，性能價格比的不斷提高，模式識別技術己經從理論探討為主發(fā)展到大量的實際應用，人們將更多的注意力開始轉向那些用于語音，圖像、機器人以及人工智能等的模式識別實際問題。 這種面向實時應用的模式識別問題促使人們開始將并行處理的神經網絡應到模式識別，而神經網絡模式識別技術又將模式識別實時應用推進了一大步，數字識別就是這種應用的一個很重要的領域。人工神經網絡為數字識別提供了新的手段。 數 字圖像處理主 要研究的內容有以下幾個方面： 圖像變換 。因此，往往采用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散余弦變換等間接處理技術，將空間域的處理轉換為變換域處理，不僅可減少計算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進行數字濾波處理）。 圖像編碼壓縮 。壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。 圖像增強和復原 。圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。圖像復原要求對圖像降質的原因有一定的了解，一般講應根據降質過程建立 “ 降質模型 ”， 再采用某種濾波方法，恢復或重建原來 的圖像。雖然目前已研究出不少邊緣提取、區(qū)域分割的方法，但還沒有一種普遍適用于各種圖像的有效方法。 圖像描述 。作為最簡單的二值圖像可采用其幾何特性描述物體的特性，一般圖像的描述方法采用二維形狀描述，它有邊界描述和區(qū)域描述兩類方法。隨著圖像 處理研究的深入發(fā)展，已經開始進行三維物體描述的研究，提出了體積描述、表面描述、廣義圓柱體描述等方法。 圖像分類（識別）屬于模式識別的范疇，其主要內容是圖像經過某些預處理（增強、復原、壓縮）后，進行圖像分割和特征提取，從而進行判基于 VC++的數字識別系統(tǒng)的設計與實現 4 決分類。 在數字識別中分類識別之前要利用數字圖象處理和計算機圖形學的知識進行圖象的預處理以便進行下面的特征提 取以及識別。 本論文所做的工作 本論文在數字識別及預處理方面做了如下工作 : 介紹了數字識別廣闊的應用前景和常用的識別方法，通過分析指出數字識別的難點在于無法建立精確的數學模型和做出簡單可行的識別系統(tǒng)。 第四章分析了常規(guī)數字識別的基本步驟，并指出數字識別的關鍵步驟是預 處理和特征提取。 基于 VC++的數字識別系統(tǒng)的設計與實現 5 第 2 章模式識別及人工神經網絡概述 在觀察各種事物或接受各種客觀現象時，人們總是不斷地進行模式識別。在同一類別中，事物和現象不盡相同，但它們總是表現出某些方面的相近之處。也就是說，這些千差萬別的數字“ 8”的共性是它們具有相 同的屬性特征。比如，即使人們初到一個城市，也可以輕易地辨認出“街道”、“房屋”、“汽車”這樣的事物。正是人腦的這種推廣能力，使得人們利用見到過的有限事物和現象，形成各種事物類別的概念。人們根據所見模式的特性，將其劃歸為某一類的過程，實際上就是模式識別的過程。模式和集合的概念是分不開的，模式可以看作是集合論中的元素，而類則可以看作是子集。盡管引入神經網絡的方法和引入網絡的結構可以各不相同，但都可稱為神經網絡模式識別。 人工神經元網絡 (Artificial Neural Network)簡稱神經網絡，是基于日前人們對自然神經系統(tǒng)的認識而提出的一些神經系統(tǒng)的模型，一般是由一系列被稱為神經元的具有某種簡單計算功能的節(jié)點經過廣泛連接構成的一定網絡結構，而其網絡連接的權值根據某種學習規(guī)則在外界輸入的作用下不斷調節(jié)，最后使網絡具有某種期望的輸出特性。 基于 VC++的數字識別系統(tǒng)的設計與實現 6 預處理 神經網絡模式識別的基本方法是 ，首先用己知樣本訓練神經網絡，使之對不同類別的己知樣本給出所希望的不同輸出，然后用該網絡識別未知的樣本，根據各樣本所