手寫體數(shù)字識別方法的研究與實(shí)現(xiàn)畢業(yè)設(shè)計(jì)(doc畢業(yè)設(shè)計(jì)論文)(已改無錯(cuò)字)
2023-07-20 22:08:31 本頁面
【正文】 如下：1) 按從上到下，從左到右的順序掃描預(yù)處理后圖像并選擇第一個(gè)像素點(diǎn)P；2) 如果P點(diǎn)為黑像素點(diǎn)則選擇下一個(gè)像素點(diǎn)，若該像素點(diǎn)為白色則對交點(diǎn)數(shù)加1，若還是黑像素點(diǎn)則繼續(xù)選擇下一個(gè)像素點(diǎn)，如此循環(huán)直到該行（列）像素點(diǎn)被遍歷完。其他交點(diǎn)數(shù)的提取與上述算法類似。以提取左拐點(diǎn)數(shù)為例，提取拐點(diǎn)數(shù)特征的算法如下：1) 按從上到下，從左到右的順序掃描預(yù)處理后圖像并選擇黑像素點(diǎn)P。2) 查看它右下點(diǎn)是否為黑像素點(diǎn)，如果不是則轉(zhuǎn)①，否則查看右下點(diǎn)其正下的點(diǎn)，直到新點(diǎn)不是黑像素點(diǎn)，再查看此新點(diǎn)的正左點(diǎn)是否為黑像素點(diǎn)，如果是黑像素點(diǎn)，則這就是一個(gè)左拐點(diǎn)。當(dāng)然由于細(xì)化工作的不太確定性，也有可能是此新點(diǎn)的左上角點(diǎn)是黑像素點(diǎn)，那么這也可以看成一個(gè)非嚴(yán)格意義上的左拐點(diǎn)。再以圖像的上1/3處的水平分割線為界，計(jì)算圖像的上端點(diǎn)數(shù)，以圖像的下1/3處的水平分割線為界，計(jì)算圖像的下端點(diǎn)數(shù)。提取端點(diǎn)數(shù)特征的算法如下：1) 從上到下，從左到右的順序掃描預(yù)處理后圖像并選擇黑像素點(diǎn)P；2) 計(jì)算像素P的8鄰域之和N；3) 若N=1，則像素P為端點(diǎn)，如果端點(diǎn)位于圖像的上1/3內(nèi)，則上端點(diǎn)計(jì)數(shù)器加一；如果端點(diǎn)位于圖像的下1/3內(nèi)，則下端點(diǎn)計(jì)數(shù)器加一；4) 重復(fù)步驟13，直到遍歷整個(gè)圖像。通過以上方法對數(shù)字圖像的結(jié)構(gòu)特征進(jìn)行提取，得到9個(gè)數(shù)字特征，這9個(gè)特征組成一個(gè)特征向量，這個(gè)特征向量將作為神經(jīng)網(wǎng)絡(luò)的輸入值。該向量的排列如下：DATA= [ 豎直中線交點(diǎn)數(shù)，豎直1/3處交點(diǎn)數(shù)，豎直2/3處交點(diǎn)數(shù)，水平1/5處交點(diǎn)數(shù)，水平4/5處交點(diǎn)數(shù)，左拐點(diǎn)數(shù)，右拐點(diǎn)數(shù)，上端點(diǎn)數(shù)，下端點(diǎn)數(shù)]4 BP神經(jīng)網(wǎng)絡(luò)算法 誤差反傳算法原理BP算法的基本思想是，學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個(gè)過程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望的輸出（教師信號）不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權(quán)值的依據(jù)。這種信號正向傳播誤差如何利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行手寫體數(shù)字識別，方法概述，實(shí)現(xiàn)原理等等。反向傳播的各層權(quán)值調(diào)整過程，是周而復(fù)始地進(jìn)行的。權(quán)值不斷調(diào)整的過程，也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[12]。 基于BP算法的多層感知器模型 采用BP算法的多層感知器是至今為止應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，在多層感知器的應(yīng)用中。一般習(xí)慣將單隱層感知器稱為三層感知器，所謂三層包括了輸入層、隱層和輸出層。 三層BP網(wǎng)三層感知器中，輸入向量為，隱層輸出向量為，輸出層輸出向量為，期望輸出向量為，輸入層到輸出層的權(quán)值為，隱藏層到輸出層的權(quán)值矩陣為，各層之間的信號關(guān)系如下：對輸出層有：對隱藏層有上式中，變換函數(shù)f（x）均為單極性sigmoid函數(shù)F（x）具有連續(xù)可導(dǎo)的特點(diǎn)，以上共同構(gòu)成三層感知器的數(shù)學(xué)模型 BP算法過程 初始化對權(quán)值矩陣W、V賦隨機(jī)數(shù)，將樣本模式計(jì)數(shù)器p和訓(xùn)練次數(shù)計(jì)數(shù)器q置為1，誤差E置0，學(xué)習(xí)率η設(shè)為0~1內(nèi)的小數(shù)，網(wǎng)絡(luò)訓(xùn)練后達(dá)到的精度設(shè)為一個(gè)正的小數(shù)。 輸入訓(xùn)練樣本對，計(jì)算各層輸出用當(dāng)前樣本對X，d序列賦值 計(jì)算網(wǎng)絡(luò)輸出誤差設(shè)共有P對訓(xùn)練樣本，網(wǎng)絡(luò)對于不同的樣本具有不同的誤差采用均方根誤差作為總誤差 計(jì)算各層誤差信號 調(diào)整各層權(quán)值 檢查是否對所有樣本完成一次輪訓(xùn)若p,P,計(jì)數(shù)器p、q增1，返回步驟（2），否則轉(zhuǎn)步驟（7）。 檢查網(wǎng)絡(luò)總誤差是否達(dá)到精度要求5實(shí)驗(yàn)結(jié)果5 總結(jié)神經(jīng)網(wǎng)絡(luò)方法相比其他識別方法的優(yōu)點(diǎn)手寫體數(shù)字識別的未來、發(fā)展前景能人士的50個(gè)習(xí)慣 在行動前設(shè)定目標(biāo) 有目標(biāo)未必能夠成功，但沒有目標(biāo)的肯定不能成功。：“成功就是目標(biāo)的達(dá)成，其他都是這句話的注釋?！爆F(xiàn)實(shí)中那些頂尖的成功人士不是成功了才設(shè)定目標(biāo)，而是設(shè)定了目標(biāo)才成功。 一次做好一件事 ：“一次做好一件事的人比同時(shí)涉獵多個(gè)領(lǐng)域的人要好得多?！备惶m克林將自己一生的成就歸功于對“在一定時(shí)期內(nèi)不遺余力地做一件事”這一信條的實(shí)踐。 培養(yǎng)重點(diǎn)思維 從重點(diǎn)問題突破，是高效能人士思考的一項(xiàng)重要習(xí)慣。如果一個(gè)人沒有重點(diǎn)地思考，就等于無主要目標(biāo)，做事的效率必然會十分低下。相反，如果他抓住了主要矛盾，解決問題就變得容易多了。 發(fā)現(xiàn)問題關(guān)鍵 在許多領(lǐng)導(dǎo)者看來，高
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號-1