用BP网络算法实现对含噪声0到9数字的识别.doc

用BP算法实现数字字符(0-9)识别 F0303033班 5030309906 戴海鹏 — —《人工智能导论》 字符识别是模式识别领域的一项传统的课题，这是因为字符识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而字符识别的研究仍具有理论和实践意义。这里讨论的是用神经网络识别数字的问题. 　　人工神经网络模式识别方法是近些年提出的新方法，为字符识别研究提供了一种新手段，它具有一些传统技术所没有的优点：良好的容错能力、分类能力强、并行处理能力和自学习能力。因而，采用神经网络识别方式是一种很好的选择。神经网络的字符识别系统是神经网络模式识别系统的一种，原理是一致的。一般神经网络字符识别系统由预处理，特征提取和神经网络分类器组成。预处理就是将原始数据中的无用信息删除，平滑，二值化和进行幅度归一化等。神经网络字符识别系统中的特征提取部分不一定存在，这样就分为两大类：（1）有特征提取部分的：这一类系统实际上是传统方法与神经网络方法技术的结合，这种方法可以充分利用人的经验来获取模式特征以及神经网络分类能力来识别字符。特征提取必须能反应整个字符的特征。但它的抗干扰能力不如第2类。（2）无特征提取部分的：省去特征抽取，整个字符直接作为神经网络的输入（有人称此种方式是使用字符网格特征），这种方式下，系统的神经网络结构的复杂度大大增加了，输入模式维数的增加导致了网络规模的庞大。此外，神经网络结构需要完全自己消除模式变形的影响。但是网络的抗干扰性能好，识别率高。　　构造神经网络分类器首先要选择适当的网络结构：神经网络分类器的输入就是数字字符的特征向量；神经网络分类器的输出节点应该是字符数。10个数字输出层就有个10个神经元，每个神经元代表一个数字；隐层数要选好，每层神经元数要合适，目前有很多采用一层隐层的网络结构。然后要选择适当的学习算法，这样才会有很好的识别效果。在学习阶段应该用大量的样本进行训练学习，通过样本的大量学习对神经网络的各层网络的连接权值进行修正，使其对样本有正确的识别结果，这就像人记数字一样，网络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经网络在样本学习中就像人记数字一样，学习样本时的网络权值调整就相当于人记住各个数字的形象，网络权值就是网络记住的内容，网络学习阶段就像人由不认识数字到认识数字反复学习过程是一样的。神经网络是按整个特征向量的整体来记忆数字的，只要大多数特征符合曾学习过的样本就可识别为同一字符，所以当样本存在较大噪声时神经网络分类器仍可正确识别。在字符识别阶段，只要将输入进行预处理，特征提取后的特征向量作为神经网络分类器的输入，经过网络的计算，分类器的输出就是识别结果。这里我们采用BP神经网络来进行车辆字符的识别。BP网络是采用Widrow-Hoff学习算法和非线性可微转移函数的多层网络。一个典型的BP网络采用的是梯度下降算法，也就是Widrow-Hoff算法所规定的。backpropagation就是指的为非线性多层网络计算梯度的方法。一个典型的BP网络结构如图所示： 　　　　我们将它用向量图表示如下：　　 　　其中：对于第k个模式对，输出层单元的j的加权输入为 ，该单元的实际输出为 ，而隐含层单元i的加权输入为 ，该单元的实际输出为 ，函数f为可微分递减函数 。　　其算法描述如下：　　（1）初始化网络及学习参数，如设置网络初始权矩阵、学习因子等。　　（2）提供训练模式，训练网络，直到满足学习要求。　　（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）。　　（4）后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回（2）我采用Matlab来模拟用神经网络进行车牌照数字识别这一过程。作为对比，一种采用提取特征部分的方法，一组采用无特征部分提取的方法。 BP网络的思想来设计实现一个真正的实际的神经网络。 BP网络的一个重要的用途就是用于模式识别。 我们的任务是要设计并训练出一个可行、高效的BP网络，以实现对0到9共10个加噪声后的数字和识别。 这里，数字采用了5×5共25点阵的形式，使用美观的数码管字体。 首先，要选择一种编码方式。这里要求的是点阵直接0－1编码的方式。 比如，对于数字1，可以编码为： 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0