基于BP神经网络英文字母识别.docx

基于BP神经网络的英文字母识别摘要：本文简述了BP神经网络模型及BP学习算法规则，并在Matlab中利用BP神经网络对英文字母进行了识别，经结果分析发现BP神经网络对字母具有一定的辨识能力，是一种对字母识别的有效方法。关键词: BP神经网络 Matlab 字母识别Abstract:This paper first describes?the back propagation network?model and the rule of back propagation?learning algorithm.?And then identified the alphabet in Matlab using the?back propagation network.?The?results show that the?back propagation network has the?ability to identify?some of the?letters of the alphabet, which?is an effective method?for character recognition.Key Words: Back propagation network; Matlab; character recognition1 引言 20世纪80年代中期，学者Rumelhart、McClelland和他们的同事提出了多层前馈网络MFNN(Mutltilayer Feedforward Neural Networks)的反向传播学习算法，简称BP网络(Back Propagation Network)学习算法。BP网络是对非线性可微分函数进行权值训练的多层前向网络。在人工神经网络的实际应用中，80%～90%的模型都采用BP网络或其变化形式。采用BP 算法的多层前馈网络, 是迄今为止应用最广泛的神经网络, 具有很强的非线性逼近能力以及自适应、自学习能力。 英文字母识别，是文字识别中一个重要分支。由于英文字母字体种类繁多，因而对英文字母的识别难度很大。针对英文字母的特性，本文基于BP 算法，设计了一种英文字母识别训练系统。本文主要选取四种大小写英文字母作为训练集样本, 用设计的BP网络对其进行训练, 从而得到英文字母的识别结果。2 BP神经网络 BP 神经网络作为人工神经网络中应用最广的算法模型，具有完备的理论体系和学习机制。它模仿人脑神经元对外部激励信号的反应过程，建立多层感知器模型，利用信号正向传播和误差反向调节的学习机制，通过多次迭代学习，成功地搭建出处理非线性信息的智能化网络模型。2.1 BP神经网络模型 反向传播神经网络（Back-Propagation Network，简称BP网络）是对非线性可微分函数进行权值训练的多层网络，是前向神经网络的一种。 BP网络主要用于： 1）函数逼近与预测分析：用输入矢量和相应的输出矢量训练一个网络，逼近一个函数或预测未知信息； 2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来； 3）分类：把输入矢量以所定义的合适方式进行分类； 4）数据压缩：减少输出矢量维数以便于传输与存储。 在人工神经网络的实际应用中，80%－90%的神经网络模型是采用 BP 网络或它的变化形式，它也是前向网络的核心部分，体现了人工神经网络最精华的部分。 BP神经网络的模型结构如图1所示。图1 具有一个隐含层和输出层的BP神经网络模型 BP网络的激活函数必须是处处可微的，所以它就不能采用二值型的阈值函数{0，1}或符号函数{-1，1}，BP网络经常使用的是Sigmoid函数、正切函数或线性函数。Sigmoid型激活函数具有非线性放大系统功能，它可以将输入从负无穷大到正无穷大的信号，变换成0到1或-1到1之间的输出，对较大的输入信号，放大系数较小；而对较小的输入信号放大系数较大，所以采用 Sigmoid 型激活函数可以去处理和逼近非线性的输入/输出关系。不过，如果在输出层采用Sigmoid型激活函数，输出则被限制在一个很小的范围内，若采用线性激活函数，则可使网络输出任意值。所以只有当希望对网络的输出进行限制，如限制在0和1之间，那么在输出层应当包含Sigmoid型激活函数。2.2 BP学习算法规则 BP网络是一种具有三层或三层以上的神经网络，上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法称为“误差逆传播算法”，即BP算法。 从大的方面来说，学习算法可分为两类：有监督的学习算法和无监督