基于神经网络在高考英语口语成绩采集中的应用!.pdfVIP

数字技术 应用研究 与应用 基于神经网络在高考英语口语成绩采集中的应用 李东升 (苏州教育考试院,江苏苏州 215000) 摘要:基于神经网路方法实现高考英语口语成绩的采集,实现口语成绩等级手写体的识别,提高在英语口语成绩处理的效率,实现口语 成绩的自动采集。目前该方案应用于苏州市高考英语口语成绩采集。 关键词 : 成绩采集；模式识别；神经网络；特征提取 中图分类号:G80 文献标识码:A 文章编号:1007-94 16(20 17)03-0069-0 1 对于未实行高考口语人机对话的省市,高考口语还是采用打分 式结果不一致需要人工干预,有可能等级打错也有可能等级涂错, 模式。然后人工采集,为解决这一问题,通过识别手写评分和OCR识 然后修正结果,确保等级信息准确无误。 别结果比对确保成绩采集的准确。而神经网络很适合用于解决字符 2.2 图像预处理 识别问题。 原始评分表的输入有可能产生污点等噪音。所以在识别之前必 须对图像进行预处理。预处理一般包括图像分割、灰度、二值化、平 1 BP神经网络 滑、去噪音、归一化和细化等。不同识别方法对于处理要求不一样预 人工神经网络是在人类对其大脑神经网络认识理解的基础上 处理后离散和噪声和归一化和细化处理,将图片形成一个40 ×40 人工构造的能实现某种功能的神经网络,是一种典型的前馈神经网 像素点阵(图1得分区图像预处理后图像)。 络,包含输入层、隐层及输出层。 2.3 神经网络的特征提取 BP网络是典型的多层网络,分输入层、隐含层和输出层,算法由 在手写等级识别中,特征的选择是非常关键问题。将经过预处 数据流的前向计算和误差信号的反向传播两个过程构成。通过这两 理后的等级数字图像中提取最能体现这个字符特点的特征向量,然 个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动 后提取出训练样本中的特征向量代入BP网络之中就可以对网络进 态迭代有哪些信誉好的足球投注网站一组权向量,使网络误差函数达到最小值,从而完成信 行训练,提取出待识别的等级样本中的特征向量代入训练好的BP网 [1] 息提取和记忆过程 。 络中,就可以对等级得分字符进行识别。 2 基于神经网络的英语口语成绩采集的实现 2.3.1 英语口语成绩采集中BP神经网络结构 将A、B、C、D等级图像的特征向量作为神经网路的输入,确定 为实现更好的采集,需要设计适应识别的评分表,其中定位点、 输入神经元。经过预处理的为40×40的矩阵,共1600各输入神经元。 考生条码用于定位到考生并采集成绩,等级手写的分区需要通过神 输出较为简单,只要识别A、B、C、D4个等级,输出节点数为4。为加快 经网络识别等级,OCR等级识别区用采集等级并通过神经网络采集 神经网络学习速度,3层BP网络最为恰当效率高。同时根据网络收敛 的等级进行比较。 2.1 采集过程 性能的好坏来确定隐含层神经元个数。根据经验公式: