基于特征提取人工神经网络和自组织映射网络的手写字母数字识别参考.doc

基于特征提取人工神经网络和改进型自组织映射网络的手写字母数字识别 简介 本文提出了一种手写字母和数字识别的新方法。本文使用特征来表示手写字母的相对拓扑结构，这些特征包括：行的终点、角、联结点、交叉点、不同特征点之间的线段、孤立的圆。这些特征的提取通过多层相互联结的人工神经网络提取。标准样本的特征点通过自组织神经网络（SOM）映射到样本上。通过比较与标准样本的特征分布的相似度来识别样本的特征。改进型的SOM有如下几点优点：1.因为一个特征被分类到几个组中所以它的特征点会很少。2.为了找到合适的特征点，SOM网络从不同的环形区域组建。3.特征点同时从样本和标准样本的提取。4.会从不同的行特征提取相邻的点。这些改进会使SOM网络更加稳定，组建网络更加快速。计算机访真显示，提出的方法能够识别大量的不同的样本。 1 引言 手写字母的识别是人工神经网络非常重要的一个就用。因为传统的计算方法无法很好的达到识别目标，科学家希望人工神经网络在此方面能够表现得更好些，因为人工神经网络是通过模拟人的大脑对信息的处理方式来对数据进行处理。但是要模拟出人的信息处理方式并不是件容易的事，这方面的知识太少。然而仍然提出了有许多与人大脑信息处理方式相接近的人工神经网络 感知识是第一个用于模试识别网络模型。近年来，提出了许多与bp神经网络及SOM网络相似的网络模型。其中的一些通过不同的网络模型从手写字母中提取大量的特征，这此特征又被用于神经网络的模式识别。另一种方法则是输入特征真接作用于神经网络，特征提取和模式识别的过程则在网络中同时完成。 本文中，我们提出了一种新的手写字母数字的识别方法。本文中的系统由特征提取网络和改进的SOM网络组成。为表示出相近的网络拓扑结构，我们只保留关键的特征。本文提出了几个对SOM的改进，以便使som网络能够更好的应用于手写字母的识别。同时我们做了字母和数字识别的的访真。 2 手写数字，字母的特征 特征的提取是手写数字、字母识别过程中很重要的一个环节。因此我们提出了以下几种特征： 行的终点。 小于等于90度的角。 联结点（像T型的）。 十字交叉点（十） 孤立圆中的一个任意点 两个特征点之间的中点 中点表示了两个特征点之间的线段。图1中分别表示了这些不同的特征。 ○：代表无效区域。●☆★：代表有效区域。更进一步，★代表特征点，☆代表两个特征之间的中点。 （a）行的终点（b1）（b2）小于等于90度的角，（c）联结点，（d）十字交叉点，（e）两个特征之间的中点，（f）孤立圆中的一个任意点和中点。 3 特征提取神经网络 3.1 结构框图 图2 是特征提取网络的结构框图。手写字母输入到Ⅰ层。在Ｆ层， F1层提取行的终点，F2层会提取物征：小于90度的角、联结点、十字交叉点，F3层则提取由两角直线组成的90度的角。 在TR层有一个神经网络，用于从特征点开始跟踪模式的每行。通过统计从同一特征点开始跟踪点的数目来确定它的特征。同时两条跟踪路线的相交点则认为是一两个特征的中点。 3.2 F层的特征提取 本文中所说的模式被认为是标准的模式，事实上要获得很好的标准模式必须要有些预处理。 一个模式首先从Ⅰ层输入，它的输出只有0或1。第Ⅰ层中的第i个神经元到F层的第j个神经元的连接权W（IF）由下式决定： 每个神经元单元有8个邻接单元如图： Ⅰ层到F层的连接，单元●有8个邻接单元○ （a）F1层神经网络 通过控制神经元的输入是不否等于9，是否激活，提取行的终点。 （b）F2神经网络 候选的特征点 通过使用等式1中的连接权值，位于特征点右侧或邻接的单元有最大的输入，这些单元至少有3个邻接单元，当这些单元的输入大于等于11时则会激活这些单元。如图： ◆：输入大于等于11的单元。 竞争学习 在初始时由于可能有多个单元处于激活状态，此情况通过竞争学习来挑选出合适的单元。每一个单元都和它的邻接单元相连接,并且有一个自循环。假设邻接单元中的第ｉ个单元到第ｊ个单元之间的连接权是由下式决定的： 式中：，其中Ｖf2i(n)和Ｖf2j(n)是输出。Ｖf2j(n)是初使输出由下式决定上： Vij是第Ⅰ层的输出。当n=1时第j个单元的输出由下式决定上： 其中:0ηε。 如果一个单元的输出值比与它相连的单元阈值要大，则此单元接收正输入，否则此单元接收负输入。通过重复上述的步骤，如果某个单元在n=0时有最大输入，或者位于所有活动单元的中心，则比单元会被选定。 （c）F3神经网络 如图所于的90度角是不能在F2层网络中提取出来的： 因为它只有两个邻接的单元。这样的90度角将在F3层网络中提取出来。 下图是各层的连接关系： ◇1，◇2，◇3，◇4，是F3层的输入，它们接收第I层的输出，对就为（①②）（① ③）（②④）（③④）。如果这些单元的输入是2输出是1，那么它们就会被激活