【www.yscs9s.com--易学研究】

　　摘要：本文介绍了神经网络、数字识别的相关内容及其概念，在此基础上重点研究了基于神经网络的数字识别系统。本文对基于神经网络的数字识别系统包含的功能，以及每个功能模块所使用的技术进行了阐述。最后对基于神经网络的数字识别系统所具有的优点进行了分析和讨论。
　　关键词：数字识别；数字提取；归一化；神经网络；模式分类
　　中图分类号：TP319 文献标识码：A文章编号：1007-9599 (2011) 17-0000-01
　　Numeral Recognition Based On ANN
　　Geng Chao
　　(Xingtai University,College of Information Science and Technology,Xingtai054001,China)
　　Abstract:The contents and concepts of the neural network,numeral recognition were introduced in the paper.A numeral recognition system based on ANN was studied on the foundation.In the paper,the function modules of the numeral recognition system based on ANN and techniques used by the modules are discussed.The advantages of the numeral recognition system Based on ANN were analyzed in the end.
　　Keywords:Numeral Recognition;Numeral Extraction;Normalization;
　　ANN;Pattern Recognition
　　一、引言
　　模式识别领域中，数字识别是一个重要的研究领域。数字识别在当今信息社会越来越受到重视，它在很多领域内有重要的应用价值。在财务金融领域内，每天产生大量的票据，如果人工处理数字信息，不但工作量大而且效率低下，不能满足实际工作需要。在邮政领域，如果采用人工读取邮政编码进行邮件分拣，同样存在工作强度大、效率低等问题。在其它领域内也存在这数字处理的问题。利用计算机技术可以辅助完成上述工作，通过数字识别不但降低了劳动强度，而且使效率和准确度也得到了极大的提高。
　　二、数字识别系统种类
　　按照识别的对象不同，目前数字识别分印刷体数字识别和手写体数字识别两大类，对于手写体数字，由于每个人的书写习惯不同，所以数字形状比较随意，因此识别起来比印刷体数字相对更难。
　　按照采用识别技术不同可以大体分为：基于模板匹配的数字识别系统、基于规则的数字识别系统和基于神经网络的数字识别系统。基于神经网络的方法由于能够较好地适应各种字体数字，所以有着良好的应用前景。
　　三、数字识别系统构成
　　数字识别系统包括下述几个组成部分：图像采集、图像预处理、图像归一化、分类识别等。下面对各个组成部分进行详细说明。
　　数字识别系统首先要采集包含有数字的图像，可以通过摄像头或扫描仪等输入设备采集图像，系统自动提取图像中的点阵颜色信息，然后交到图像预处理模块。
　　图像的预处理是数字识别等后续工作的基础，图像预处理包括前景检测、二值化、数字分割和骨架提取等步骤。前景检测把数字和背景分离开，通常可以采用基于先验知识的方法或采用边缘检测的方法进行，本系统采用先验知识的方法。然后进行二值化处理把前景灰度值赋为255背景灰度值赋为0。通过数字分割把每个数字提取出来，数字分割采用垂直投影和连通域方法。对于每个分割出来的数字，利用形态学方法进行骨架提取，把每个数字的图像进行细线化处理，然后交到图像归一化处理模块。
　　图像归一化的目的是无论输入什么样字体和大小的数字，都被归一化成统一形式以便识别，数字的归一化包括位置和尺寸归一化两部分工作。位置归一化就是把数字图像都放到图像中固定的位置，能够消除提取出来数字点阵位置上的偏差。数字大小归一化可以把不同大小的数字图像作变换，使之成为同一尺寸大小的图像。通过归一化处理把每个数字的图像变换到一个6×6的矩阵中，前景值为1背景值为0。
　　可以把6×6数字图像的矩阵看作是一个36维的输入向量，该向量作为人工神经网络的输入值，通过神经网络计算得到该数字图像属于0~9哪个类别，从而完成数字分类识别工作。
　　四、神经网络的应用
　　人工神经网络ANN，也称为神经网络，是模拟生物神经网络进行信息处理的一种数学模型，是利用数学模型模拟大脑的工作的机理与机制，实现特定的处理功能。
　　神经网络是一个并行和分布式的信息处理网络结构，它一般由许多个神经元组成，神经元是人工神经网络的基本处理单元，它一般是一个多输入/多输出的非线性元件。神经元输出除受输入信号的影响之外，同时也受到神经元内部其它因素的影响，所以在人工神经元的建模中还加有一个额外的阀值。每个神经元有一个状态变量；神经元中每个输入到下一个节点有一个连接权值；神经元中每个节点定义一个激活函数，可以是线性的或非线性的。理论上已经证明：具有偏差和至少一个S型隐含层加上一个线性输入层的网络，能够逼近任何有理函数。
　　神经网络通过样本学习改变自身的性能，所以神经网络具有很强的环境适应性。神经网络的训练本质上是通过不断修正每层的参数来改善分类性能，它的学习方式分为有监督学习、非监督学习和强化学习等种类。监督学习在训练过程中对给定的输入提供对应的输出，通过已知输入输出样本集调节系统的参数。本文中的网络系统通过反向传播算法进行系统学习，根据梯度下降法纠正参数误差，达到改善神经网络性能的目的。为了使系统具有分类识别的鲁棒性，在训练过程中采用了一定数量包含噪声的数据。
　　本文中神经网络采用36维输入向量，有一个包含10个神经元的隐层，输出层的输出为10维向量，如果输出向量中第一个分量为1其它分量为0，代表图像中的数字为0，其它以此类推。
　　五、结语
　　数字识别与分类在现实生活中有很强的应用价值，基于神经网络的数字分类识别系统由于具有高效、自适应性强等优点，越来越受到重视。本文所讨论的数字分类识别系统在训练过程中采用了一定量包含噪声的样本，能够在识别过程中对输入的包含噪声图像进行正确的分类，具有较强的鲁棒性，能够适应实际图像中数字的分类问题。
　　参考文献：
　　[1]阎平凡,张长水.人工神经网络与模拟进化计算[M].清华大学出版社,2001
　　[2]马耀名,黄敏.基于BP神经网络的数字识别研究[J].信息技术,2007,4
　　[3]陆琼瑜,童学锋.BP算法改进的研究[J].计算机工程与设计,2007,3

本文来源：http://www.yscs9s.com/wenhua/85404/