基于bp神经网络的脱机手写体数字识别

《基于bp神经网络的脱机手写体数字识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP神经网络的脱机手写体数字识别摘要BP神经网络广泛应用于非线性建模，模式识别、预测等方面。本文主要研究BP神经网络在脱机手写体数字识别方面的应用。神经网络具有生物神经网络的某些特征，是一个信息处理系统。神经网络结构简单、能够大规模并行、容易用硬件实现，并且具有学习和记忆能力、自适应和多样性等特性。本文用MATLAB的imread．m函数读取自采集的手写体数字图像，用自定义的归一化算法进行图像预处理，再用逐像素特征提取法提取数字特征，最后将提取到的数字特征进行编码作为神经网络的输入。抽取输入样本的特征向量，并选取足够的样本对BP神经网络进行训练，然后将测试样

2、本输入到训练好的网络中，就可以根据网络的输出得到识别结果。另外，针对BP网络收敛速度慢，计算量大等缺点，改进了网络的初始值，保证网络稳定快速收敛。还介绍了几种BP神经网络的改进训练算法，利用MATLAB神经网络工具箱提供的丰富的训练函数，对几种典型的BP网络训练算法的训练速度进行了比较。仿真结果表明本文提出的用于手写体数字识别的BP神经网络模型具有一定的识别能力，其算法可操作性强，只要相关参数选择得当，系统就能够得到较好的识别效果。本文的手写体数字识别正确率为65．33％。关键词：BP神经网络，手写体数字，模式识别，特征提取中北大学学位论文Off-lineHan

3、dwrittenDigitsRecognitionBasedonBPneuralnetworkAbstractBPneuralnetworkiswidelyusedinnonlinearmodelingpatternrecognitionetc．InthispaperWegiveakindofhandwrittendigitsrecognitionmethodbasedOnBPneuralnetwork．Anartificialneuralnetwortsisaninformationprocessingsystemthathascertainperforman

4、cecharacteristicsincomnlonwithbiologicalneuralnetworks．Neuralnetworksl眍)Sseascsmanyofadvantages：sjlnPlcstructure,easyimplementationinhardware，thebasicparallelcomputationala．r；chiteeture,andthemodelhasfeaturesofstudy，memory,selfadaptinganddiversity．ThispaperuseStheMATLABimread．mfuncti

5、ontOreadtheuser-definedhandwrittendigitalpieture，andUSeSthenormalizationmethodtopreprocessimageS．Thenweextractfeaturespixelbypixel．Afterpre-processingandfeatureextractionoftheselfcollectivehand-writtendi酉talsamples，wegaintheinputvectors．Bydistillingthecharacteristicvectorfromsamples,

6、selectingenoughstoredsampleStotraintheBPNeuralNetwork,andputtingthesamplesstandingforthehand-writtendi西tSint0trainedNeuralNetwork,thedistingnisheddigitalscriptsareobtainedaccordingtotheoutputoftheneuralnetwork．SomemodifiedBPalgorithmsaxediscussedinordertoeliminatethedisadvantageSofst

7、andardback-propagationalgorithm，suchasalowlyconvergencespeedandgreatcomputationalcomplexity．UseingMatlabneuralnetworktoolboxofthelatesvertion，thetrainingspeedofseveraltypicalBPtrainingalgorithmsiscompared．ThesimulationexperimentondigitalsamplesshowsthattheBPneuralnetworkmodelusedfort

8、heproblemoft