论文部分内容阅读
本文建立了一个脱机手写数字识别系统,系统主要是由两个部分构成即:学习部分和识别部分。学习部分主要完成三个BP神经网络的学习训练;识别部分是由下列几个环节构成:预处理环节、特征抽取环节、伪特征消除环节和组合识别器识别环节。在整个系统的实现过程中,本文的工作主要有以下几方面: 1.实现了多种手写数字图像的预处理算法,采用多种方法对数字图像进行增强、平滑、二值化、归一化以及细化等预处理工作。在具体实现过程中,本文还对一些算法进行了改进,并得到了较好的处理效果。 2.采用了一种全新的计算拐点特征的方法,即:最小二乘拟合一次多项式算法计算手写体数字的左右拐点。实验结果表明该方法是可行的。 3.对传统的去除伪特征点的算法进行改进,在具体实现过程中发现,改进后的去伪算法能更加有效地去除伪端点、孤立点和伪三叉点。 4.将BP神经网络引入到手写数字识别中,并采用多种输入模式对不同的BP网络进行训练,从而达到全面反映数字特征的目的。 5.为提高网络的收敛速度,对BP神经网络做一些改进。例如:动态修改学习因子η,避免假饱和现象。 6.设计了一个二级组合分类器,该分类器综合使用了最小距离和BP神经网络两种模式识别方法。组合分类器的结构如下:第一级分类器采用最小距离法进行粗分类。第二级分类器由三个BP神经网络并联构成,进行细分类。 7.对三个BP网络的识别结果采用多种组合算法进行比较,(1)平均值组合算法 (2)举手表决组合算法。实验结果表明,举手表决组合算法法能够提高手写体识别系统的性能。 本文建立的基于组合分类器的手写数字识别系统,综合使用了多种模式识别方法,全面反映了手写体数字各方面的特征。实验结果证明该系统对手写数字的的识别达到较高的识别率和识别精度,值得深入研究下去。