论文部分内容阅读
手写体数字识别的应用非常广泛,而且要求识别有较低的误识率。传统的手写数字识别的方法是通过提取手写数字高维数特征集,并运用特征选择方法筛选出较低维特征集,然后通过神经网络训练得到手写数字的分类器。这种方法往往不能达到识别的高精度要求。本文以手写数字系统的高性能为出发点,摒弃了上述方法。本文设计的神经网络以字符图像的所有像素灰度作为输入,保证了数字字符的特征信息的完整性。在神经网络的设计上,针对数字图像的特点,采用了卷积网络的设计方法,卷积网络是专门针对图像识别而设计的,其权值共享的特点可以减少网络的训练参数,使神经网络结构变得简单,适应性变强。本文的卷积网络共5层:一个输入层、3个中间层和一个输出层,其中中间层包括2个卷积层。每一个卷积层的神经元组成若干个特征图,每一个特征图为上一层与特定卷积核进行卷积的结果,这个卷积核就是该特征图的神经元的共享权值阵列。网络的学习算法仍然采用BP算法,但是在传统的BP算法上引入了二阶方法,即用于权值更新的学习速率不再为固定值,而是与输出代价函数的Hessian矩阵有关的能自适应的变化量。二阶方法大大加快了网络误差的下降速度。另外,采用随机输入样本,加快了收敛速度,而且可以避免陷入局部极小,从而改善训练效果。文中选择双曲正切函数作为激励函数,其(-1,+1)的值域范围更适合本文的网络输出。对于那些网络误差小于上次误差1/10的训练阶段,因为这种情况下的权值修正量比较小,所以本文忽略这些阶段的反向传播过程,这一处理方式提高了训练的效率。在进行数字识别前,对待识别图片作若干处理,诸如二值化分割、去边框、字符分割、形态学处理、去噪声、归一化处理等操作。然后将分割的字符依次通过神经网络识别出结果。实验结果表明,本文所采用的神经网络分类器方案针对MNIST库的手写数字样本具有较高的识别率,整个系统对带边框数字字符图片也取得了较好的识别效果。