论文部分内容阅读
手写数字识别的应用领域非常广泛。大部分领域都要求手写识别有较高的正确率和较低的误识率。同时,大批量数据处理对速度又有相当的要求,这就对识别系统提出了更高的要求,许多理论上完美但是速度过低的方法是行不通的。因此研究简单高效的手写数字识别系统依然是一个重要的研究方向。本文提出了一种基于特征提取、特征选择和BP神经网络的手写数字识别系统。通过特征提取和特征选择对原始数据进行处理,再将处理后的数据输入到BP神经网络中,经过反复训练得到了识别正确率较高的系统。为了提高识别正确率和识别速度,主要做了以下几项工作:1、针对K算子特征和Fourier特征,通过实验得出了在K-L变换时样本数和所降低到的特征维数的关系图。经分析表明,每种特征所能降到的最大维数是一定的,这一维数足以表征每一个样本,同时又保证了使用的样本数最少。2、分析了BP算法传统分析方法的缺陷,提出了一种BP算法的矩阵分析方法,它不但有利于整体明晰的看到影响突触权值修正的因素,而且还有利于BP算法的改进和编码实现。3、提出了一种基于误差函数修改的BP改进算法,实验表明它在提高BP算法鲁棒性的同时还提高了样本的识别正确率。4、实现了基于特征提取、特征选择和BP神经网络的手写数字识别系统。实验表明,输入数据经过特征提取和特征选择处理后,可以使整个手写数字识别系统的训练时间明显缩短,而且识别正确率与原来相当。