论文部分内容阅读
神经网络是一个高度并行的,非线性的,具有很高冗余度的系统,这种系统结构使知识的表达与存储,使模式信息处理过程,都与传统的方法有很大差别。它具有的高度非线性,使我们能表达一些至少是目前尚无法用计算理论表达清楚的外部世界模型;同时,神经网络所具有的自学习,自组织能力使我们能在与外部世界的交互作用下,实现无法用当前的计算理论表达清楚的功能;对于那些无法建立精确数学模型的系统,神经网络有着独特的优势。 手写体数字识别是多年来的研究热点,也是字符识别中的一个特别问题。手写体数字识别在特定的环境下应用特别广泛。当涉及到数字识别时,人们往往要求识别器有很高的识别可靠性,特别是有关金额的数字识别时,因此,针对这类问题的处理系统设计的关键环节之一,就是设计出高可靠性和高识别率的手写体数字识别方法。然而可以说还没有哪个手写体数字识别器达到完美的识别效果。 在过去的数十年中,研究者们提出了许许多多的识别方法。按使用的特征不同,这些方法可以分为两类:基于结构特征的方法和基于统计特征的方法。 手写体数字识别属于模式识别的范畴,是模式识别中的一个具体问题,因而,对于手写体数字识别有着不同于其它模式识别的特殊要求。手写体数字识别除了要求识别精度高和工作可靠外,还要求其识别效率高,识别数度快。 由于手写体数字识别难于建立精确的数学模型,所以本文采用BP神经网络对这一问题进行处理。神经网络模式识别的一个关键步骤是预处理和特征提取,对于手写体数字识别,本文采用了一种基于字符边缘轮廓的特征提取方法,并用程序实现了这一特征提取过程。本文还训练出了具体的用于数字识别的神经网络,用程序模拟了整个识别过程。本文采用了两级神经网络结构。 通过测试,本识别系统对于较规范的手写体数字的识别达到了很好的识别效果。