基于神经网络的手写体数字识别.doc

第 6 卷 第 3 期 2 0 1 6 年 6 月  智 能 计 算 机 与 应 用 INTELLIGENT COMPUTER AND APPLICATIONS Vol. 6 No. 3 Jun. 2016  基于神经网络的手写体数字识别 陈园园， 袁焕丽， 石齐双 （周口师范学院物理与电信工程学院， 河南周口 466001） 摘 要： 本文重点解决以图像方式存在的手写体数字识别问题，首先对图像进行预处理，其次对结构特征进行提取，最后利用神经网络模型对 前面两步得到的样本数据进行学习和训练。 通过 MATLAB 进行仿真，神经稀疏编码算法应用在手写体数字识别中能够得到比较好的识别率。关键词： 手写体数字识别； 预处理与特征提取； 神经稀疏编码算法； MATLAB 中图分类号： TP391 文献标志码： A 文章编号： 2095-2163（2016）03-0140-02 Handwritten digit recognition based on neural network CHEN Yuanyuan， YUAN Huanli， SHI Qishuang （ School of Physics and Electromechnical Engineering， Zhoukou Normal University， Zhoukou Henan 466001， China） Abstract： This paper focuses on handwritten numbers recognition problems in image way. Firstly， the image pretreatment， followed by the structural features are extracted. Next， The neural network model is used to study and train the sample data obtained from the previous two steps. Through MATLAB simulation， neural sparse coding algorithm can be used in handwritten numeral recognition to get better recognition rate. Keywords： handwritten digit recognition； pre-processing and feature extraction； neural algorithm for sparse coding； MATLAB  0 引 言 近年来，模式识别获得了迅猛发展和学术界的广泛关注，并且在人工智能研究的高端构建与创新中发挥着基础性的推动作用。 当前，模式识别也依然存在着众多问题有待改进与完善：输入样本表达的选择、分类器的选择、采集数据、处理数据、选择数据和样本集对识别器的优化训练。 模式识别中的一个核心组成就是数字识别。 而基于时下需求，数字识别中的重点分支—手写体数字识别已经成为当前瞩目的技术热点和焦点研究内容。 虽然在手写体数字识别上已经取得了一定成果，识别率基本上不会低于 96％。 但是手写体数字识别技术却仍然呈现出若干不足，由此而成为文字识别中的关键难点之一。 得益于神经网络和模糊逻辑技术的发展，手写体数字识别正是应用了人工神经网络这一方法，才获得可观和长足进步。 因为神经网络具有推广能力、记忆力、非线性和自学习能力以及高速运算能力。 综上可得，本文即针对基于神经网络的手写体数字识别给出了研究设计完整过程技术论述。 1 手写体数字识别的预处理 数字识别的第一步便是图像预处理。 图像的预处理过程能够显著压缩信息的冗余度，将数字图像中的噪声有效降到 最低，从而使得到的点阵规范化、标准化，为后续数字识别提供必备和完备基础［1］ 。 预处理过程包括 3 个步骤：平滑去噪、二值化、归一化及细化。 其中，平滑去噪技术能够降低灰度图像中出现的黑白  噪声，原因则出自人们的手写体数字经常发生断笔、连笔等非预期的理想状况。 其后，将图像中的像素依据研究设计准则转换成 2 种颜色，从而成为图像的二值化。 黑白两种颜色则是依据图像的灰度值处理演化形成的。 此时，若要将二值化后的图像能完整、逼真地恢复原初数字，主要处理内容包括空白点不在笔画中出现，并且二值化的笔画还得保持最初的文字的结构特征。 因而，阈值的选择对于数字图像的二值化具有现实重大作用。 同时，归一化就是使数字图像经由某算法的效果设置而达到同一宽度、同一尺寸、同一高度，具体来说，