BP神经网络在模式识别中的应用 BP神经网络在数字识别中的应用 数字字符识别技术在大规模数据统计 邮件分拣 汽车牌照 支票 财务 税务 金融等有关数字编号的识别方面得到广泛应用 因此成为多年来研究的一个热点 BP神经网络具有良好的容错能力 强大的分类能力 自适应和自学习等特点 备受人们的重视 在字符识别领域得到了广泛的应用 车牌识别 车牌识别系统中很大一部分是数字识别 邮件自动分拣系统 邮件自动分拣系统主要利用邮政编码的数字识别 BP神经网络的基本原理 BP神经网络是一种典型的前馈神经网络属于有监督式的学习算法 其主要思想是 输入学习样本 使用反向传播算法对网络的权值和偏差进行反复的调整训练 使输出的向量与期望向量尽可能地接近 当网络输出层的误差平方和小于指定的误差时训练完成 保存网络的权值和偏差 BP神经网络机构图 数字识别的基本思想 数字图像 预处理 特征提取 神经网络识别 识别结果 特征提取 在模式识别中 特征的选择是一个关键问题 将经过预处理后的数字图像中提取最能体现这个字符特点的特征向量 在本系统中归一化后的图像形成一个36 20的布尔矩阵 依次取每列的元素转化为720 1的列矩阵 即数字字符的特征向量 提取出训练样本中的特征向量代入BP网络之中就可以对网络进行训练 提取出待识别的样本中的特征向量代入训练好的BP网络中 就可以对数字字符进行识别 本系统BP神经网络结构 输入层与输出神经元个数的确定神经网络的输入层神经元个数等于特征向量的维数 即20 36 720个输入神经元 输出层神经元个数的确定因为要识别的0 9共10个数字 因此输出选择为10 1的矩阵 即输出节点数为10 当数字图像0 9输入神经网络后在输出神经元对应的位置上为1 其他的位置为0 输人数字0 第1个输出神经元为1 其他为0 输入数字1 第2个输出神经元为1 其他为0 以此类推 隐含层神经元个数的确定一般情况下 隐含层神经元个数是根据网络收敛性能的好坏来确定的 在总结大量网络结构的基础上 得出经验公式 s sqr 0 43nm 0 12m 2 54n 0 77m 0 35 0 51 其中n为输人层神经元个数720 m为输出层神经元个数10 根据以上公式 可以得出隐含层神经元个数为70 BP神经网络的训练 第1步 设置变量和参数 其中包括训练样本 权值矩阵 学习速率 第2步 初始化 给各个权值矩阵一个较小的随机非零向量 第3步 输入随机样本 第4步 对输入样本 前向计算BP网络每层神经元的输入信号和输出信号 第5步 由实际输出和期望输出求得误差 判断是否满足要求 若满足要求转第8步 不满足要求转第6步 第6步 判断是否已经到了最大迭代次数 若到 转第8步 否则反向计算每层神经元的局部梯度 第7步 根据局部梯度修正各个矩阵的权值 第8步 判断是否学习完所有的样本 是 则结束 否则转第3步 使用BP网络来进行数字识别的流程 首先 利用大量的训练样本来训练网络 以得到文件形式保存的权值 训练样本为精心选择的可以很好的反应样本可分性的已知数据 在系统中采用训练样本图片的格式 将训练样本图片进行特征提取后 就可以送入BP网络进行训练 其次 训练完BP网络后 就可以用它对待识别数据进行识别了 识别有先要经过图像预处理 特征提取 最后送入BP网络识别 直接得到结果 在训练之前 程序要求输入训练参数 如训练误差 步长等 数字识别的流程 训练样本图片 特征提取 图像预处理 待识别数据 BP神经网络 识别结果 识别 训练 基于vc 实现的数字识别系统 测试 步骤一图像预处理 测试步骤二识别 BP神经网络在NIR中的应用 谢谢