基于離散Hopfield神經網絡的數字模式識別

任東紅　林鵬　袁清萍

[摘 要] 離散Hopfield神經網絡具有聯想記憶功能，可以較好地應用在模式識別問題中，因此針對常見的數字識別問題，建立Hopfield神經網絡識別模型。模型輸出的穩定點為0-9個10*10的數字矩陣，通過向模型輸入帶有隨機噪聲的數字對模型進行測試，測試結果顯示，模型能夠準確識別帶有一定隨機噪聲的數字，具有一定的應用性。

[關 鍵 詞] 離散Hopfield網絡；數字識別；噪聲；測試

[中圖分類號] TP183 [文獻標志碼] A [文章編號] 2096-0603（2018）14-0062-01

數字識別在現代科學發展中有著重要的意義。特別是在車輛牌照的自動識別、表格數字的識別、證件數字的掃描識別中有廣泛的應用。當由于人為或者自然因素導致數據缺損或變形時，將會對數字提取帶來一定的困難，對技術要求也較高，此時需要采用智能的提取方法去除干擾。當前數字識別常用的方法是首先把所需識別的數字從圖像中提取出來，再把多個數字組成的數字串分解成單個字符，最后利用分類器進行識別[1]。根據人工神經網絡方法設計的分類方法是人工智能分類方法的一種，其具有高度識別的功能，能夠識別字符較集中的字符串，識別誤差較小，應用較廣。Hopfield神經網絡具有聯想記憶功能，能夠在干擾的情況下對數字進行準確的識別，因此被廣泛應用于圖像識別、語聲處理、信號處理、數據查詢、模式分類等[2][3]。

一、離散Hopfield網絡模型

離散Hopfield神經網絡第0層并不是真正的神經元，其無計算功能僅僅作為網絡的輸入層。神經網絡中第1層的神經元具有對信息進行計算處理的功能，是真正的神經元，其首先對輸入層神經元信息進行加權求和，然后再經過神經元的作用函數處理產生輸出。

離散Hopfield網絡輸出端信息反饋到輸入端，因此是一種典型的反饋神經網絡；當給定神經網絡輸入值后，Hopfield神經網絡產生輸出信息，輸出信息會反饋到輸入端，經過處理，得到新的輸出，信息處理過程將一直進行下去，直到輸出信息不再變化，即系統達到穩定，此時Hopfield網絡就會輸出一個穩定的恒值。對于建立一個Hopfield網絡來說，關鍵是在于確定它在穩定條件下的權系數。

二、數字識別模型建立

離散Hopfield神經網絡模型的確立，最重要的是要找到輸出穩定時的網絡權值。其具體過程如下：

神經網絡模型為離散的Hopfield神經網絡，其輸出狀態是所有輸出神經元輸出信息的集合。

按照動力學方式，神經元將不斷演變其狀態，從初始的距離目標較遠，一步步接近目標，即按照“能量”的減小方向迭代，直到達到穩定的狀態，此時的穩定狀態即為神經網絡的期望輸出。

三、Hopfield神經網絡數字模式識別

文中將利用離散Hopfield神經網絡的特質，識別帶有隨機噪聲的0，1，2，3，4，5，6，7，8，9十個數字。假設網絡由0～9這10個數字穩態構成，每個穩態用10*10的矩陣表示，網絡對這10個數字的穩態具有聯想記憶的功能，當帶噪聲的數字出現時，可以通過實驗測試網絡模型的識別功能。文中選用噪聲的方法是通過編寫MATLAB程序對數字1，2，3產生隨機噪聲，查看當噪聲點數不同時網絡的識別能力[4]。

實驗采用MATLAB工具箱自帶的Hopfield函數建立基本的模型。噪聲點數為20%時，結果顯示模型具有一定的數字識別能力，可以較準確地識別帶噪聲的數字，識別率達到80%。下圖顯示的是當噪聲點數達到40%時的測試結果，從結果可以看出Hopfield神經網絡模型此時基本無法準確去除噪聲，對數字的識別能力較差。

四、結論

離散Hopfield神經網絡具有一定的聯想記憶功能，優勢明顯，可應用于數字識別系統中。文中根據離散Hopfield神經網絡獨有的優勢構建數字識別模型，識別帶有隨機噪聲的0～9十個數字。實驗結果顯示，模型識別帶有20%以下隨機噪聲點時，模型具有較強的數字識別能力，但是隨著噪聲的增加，識別能力減弱。當識別帶有40%以上的噪聲點時，模型已無法準確識別數字，此時模型已經失效。因此，對噪聲較高的數字識別問題將是后期研究的重點問題。

參考文獻：

[1]張偉，王克儉，秦臻.基于神經網絡的數字識別的研究[J].微電子學與計算機，2006，23（8）：206-208.

[2]喬俊飛，李榮，韓紅桂.基于貢獻率的離散Hopfied結構優化[J].控制與決策，2015，30（11）.

[3]賈花萍.Hopfield神經網絡在車牌照字符識別中的應用[J].計算機與數字工程，2012，40（4）：85-87.

[4]王小川.MATLAB神經網絡43個案例分析[M].北京航空航天大學出版社，2013：74-82.