基于神經網絡的數字識別技術研究

張琦 時濤 李強 王守志

【摘 要】現代社會中，隨著信息技術飛速的發展，各個領域都廣泛使用信息技術，將我們的雙手和智慧融入到信息技術中，其中有非常突出表現的信息技術是通過對人工神經元網絡的研究，人們有了一種基于神經網絡的數字識別技術，并且經過大量的驗證，已經有較大的成果，且還在很多重要的領域中有廣泛的應用。現在數字識別技術已經有了較為成熟的成果了，比如印刷體數字的識別率已經是100%的成功，手寫體數字識別技術也已經在98%以上了，比如是銀行票據和文本信息處理等都是應用的數字識別技術。

【關鍵詞】神經網絡；數字識別；BP網絡

引言

模式識別中的眾多分支中，數字識別是一個非常重要的分支，通過表單中的圖像信息自動讀取、信息采集等等都不能缺少數字識別。圖像的像素特點很好的反映了圖像傳遞出來的信息情況，其非常的簡單易操作，也有較為穩定的圖像處理。基于神經網絡的數字識別其實就是模擬的人體的大腦神經系統處理信息的方式，將采取到的信息并行處理，和分線性轉化的復雜網絡系統。現代社會經濟科技發展迅速，我們對于人工神經網絡系統的發展已經日漸趨于成熟，現今已經應用到各個重要領域中，本文將采取的圖像的像素特征和矩特征進行相互結合，利用人工神經網絡分類器的測試，以此來獲取數字識別技術的識別效果。

一、特征提取

特征提取是在圖像處理中非常關鍵的，我們的圖像處理中需要保證有足夠的信息量，以此來得到圖像的較高識別率。同時根據我們測量出來的數據，確定出對我們圖像處理有意義和作用的數據，得出我們的圖像特征，特征類的樣本間的距離盡可能的小，類間樣本距離盡可能的大一點。特征提取是有較高的穩定性的，方便操作，也方便提取。首先：我們為了將圖像中筆劃進行清晰的展示，需要將我們的圖像顏色進行灰度化處理，沒有其他的顏色顯示，只是調整亮度，通過常用的加權平均法，然后將圖像的亮度進行處理。然后，將我們得到的圖像進行二值化，二值化中我們不常用的是動態閥值法，因為它主要是根據像元的領域特征來自己適應的改變閥值，領域灰度變化太快，計算時間長，很麻煩。在二值化處理中保證目標像素是1，背景像素是0，就可以進行下一步的歸一化處理，圖像為16*16大小即可，在以上的基礎上，我們再次對圖像的像素進行像素特征和HU特征提取。

像素特征：我們就將圖像橫向分為四等份，縱向分為兩等份，分開進行統計，然后得出一個8維特征，然后再次分割得出一個四維特征，將白色部分進行作為一個1維特征，其余的圖像就是13網格特征，比如：特征1，它的1.bmp是5，2.bmp是10，3.bmp是7，4.bmp是7，5.bmp是1，6.bmp是8，7.bmp是5，8.bmp是8，9.bmp是7；特征2，它的1.bmp是7，2.bmp是0，3.bmp是9，4.bmp是9，5.bmp是7，6.bmp是5，7.bmp是6，8.bmp是10，9.bmp是9；特征3，它的1.bmp是4，2.bmp是4，3.bmp是2，4.bmp是1，5.bmp是7，6.bmp是7，7.bmp是7，8.bmp是1，9.bmp是6；特征4，它的1.bmp是8，2.bmp是0，3.bmp是6，4.bmp是6，5.bmp是4，6.bmp是3，7.bmp是3，8.bmp是6，9.bmp是7；特征5，它的1.bmp是4，2.bmp是4，3.bmp是3，4.bmp是0，5.bmp是10，6.bmp是3，7.bmp是6，8.bmp是4，9.bmp是6；特征6，它的1.bmp是8，2.bmp是0，3.bmp是4，4.bmp是7，5.bmp是12，6.bmp是7，7.bmp是7，8.bmp是0，9.bmp是7；等等類推到特征13它的1.bmp是48，2.bmp是31，3.bmp是49，4.bmp是44，5.bmp是52，6.bmp是47，7.bmp是46，8.bmp是33，9.bmp是58。其中還有不改變圖像的大小、位置、方位等對我們的圖像特征提取來說是非常方便的，也非常有效的，它也是我們的圖像描述方法中的一個——HU矩特征提取，它可以不受到圖像平移、旋轉和比例改變的影響，是一個非常使用的方式。

二、人工神經網絡分類

BP神經網絡是在確定了網絡的結構之后，要通過輸入、輸出的樣本集來對網絡進行學習，通過多方的實驗和測試可以得出的是：學習率可變的BP計算方法可以更加的節約時間。PNN神經網絡是由徑向基神經元還有競爭神經元組成的，它的計算方式一般是向進行將輸入向量和訓練樣本的距離，第一層是將各種模式中的相似程度進行計算，第二層是選擇加權值最大的網絡進行輸出。它主要是建立過程中就完成了選取和修正，所以沒有專門的訓練和學習函數。與之BP神經網絡相比，PNN神經網絡更加的節約時間，且數字識別率更高，且簡化了很多的不必要的訓練和學習函數，分類性能更好。模式識別領域也比BP神經網絡有更大的優越性。

三、結束語

隨著現代社會的信息技術發展，數字識別是已經在社會中廣泛應用了，且在該領域已經有非常重大的成果。通過以上的分析情況來看，讓讀者對數字體自動識別技術有進一步的了解，希望有助于以后的數字體自動識別技術的更進一步的研究。

參考文獻：

[1]徐遠芳，周餳，鄭華。基于MATLAB的BP神經網絡實現研究[J]。微型電腦應用，2006（08）

[2]王建梅，覃文忠。基于L——M算法的BP神經網絡分類器[J]。武漢大學學報：信息科學版，2005（10）

[3]周明，孫樹棟。遺傳算法原理及應用[M]。北京：國防工業出版社，2005。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，（8）：206-208.doi：10.3969/j.issn.1000-7180.2006.08.063.

作者簡介：

張琦，男，山東濟南人，臨沂大學信息學院與工程學院；

時濤，男，山東臨沂人，臨沂大學信息學院與工程學院；

李強，男，山東臨沂人，臨沂大學信息學院與工程學院。

通訊作者：

王守志，男，山東臨沂人，臨沂大學信息學院與工程學院，副教授。

（作者單位：臨沂大學信息學院與工程學院）