英文字符识别论文

英文字符识别论文 英文字符识别论文 摘要:本文利用bp神经网络针对英文字符识别的问题 建立模型，通过建立英文字符的图像模板，并给模板赋值形 成特征矩阵，最后在matlab环境下应用bp神经网络对英文 字符进行分类识别，在识别的同时，通过对模板进行模糊处 理后再次识别，并与先前识别的结果比较来验证该模型的鲁 棒性。仿真表明，该模型能够比较有效地实现英文字符识别， 为英文字符识别提供了一定的参考性。 关键词:英文字符识别;bp神经网络;matlab the english character recognition based on bp network wu di,sun jizhen (chinese people's public security university security engineering,beijing102623,china) abstract:in this paper,bp neural network for character recognition problems of the english model building,model images through the establishment of the english character templates,and assign to the template the formation of the characteristic matrix,and finally in the matlab environment applications bp neural network to classify the english character recognition,in recognition at the same time,obfuscated by the template again after recognition,and the results compared with the previous identification to verify the robustness of the model.simulation shows that the model can effectively achieve the english character recognition,character recognition in english provides a reference. keywords:english character recognition;bp neural network;matlab 一、bp网络概述 bp网络是一种多层网络的“逆推”学习算法。该网络由 大量神经元通过丰富而且完善的方法相互连接构成。由于神 经元之间存在许多不同的连接方式，可以通过不同连接方式 组成不同结构的神经网络。其基本思路是学习过程分为信号 的正向传播与误差的逆向传播。正向传播时，输入样本从输 入层经中间层逐层处理之后传向输出层。若输出层实际输出 与期望输出不符，则转向误差的逆向传播。误差的逆向传播 是将输出误差以某种形式通过隐含层向输入层逐层反传，并 将误差分摊给各层的所有单元，从而获得各层单元的误差信 号，此误差信号作为修正各个单元权值的依据，这种调整过 程是不断循环地进行的，权值不断调整的过程发生在网络的 学习训练过程中。在进行到网络的输出误差减少到可以接受的程度或进行到预先设定的学习次数时，此过程停止[1][2]。 二、模型设计 (一)英文字符模板。本文将英文字符c表示为4×4的图像矩阵，通过将英文字符图像分割为16个像素块的矩阵，接着给每个像素块的矩阵赋值，将特征矩阵加入事先训练好的bp网络模型进行分类识别。 如图1所示，设输入向量、目标向量分别为a和t。其中a为4×4的矩阵，t为4×1的单位矩阵，将此字符模板，根据像素顺序用输入模式向量 表示，深色部分为1，浅色部分为0，则输入为: 。 (二)bp网络模型。在bp网络初始化的时候，初始权值对于网络的收敛速度影响较大，所以要在适当的范围内选择，初始权值一般在(-1，1)内随机选取。从输入向量和输出向量的数量可以得出本模型的输入端应有16个神经元，输出端应有1个神经元。其次，还要设计中间隐含层的数目以及隐含层的节点数目。隐层选择有一个重要定理，即对于在闭区间内的任何一个连续函数，均可以选择用1个隐层的网络逼近，所以本模型选用1个隐层。隐层节点的数目能够影响bp网络的网络性能。具体由如下方法判定:先由经验 确定，其中w为隐层节点数，s为输入节点，k为输出节点， 为调节常数，在1至10之间。改变w，用同一样本集训练，从中确定最小的网络误差对应的隐层节点数[3][4]。在本模型中，根据上述方法和原则，bp网络的中间隐含层神经元个数选为4个。最后设定输出分量，定义输出分量时，根据本模型输出情况，采用如下的方式表示输出:识别成功: ;识别错误: 。 三、试验仿真 本模型使用matlab进行程序设计仿真，得出结论。首先将大量样本输入bp网络进行训练，使网络达到最佳性能。将字符c的输入样本输入运行，得到结果输出为: ，可以认为识别成功。 图2字符c的训练收敛曲线 图3c字符模糊处理后的训练收敛曲线 由图2字符c的收敛曲线看出，该模型收敛速度较快，达到了预期误差精度，网络具有较好的样本兼容能力。结果得出该模型能够正确的分类识别。然后将字符c的输入样本进行模糊处理，改变矩阵的部分值，输入网络，得到结果输出为: ，与输出模式对比可见识别成功。同时从图3的收敛曲线可以看出在输入样本模糊处理后输入bp网络模型，再次运行，该模型依然能够快速达到目标，可见系统鲁棒性 较好。 四、结束语 结果显示，利用bp网络模型实现了比较简易的对英文字符的分类和识别。本文所构想的字符识别模型是建立在英文字符图像不受干扰的较理想的条件下的，在英文字符识别方面有一定的应用广度，但是仍然需要必要的改善。另外，由于bp网络算法本质上是一种优化的梯度算法，存在收敛局限性，寻找更高效、准确的算法是今后努力的方向。 参考文献 [1]飞思科技产品研发中心.神经网络理论和matlab7实现[m].北京:电子工业出版社,2005 [2]闻新,周露.李翔等.matlab神经网络仿真与应用[m].北京:科学出版社,2003 [3]朱大奇,史慧.人工神经网络原理及应用[m].北京:科学出版社,2006 [4]尹念东.bp神经网络的应用设计[j].信息技术,2003,27,6 [作者简介] 吴迪(1987-)，男，内蒙古人，在校硕士研究生，安全技术及工程专业安全防范系统工程方向。