基于ＢＰ神经网络字符识别系统的研究
【摘要】：文章重点对数字、字符进行识别，主要可以分为前期的预处理和后期的神经网络识别两部分。文章结构如下：首先，对输出图像进行预处理，包括图像的灰度化、二值化、图像锐化、图像分割、图像归一化等技术；其次，提取图像的特征；最后把提取处理的特征在BP神经网络中训练和识别。文章综合利用数字图像处理和神经网络技术，采用VisualC60实现。【关键词】：人工神经网络BP网络数字识别图像分割特征提取
一、系统简介系统在实现的过程当中，先分解成两个大块，就是图像预处理模块和识别模块。其中图像像预处理块在对图像进行了一系列变换后把最后提取到的数字字符提交给数字识别模块，然后进行识别并给处结果。在这里用到了较进的图像预处理技术及神经网络技术。本系统总的流程为图象预处理特征提取经过神经网络样本训练最后是神经网络的识别并显示结果。在图象预处理中，针对本系统的神经网络识别，前三个和后三个图像预处理的技术是必须的，但中间三个图像预处理技术是针对特定的图像进行的处理，它们也可以换成其它的图像预处理技术。图像预处理完成后，对每一幅图像都必须有特征提取，把提取的特征在神经网络中进行训练和识别，流程图如下：整个系统的程序实现分为图像预处理和神经网络识别两大模块。在图像预处理的过程当中，我们采用了许多图像处理的技术，最后把每个数字的特征提取出来。特征提取采用最简单的逐象素特征提取方法，对图像进行逐行逐列的扫描当遇到黑色象素时取其特征值为1，遇到白色象素时取其特征值为0，这样当扫描结束以后就形成了一个维数与图像中象素点的个数相同的特征向量矩阵。简单来讲其功能就是把归一化样本的每个象素都作为特征提取出来，这里就得到了每幅图像就有归一化后的168的128个特征值。二、BP神经网络模型通常我们说的BP神经网络的模型，即误差反向传播神经网络，其思想是不断的训练权值，并设有一个标准的输出，每次训练以后得到的实际输出与标准的输出比较，设置一个最小误差，达到一个误差是就表示网络训练好了，否则继续训练，达到一定的训练次数，还没有达到这个标准表示网络的设置有问题。BP神经网络模型是神经网络中使用最广泛的一类。如下图所示三层BP神经网络结构图：网络共分为三层，输入层节点，隐层节点，输出层节点。层与层之间采用全互连方式。网络的每个输入节点表示图像特征向量的一个分量数据。
fBP网络模r