型实现了多层网络学习的设想。当给定网络的输入模式时，它由输入层单元送到隐层单元，经隐层单元逐层处理后再送到输出层单元，由输出层单元处理后产生一个输出模式，故称为前向传播。如果输出响应与期望输出模式有误差，且不满足要求，那就转入误差后向传播，即将误差值沿连接通路逐层向后传送，并修正各层的连接权值达到网络要求。三、识别结果显示及网络参数分析⑴数字神经网络识别⑵英文字符识别训练结果与识别结果：⑶简单汉字、英文字符和数字的混合识别（类似车牌）原始训练图像和训练结果⑷在数字识别中均方误差改变的结果显示及分析显然，在我们的训练样本中没有矛盾样本的情况下，随着均方误差的减少，迭代次数很显著的增大，识别率略有提高，但我们如果取到均方误差为005时，识别率仅为50到60之间，显然不能满足要求。在均方误差在00005的基础上继续减少，迭代次数将超出我们的承受范围，而识别率基本上没有太大的变化，综合识别率和训练时间的比较，我们选择均方误差为0001。⑸其它网络BP网络参数的分析BP网络参数中可以自行调整的除了均方误差之外，还有隐层数目，训练步长和动量因子。隐层数目越多，网络精确度越高，训练时虽然迭代次数减少，但每次迭代的时间都增大了，训练时间明显增加，在训练时间可以接受的情况下，识别率基本没有什么变化。训练步长在本程序中从00145训练都很成功，只是迭代次数发生了显著的变化，识别率基本也没有什么变化。如果训练步长低于001后，训练时间很长，超出了设定的迭代最大值，网络训练失败；如果训练步长高于45以后，网络训练时经常出现震荡现象，网络训练也是失败的，这时需要设置动量因子来平衡震荡现象，动量因子取值在0到1之间，这里我们设置为0001可以平衡震荡提高收敛性能。这样我们可以在增加原始的训练步长原始为0015，同时降低均方误差为00005，这样迭代次数减少了，识别率提高了。⑹BP网络的优化方案对BP网络优化核心的问题是提高网络的效率、提高识别率、提高稳定性。BP网络优化通常有下面几种方法：多次选择不同的初始权值以找到可以达到最
f佳识别率的权值；采用加入动量因子的方法；采用可变速学习（VLBP）；采用模拟退火法等等。这些都是我们后期需要深入研究的内容。参考文献1王棚基于神经网络的的手写体字符识别中国期刊网2002TP3912Marti
THaga
，NeuralNetworkDesig
，机械工业出版社3冈萨雷斯数字图像处理电子工业出版社4章r