1999年11月　重庆大学学报　(自然科学版)

JournalofChongqingUniversity(NaturalScienceEdition)Vol.22　Nov.1999第22卷第6期

　　文章编号:1000-582x(1999)0620059207

基于神经网络的字符识别技术研究

黄瀚敏,易正俊,汪先矩,汪瑞芳

(重庆大学自动化学院,重庆　400044)Ξ

　　摘　要:本文在分析人工神经网络理论和图象处理及其特征提取理论的基础

上,探讨了网络结构、特征编码、算法的实现、学习样本的收集、BP算法缺陷等问题,BP算法的缺陷问题提出改进方法并得以实现学习的效率大大的提高。　　关键词:;BP算法;手写字符识别

　　1文献标识码:A

40年代以来,人们在研究人脑机理的基础上,广泛开展模仿脑模型的人工神经网络理论的研究。由于人工神经网络具有与人脑相似的高度并行性、良好的容错性和联想记忆功能、自适应和自学习能力等特点,特别是以改进型BP网络为代表的神经网络具有良好的自学习能力、强大的分类能力、容错能力或鲁棒性,可以实现输入到输出的非线性映射,因此神

[1]经网络在手写字符识别领域得到越来越多的应用。

在日常生活中,大量的数字化信息需要进行手工录入,耗时且由于长时间工作引起的疲劳不可避免地产生差错,日益成为阻碍信息化发展的瓶颈问题。如何将人们从这种烦琐的

[2]简单重复劳动中解放出来,是模式识别领域中的一类重要问题。

笔者研究了基于改进型BP网络的字符识别系统的实现及应用,并着重就其特征编码、算法实现、学习样本的收集、网络参数选择及学习过程的收敛性及算法的改进等问题展开研究。

1　特征编码

神经网络的输入从一个n维矢量集合中选取,神经网络通过学习后,可对这些矢量进行分类。以前的分类并未采用特征编码,而直接对字符图象进行映射。对于一个32×24点阵的字符图象,需要768个输入节点及隐层节点和输出节点。这样,上千个节点的运算量庞大,运算效率低。因此,文中采用特征编码压缩信息量。

特征的抽取和特征编码的过程实际上是特征的压缩过程。对于区分字符来讲,宽度比Ξ收稿日期:1998209228

作者简介:黄瀚敏(19732),男,重庆人,重庆大学在读研究生,从事图像识别方面的研究。