基于神经网络的数字识别技术研究

张琦 时涛 李强 王守志

【摘 要】现代社会中，随着信息技术飞速的发展，各个领域都广泛使用信息技术，将我们的双手和智慧融入到信息技术中，其中有非常突出表现的信息技术是通过对人工神经元网络的研究，人们有了一种基于神经网络的数字识别技术，并且经过大量的验证，已经有较大的成果，且还在很多重要的领域中有广泛的应用。现在数字识别技术已经有了较为成熟的成果了，比如印刷体数字的识别率已经是100%的成功，手写体数字识别技术也已经在98%以上了，比如是银行票据和文本信息处理等都是应用的数字识别技术。

【关键词】神经网络；数字识别；BP网络

引言

模式识别中的众多分支中，数字识别是一个非常重要的分支，通过表单中的图像信息自动读取、信息采集等等都不能缺少数字识别。图像的像素特点很好的反映了图像传递出来的信息情况，其非常的简单易操作，也有较为稳定的图像处理。基于神经网络的数字识别其实就是模拟的人体的大脑神经系统处理信息的方式，将采取到的信息并行处理，和分线性转化的复杂网络系统。现代社会经济科技发展迅速，我们对于人工神经网络系统的发展已经日渐趋于成熟，现今已经应用到各个重要领域中，本文将采取的图像的像素特征和矩特征进行相互结合，利用人工神经网络分类器的测试，以此来获取数字识别技术的识别效果。

一、特征提取

特征提取是在图像处理中非常关键的，我们的图像处理中需要保证有足够的信息量，以此来得到图像的较高识别率。同时根据我们测量出来的数据，确定出对我们图像处理有意义和作用的数据，得出我们的图像特征，特征类的样本间的距离尽可能的小，类间样本距离尽可能的大一点。特征提取是有较高的稳定性的，方便操作，也方便提取。首先：我们为了将图像中笔划进行清晰的展示，需要将我们的图像颜色进行灰度化处理，没有其他的颜色显示，只是调整亮度，通过常用的加权平均法，然后将图像的亮度进行处理。然后，将我们得到的图像进行二值化，二值化中我们不常用的是动态阀值法，因为它主要是根据像元的领域特征来自己适应的改变阀值，领域灰度变化太快，计算时间长，很麻烦。在二值化处理中保证目标像素是1，背景像素是0，就可以进行下一步的归一化处理，图像为16*16大小即可，在以上的基础上，我们再次对图像的像素进行像素特征和HU特征提取。

像素特征：我们就将图像横向分为四等份，纵向分为两等份，分开进行统计，然后得出一个8维特征，然后再次分割得出一个四维特征，将白色部分进行作为一个1维特征，其余的图像就是13网格特征，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。其中还有不改变图像的大小、位置、方位等对我们的图像特征提取来说是非常方便的，也非常有效的，它也是我们的图像描述方法中的一个——HU矩特征提取，它可以不受到图像平移、旋转和比例改变的影响，是一个非常使用的方式。

二、人工神经网络分类

BP神经网络是在确定了网络的结构之后，要通过输入、输出的样本集来对网络进行学习，通过多方的实验和测试可以得出的是：学习率可变的BP计算方法可以更加的节约时间。PNN神经网络是由径向基神经元还有竞争神经元组成的，它的计算方式一般是向进行将输入向量和训练样本的距离，第一层是将各种模式中的相似程度进行计算，第二层是选择加权值最大的网络进行输出。它主要是建立过程中就完成了选取和修正，所以没有专门的训练和学习函数。与之BP神经网络相比，PNN神经网络更加的节约时间，且数字识别率更高，且简化了很多的不必要的训练和学习函数，分类性能更好。模式识别领域也比BP神经网络有更大的优越性。

三、结束语

随着现代社会的信息技术发展，数字识别是已经在社会中广泛应用了，且在该领域已经有非常重大的成果。通过以上的分析情况来看，让读者对数字体自动识别技术有进一步的了解，希望有助于以后的数字体自动识别技术的更进一步的研究。

参考文献：

[1]徐远芳，周饧，郑华。基于MATLAB的BP神经网络实现研究[J]。微型电脑应用，2006（08）

[2]王建梅，覃文忠。基于L——M算法的BP神经网络分类器[J]。武汉大学学报：信息科学版，2005（10）

[3]周明，孙树栋。遗传算法原理及应用[M]。北京：国防工业出版社，2005。张伟，王克俭，秦臻. 基于神经网络的数字识别的研究[J]. 微电子学与计算机，2006，（8）：206-208.doi：10.3969/j.issn.1000-7180.2006.08.063.

作者简介：

张琦，男，山东济南人，临沂大学信息学院与工程学院；

时涛，男，山东临沂人，临沂大学信息学院与工程学院；

李强，男，山东临沂人，临沂大学信息学院与工程学院。

通讯作者：

王守志，男，山东临沂人，临沂大学信息学院与工程学院，副教授。

（作者单位：临沂大学信息学院与工程学院）