摘要:本毕业设计重点解决以图像方式存在的手写体数字识别问题。整体分为三个部分:图像预处理、结构特征的提取,设计神经网络并对前面得到的样本数据进行学习和训练。重要的参数为稀疏性参数、惩罚因子与神经活跃度。本设计通过MATLAB进行仿真,神经稀疏编码算法应用在手写体数字识别中能够得到比较好的识别率。50393
毕业论文关键词:手写体数字识别;预处理与特征提取;神经稀疏编码算法;MATLAB
Handwritten Digit Recognition Based on Neural Network
Abstract: This graduation design focus on handwritten Numbers recognition problems in image way. As a whole is pided into three parts: image preprocessing, feature extraction structure, design of neural network and the front of the sample data for learning and training. The important parameters are the sparsity parameter, the penalty factor and the neural activity. This design through MATLAB simulation, neural sparse coding algorithm can get a better recognition rate in handwritten digit recognition.
Key words: Handwritten digit recognition; Pre-processing and feature extraction; Neural algorithm for sparse coding; MATLAB
目 录
摘要: 1
引言 1
1.手写体数字识别其预处理 2
1.1 手写体数字识别的基本方法 2
1.2 图像预处理概括 3
1.3图像预处理的处理步骤 4
2.手写体数字识别的特征提取 5
2.1特征提取的概述 5
2.2统计特征 6
2.3结构特征 6
2.4 知识库的建立 8
3.神经稀疏网络在数字识别的应用 9
3.1稀疏自编码算法 9
3.2神经网络的学习与训练 10
4.系统总体设计与仿真 11
4.1 仿真 11
4.2 系统总体设计与仿真 12
4.3 MTLAB程序设计 12
5.结束语 13
参考文献 13
附录 14
附录1:手写体数字识别 15
附录2:运行界面 16
致 谢 20
基于神经网络的手写体数字识别
引言
模式识别是进几年发展起来的。它之所以能够引起科研人员的关注,并且在人工智能研究中有着重要作用,是因为它能够实现人机互换并且它的研究方向是如何使用机器来实现人对物体的判断、学习和识别的能力。
模式识别系统主要包括信息特征提取、信息的检测、信息的预处理和分类等四个环节。模式识别系统的智能说白了就是对所需要处理的模式属于哪一类做出判断并且在系统做出判断时进行模式输入[1]。
模式识别中一个很重要的部分就是数字识别。第一自身问题难度使它变成一个有挑战性的课题;第二数字识别其他方面全部碰到的一些基本与共性的问题。
当前,计算机发展很快,性价比也不断的提高,很多的实践应用已经开始应用模式识别技术。科学家更侧重于人工智能、机器人、数字图像等等的模式识别的实践问题。现在的计算机的存储量和计算的复杂性,使实时性的应用收到阻碍,然而要彻底解决这些问题要做的就是实时的数据处理。科学家们已经尝试着将并行处理的神经网络应用到了模式识别[2]。并且神经稀疏自编码网络模式识别技术又对模式识别有不可或缺的作用。