基于ann的数字识别系统的设计(附件)【字数：13650】
摘 要数字识别系统近几年发展十分迅速，人们对数字识别误差以及训练的时间要求越来越高，采用ANN技术进行数字识别可以解决这方面的问题。它具有自适应、自学习、非线性等优点。能够大幅度地提高工作效率，降低人工成本、提高数字的识别率、减少数字识别的时间等问题。本课题采用BP神经网络的方法对数字进行识别。首先我们对数字图像进行预处理。根据预处理后的图像，提取图像的像素值。然后不断训练设计好的BP网络，对比训练的结果和期望的结果。通过最终的结果来对ANN的权值进行修改，以达到最好的神经网络。最后可以通过测试的样本来进行仿真测试。
目 录
第一章 绪论 1
1.1 数字识别的简介 1
1.2 数字识别方法及研究现状 1
1.3 数字识别的技术难点 2
1.4 课题研究内容 3
第二章 图像的预处理 4
2.1 彩色图像的灰度化 4
2.2 灰度图像二值化 5
2.3 去除离散杂点噪音 6
2.4 整体倾斜度调整 7
2.5 字符分割 7
2.6 标准归一化 7
2.7 字符的紧缩对齐 7
2.8 特征提取 8
第三章 ANN技术 9
3.1 ANN的概述 9
3.1.1 生物神经元 9
3.1.2 人工神经元 9
3.2 ANN的理论基础 10
3.3 BP神经网络的概述 12
3.4 BP算法的传递函数 13
3.5 BP算法的步骤 14
第四章 基于ANN的数字识别系统 16
4.1 系统框架 16
4.2 系统实现过程 16
4.2.1 图像预处理 16
4.2.2 ANN的设计及训练 23
4.2.3 数字图像的识别 25
4.3 实验结果及分析 26
第五章 总结与展望 29
5.1 总结 29
5.2 后续工作及展望 29
结束语 30
致 谢 31
第一章 *好棒文|www.hbsrm.com +Q: #351916072#
绪论
1.1 数字识别的简介
在我们的生活中，要处理的数字数不胜数。为了能够减轻我们遇到的劳动压力以及提高处理效率，我们对计算机识别进行了很多年的研究，并取得了巨大的进步。字符识别中的一个分支就是数字识别，一般我们可以通过特征来进行匹配或者通过判断一些特征来进行处理，但是识别率还较低。因此还要寻找新的方法来提高识别率。
ANN技术近几年来发展迅速，它模仿人的大脑特性，具有人脑所具有的很多优势，例如自适应、自学性、并行性以及容错性等特点，为手写体数字的识别开辟了新的道路。
数字识别的研究是非常有用以及必要的，它能够涉及到人类的生产生活中，并且应用的极其广泛，比如：大型数据统计、邮政、金融、身份证识别等。
数字识别研究也有着重要的理论价值。首先，阿拉伯数字是唯一一个在世界上通用的符号，它使大家能够一起去研究和讨论，与其他字符相比是非常有优势的。其次，数字识别相比于其他的识别，它识别的类别数不大，这样就能够更加有利于我们对它做更深层次的分析和研究。最后，虽然人们已经研究很长时间的数字识别，但是机器的识别能力在一定程度上还是比不上人脑的识别能力，这是一个一直存在并需要我们去解决的问题。
1.2 数字识别方法及研究现状
数字识别的方法有很多种，我们将这些方法大致分为三大部分。
1.结构模式识别
根据字符的结构框架进行识别，缺点在于容易受到外界带来的干扰，所以只能识别一些简易的字符，比如数字。
2.统计模式识别
统计模式识别是对图像进行统计识别，此种识别方法又被细分为很多种方法。
(1)模板匹配
是将数字与数字模板进行匹配，取其中与模板匹配率最高的数字图像。此种方法算法容易，不需要采取特征提取的方法去提取图片的特征。但是在遇到一些旋转或者投影图片的时候，该种方法会使算法变得复杂，识别率也会变低。
(2)变换特征
是利用一些复杂的方法来变换数字图片，将图片的维度大大地降低，图片的识别成功率也大大的增加。缺点在于对倾斜的数字图片，识别误差大，且会导致运算难度加大，使识别时间变长，所以此种方法不可取。
(3)投影直方图
是将数字图片在水平和垂直方向进行投影。投影时，如果图片发生了旋转或倾斜了一定的角度，那么会对识别的结果产生很大的影响，导致识别不成功。
(5)特征点特征
图片中有白点和黑点，白点表示图片背景，黑点表示数字。这样就能很直观的表现出数字的基本特征。缺点是，对于粗分类的数字图片，识别率不高，有待加强。
2.结构与统计模式识别的结合
(1)网络化特征
是将数字图片划分为很多块，对每一块里的图像像素进行识别。个别块里面的数字识别存在误差，但识别率在整体上不会产生很大的误差。
(2)ANN
人的大脑由许多生物神经元组成。ANN模拟人脑的基本特征，是由大量的人工神经元组成的。ANN是一个自适应且具有非线性的神经网络。
模式识别(Pattern?Recognition)是对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。它是信息科学和人工智能的重要组成部分。而数字识别作为模式识别的一个分支。在日常生活和科研中具有十分重要的作用。数字识别的算法一般是采用以知识、神经网络、人工智能为基础的模板匹配法、轮廓多边形相关、傅立叶系数法等方法来进行识别的。以上方法识别效率高，但是实现较为复杂。
目 录
第一章 绪论 1
1.1 数字识别的简介 1
1.2 数字识别方法及研究现状 1
1.3 数字识别的技术难点 2
1.4 课题研究内容 3
第二章 图像的预处理 4
2.1 彩色图像的灰度化 4
2.2 灰度图像二值化 5
2.3 去除离散杂点噪音 6
2.4 整体倾斜度调整 7
2.5 字符分割 7
2.6 标准归一化 7
2.7 字符的紧缩对齐 7
2.8 特征提取 8
第三章 ANN技术 9
3.1 ANN的概述 9
3.1.1 生物神经元 9
3.1.2 人工神经元 9
3.2 ANN的理论基础 10
3.3 BP神经网络的概述 12
3.4 BP算法的传递函数 13
3.5 BP算法的步骤 14
第四章 基于ANN的数字识别系统 16
4.1 系统框架 16
4.2 系统实现过程 16
4.2.1 图像预处理 16
4.2.2 ANN的设计及训练 23
4.2.3 数字图像的识别 25
4.3 实验结果及分析 26
第五章 总结与展望 29
5.1 总结 29
5.2 后续工作及展望 29
结束语 30
致 谢 31
第一章 *好棒文|www.hbsrm.com +Q: #351916072#
绪论
1.1 数字识别的简介
在我们的生活中，要处理的数字数不胜数。为了能够减轻我们遇到的劳动压力以及提高处理效率，我们对计算机识别进行了很多年的研究，并取得了巨大的进步。字符识别中的一个分支就是数字识别，一般我们可以通过特征来进行匹配或者通过判断一些特征来进行处理，但是识别率还较低。因此还要寻找新的方法来提高识别率。
ANN技术近几年来发展迅速，它模仿人的大脑特性，具有人脑所具有的很多优势，例如自适应、自学性、并行性以及容错性等特点，为手写体数字的识别开辟了新的道路。
数字识别的研究是非常有用以及必要的，它能够涉及到人类的生产生活中，并且应用的极其广泛，比如：大型数据统计、邮政、金融、身份证识别等。
数字识别研究也有着重要的理论价值。首先，阿拉伯数字是唯一一个在世界上通用的符号，它使大家能够一起去研究和讨论，与其他字符相比是非常有优势的。其次，数字识别相比于其他的识别，它识别的类别数不大，这样就能够更加有利于我们对它做更深层次的分析和研究。最后，虽然人们已经研究很长时间的数字识别，但是机器的识别能力在一定程度上还是比不上人脑的识别能力，这是一个一直存在并需要我们去解决的问题。
1.2 数字识别方法及研究现状
数字识别的方法有很多种，我们将这些方法大致分为三大部分。
1.结构模式识别
根据字符的结构框架进行识别，缺点在于容易受到外界带来的干扰，所以只能识别一些简易的字符，比如数字。
2.统计模式识别
统计模式识别是对图像进行统计识别，此种识别方法又被细分为很多种方法。
(1)模板匹配
是将数字与数字模板进行匹配，取其中与模板匹配率最高的数字图像。此种方法算法容易，不需要采取特征提取的方法去提取图片的特征。但是在遇到一些旋转或者投影图片的时候，该种方法会使算法变得复杂，识别率也会变低。
(2)变换特征
是利用一些复杂的方法来变换数字图片，将图片的维度大大地降低，图片的识别成功率也大大的增加。缺点在于对倾斜的数字图片，识别误差大，且会导致运算难度加大，使识别时间变长，所以此种方法不可取。
(3)投影直方图
是将数字图片在水平和垂直方向进行投影。投影时，如果图片发生了旋转或倾斜了一定的角度，那么会对识别的结果产生很大的影响，导致识别不成功。
(5)特征点特征
图片中有白点和黑点，白点表示图片背景，黑点表示数字。这样就能很直观的表现出数字的基本特征。缺点是，对于粗分类的数字图片，识别率不高，有待加强。
2.结构与统计模式识别的结合
(1)网络化特征
是将数字图片划分为很多块，对每一块里的图像像素进行识别。个别块里面的数字识别存在误差，但识别率在整体上不会产生很大的误差。
(2)ANN
人的大脑由许多生物神经元组成。ANN模拟人脑的基本特征，是由大量的人工神经元组成的。ANN是一个自适应且具有非线性的神经网络。
模式识别(Pattern?Recognition)是对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。它是信息科学和人工智能的重要组成部分。而数字识别作为模式识别的一个分支。在日常生活和科研中具有十分重要的作用。数字识别的算法一般是采用以知识、神经网络、人工智能为基础的模板匹配法、轮廓多边形相关、傅立叶系数法等方法来进行识别的。以上方法识别效率高，但是实现较为复杂。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/180.html
