基于人工神經網絡的手寫識別算法研究.pdf

1、手寫識別的問題是一個熟悉的問題，并在實際上具有巨大的應用。因此長久以來它已經使眾多人注目、研究。盡管已得到了重大成績，但是目前人們對移動設備更好地識別解決方案和實時性問題一直繼續(xù)研究。
　　因為插值法和函數逼近在科學技術以及日常生活中的好多領域都被應用的，所以早就有人研究它們了。目前插值法和多元函數逼近已成為一個關注的問題，因為要解決應用問題時必須解決插值法和多元函數逼近的問題。在數學上，雖然以很多不同的方法來充分地解決插值法、單

2、元函數逼近。但是有關插值法和多元函數逼近的問題，這些數學工具一直有限的。
　　從上世紀50年代已出現(xiàn)的，但人工神經網絡并沒有蓬勃發(fā)展，直到80年代計算機時代爆炸之時才發(fā)展。目前有許多領域直接或間接使用人工智能以至人工神經網絡。人工神經網絡，也簡稱為神經網絡（ANNs）是一個以生物神經網絡建立成的數學模型或計算圖像。它由一組共同連接的人工神經元（也稱為節(jié)點），通過發(fā)送在連接和新值節(jié)點來處理信息的。在神經網絡的連接都存在可以按經驗來調

3、整的加權，它使神經網絡有適應和學習能力。在許多情況下，人工神經網絡是一個自己改變結構的適應系統(tǒng)。在實際使用中，許多神經網絡工具是非線性統(tǒng)計數據的模型化。它們可以被用來模型化輸入數據和結果之間的復雜關系。在一個人工神經網絡，人工神經元被稱為“神經元/神經細胞”，“neurodes”，“處理元”或“單位”，其被連接在一起以形成一個模仿生物神經網絡的網絡。
　　有關組成神經網絡的哪些元素我們沒有定義。但是，因為模型的一層被稱為“神經元”

4、，所以就有以下的特點：
　　包括自適應加權，即由算法調整的計算參數。
　　在輸入，有可能相當非線性函數。
　　人工神經元網絡在收集和其他單位并行實施過程中類似于生物神經網絡，更加為各單位把小的任務明確地劃分?！吧窠浽W絡”的術語通常在統(tǒng)計算數、認知心理學和人工智能被提到。以模仿中心系統(tǒng)的神經網絡模型是神經科學和數學神經理論的一部分。
　　在基于人工神經元網絡的軟件開發(fā)模型，基于生物網絡的方法大部分已經被拆除，而是

5、我們用一個根據處理統(tǒng)計和信號的比較現(xiàn)實的做法。在一個系統(tǒng)中，神經網絡或神經網絡成分在大系統(tǒng)中會按自適應和非自適應的兩種方式來共同結合。
　　卷積神經網絡（CNNs）是一種人工神經元網絡。個體的神經細胞被堆疊的方式以便與在傳感器區(qū)域的的各個堆疊區(qū)域反應。卷積神經網絡的建設是自于生物過程的靈感和多層感知的變體。它們被設計以便使用在預處理過程中的最小數量資源。該模型在圖像識別和視頻普遍應用。
　　在圖像識別的應用，卷積神經網絡是一

6、組神經元的多層，每個部分是輸入圖像，稱為接收機。結果是堆疊的以獲得更好的結果，這行動在每一層會一次又一次地重疊。因此，我們將獲得有關圖像的最好結果。與其他圖像分類算法相比，卷積神經元網絡稍微使用預處理過程。這意味著，該神經元網絡將負責在傳統(tǒng)算法已被處理的過濾器的學習過程。
　　現(xiàn)在，這些傳感器越來越流行并在人類和機器之間相互作用起了巨大的作用的。智能設備已經可以使用手指、手寫筆、甚至手勢也可以。作為輸入裝置使用手指或手寫筆可以幫助

7、人們操縱比傳統(tǒng)鼠標和鍵盤較為方便。使用手指和手寫筆帶來精度在操作和比鼠標和鍵盤的空間的傳統(tǒng)更方便。但是，正是因為如此方便和效率又可以再次引發(fā)我們面臨必須克服的新挑戰(zhàn)。即手寫識別。人工神經元網絡是我們解決問題的一種方向。近年來，手寫識別的研究已經商品化地發(fā)展。然而，顯著的缺點分類神經網絡是廣泛的網絡組織和其可擴展的復雜性。我們可以很容易地構造一個神經網絡來確定、識別少數量，但與大輸入和大輸出的，會增加了連接性的神經元，所以它使培訓的過程更

8、加困難，尤其是識別率大大下降。
　　本文將給出一個基于卷積神經網絡的手識別寫聯(lián)機系統(tǒng)。與傳統(tǒng)的單一神經網絡不同的，新的網絡包括一組具有高識別率、并行工作的卷積神經網絡。每一個單元神經網絡只擔任在大組數據的識別一部分。但是，各網絡通過該算法結合起來時可以會通過添加或刪除的人工神經網絡和使用語言詞典造出靈活性的一層。
　　手寫識別仍是懸而未決的問題。第一個問題是在許多不同的寫字風格很難進行手寫識別。在寫字時，我們有打印和手寫的兩

9、種筆跡。如果打印的話，這個問題變得簡單，所以我們可以很容易地編寫電腦識別這種筆跡，但字跡變得更加復雜。我們每個人都有不同的書寫，沒有兩個人是一樣的。手寫幾乎就像指紋，每個人都有一個特征的。其結果，越模糊字母之間的邊界中，手寫識別已難的，識別固體手寫更難。另一個問題是詞匯，詞匯也是決定書寫的一個主要因素。詞匯的使用會幫助我們判斷識別的結果。使用小詞匯詞典會有一如下好處：
　　1.詞匯的尺寸小意味著因有多義詞會少見難確定的案件。

10、>　　2.詞匯的尺寸小允許單個字母模型化，與此同時如果大量的詞匯將在計算增加復雜性。
　　3.使用大的詞匯會導致增加的處理節(jié)點，從而造出處理信息的復雜性。
　　但是如果大量的詞匯，詞匯超越現(xiàn)象出現(xiàn)更少。
　　為了能夠手寫識別，首先我們要處理的輸入信息。人工智能和人工神經網絡雖然有處理信息的能力類似人類，但是一切都必須依靠算法。因此，我們必須幫助電腦找到需要識別的字母。這種技術被稱為邊界確定技術。首先我們從左至右，從上到

11、下，以確定是否字母的第一個點的位置。然后，我們分別尋找其他點，直到一個字的結尾。因此，我們會發(fā)現(xiàn)輸入數據已處理。
　　在得到輸入數據之時，下一步，將該數據進行處理以便造出所希望的結果。提出的各種解決方案就是以許多較小的網絡但具有高識別率進行構造復雜的神經網絡以便設置其自己的輸出。每個輸出的網絡成分“未確認”，使識別其結果無法被識別的過程。從一組輸入數據，通過預處理步驟，以分成單獨的字母。然后將樣品施加到所有神經網絡成分的輸入，其中