基于LVQ神經(jīng)網(wǎng)絡(luò)的脫機(jī)手寫(xiě)數(shù)字識(shí)別研究.pdf

1、脫機(jī)手寫(xiě)數(shù)字識(shí)別技術(shù)因其在文檔、統(tǒng)計(jì)、票據(jù)、郵件等方面的廣泛涉及，成為了研究人員近年來(lái)重點(diǎn)研究的課題，阿拉伯?dāng)?shù)字也是全世界唯一通用的字符。隨著社會(huì)金融業(yè)等行業(yè)的發(fā)展，我們對(duì)脫機(jī)手寫(xiě)數(shù)字識(shí)別準(zhǔn)確率的要求也越來(lái)越高。但是手寫(xiě)體的數(shù)字由于其人為因素的差異，使得其特征變化多樣，具有很大的隨意性。本文針對(duì)脫機(jī)手寫(xiě)數(shù)字圖像識(shí)別以及圖像特征提取等問(wèn)題，提出了基于LVQ神經(jīng)網(wǎng)絡(luò)的脫機(jī)手寫(xiě)數(shù)字識(shí)別方法，以實(shí)現(xiàn)提高脫機(jī)數(shù)字識(shí)別系統(tǒng)的識(shí)別精度和識(shí)別速度的目的

2、。
　　 針對(duì)基于LVQ神經(jīng)網(wǎng)絡(luò)的脫機(jī)手寫(xiě)數(shù)字識(shí)別方法，本論文研究?jī)?nèi)容如下:
　　 1.對(duì)手寫(xiě)數(shù)字圖像進(jìn)行圖像預(yù)處理與特征提取，預(yù)處理過(guò)程是分別對(duì)圖像進(jìn)行灰度化、二值化、去噪、歸一化以及字符的骨骼化過(guò)程。特征提取方面，本文采用特征區(qū)域分割與重組的新的特征提取方法，該方法具有良好的泛化性能，更能適應(yīng)手寫(xiě)體數(shù)字特征變化大的特點(diǎn);
　　 2.研究和分析了神經(jīng)網(wǎng)絡(luò)的基本原理模型與算法，提出將自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于手

3、寫(xiě)數(shù)字識(shí)別，設(shè)計(jì)了一種基于LVQ神經(jīng)網(wǎng)絡(luò)方法的脫機(jī)手寫(xiě)數(shù)字識(shí)別系統(tǒng)。本文重點(diǎn)分析和研究了LVQ神經(jīng)網(wǎng)絡(luò)輸入/輸出節(jié)點(diǎn)數(shù)和隱含層神經(jīng)元個(gè)數(shù)的確定，并對(duì)LVQ神經(jīng)網(wǎng)絡(luò)的權(quán)值系數(shù)與工作方式進(jìn)行了深入的分析;
　　 3.基于Matlab實(shí)現(xiàn)了LVQ神經(jīng)網(wǎng)絡(luò)對(duì)手寫(xiě)數(shù)字圖像的識(shí)別，分別進(jìn)行了對(duì)USPS手寫(xiě)數(shù)字樣本庫(kù)和五組不同人為書(shū)寫(xiě)的手寫(xiě)體數(shù)字的識(shí)別過(guò)程，并將實(shí)驗(yàn)結(jié)果與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了統(tǒng)計(jì)與對(duì)比。
　　 在系統(tǒng)的測(cè)試結(jié)果中，

4、LVQ神經(jīng)網(wǎng)絡(luò)對(duì)USPS的數(shù)字樣本庫(kù)識(shí)別率達(dá)到了97.4％的正確率，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)的正確率是95.7％。LVQ神經(jīng)網(wǎng)絡(luò)對(duì)五組手寫(xiě)數(shù)字的識(shí)別正確率達(dá)到了100％的正確率，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)訓(xùn)練五組手寫(xiě)數(shù)字時(shí)，在數(shù)字1、3、8處均各自出現(xiàn)了一個(gè)誤識(shí)率，識(shí)別精度不如LVQ神經(jīng)網(wǎng)絡(luò)。
　　 因此，LVQ神經(jīng)網(wǎng)絡(luò)具有比BP網(wǎng)絡(luò)更低的誤識(shí)率，且它的結(jié)構(gòu)簡(jiǎn)單，對(duì)輸入向量沒(méi)有規(guī)格化要求，也不存在BP網(wǎng)絡(luò)所有可能出現(xiàn)的局部最小化的問(wèn)題。LVQ神經(jīng)網(wǎng)絡(luò)