基于bp神经网络的手写数字识别

摘 要

科技发展日新月异，智能识别推陈出新。如今是信息化时期，数字识别在很多智能领域上运用广泛，拥有普遍的使用远景，因此探索这项技术有其重要的实际意义。由于手写数字在写法上千差万别，且数字间字形差别相对较小，使得识别系统的开发具有很大的挑战性。

当前手写数字识别采用的技术有Bayes判别法、决策树法、神经网络和支持向量机（Support Vector Machines，SVM）等。诞生于20世纪90年代的SVM技术是机器学习研究的热点，因其良好的泛化性能成为了数字识别领域的热门方法。

本开发系统借助MATLAB平台实现完成SVM的手写数字识别功能，同时与BP神经网络的识别作对比，并利用了MNIST数据库作扩展与分析。对识别的结果进行探究，得出使识别精准度出现误差的主要因素有手写体数字的规范程度、笔画字迹粗细和清晰，以及训练样本的数量等。

关键词 手写数字识别；神经网络；SVM

Abstract

I

Technological development changes rapidly, and intelligent recognition innovates constantly. In the

基于人工神经网络的MATLAB手写数字识别系统 一、函数MouseDraw实现手写识别系统GUI界面的建立和鼠标手写的实现。（使用时保存为MouseDraw.m)

function MouseDraw(action)

% MouseDraw 本例展示如何以Handle Graphics来设定滑鼠事件 % (MouseDraw Events)的反应指令(Callbacks) % 本程序在鼠标移动非常快时，不会造成画“断线” % global不能传矩阵

global InitialX InitialY FigHandle hb2 hb3 hb4 count hb5 hb6 hb7 count='E:\\im.jpg'; imSize = 50;

if nargin == 0, action = 'start'; end

switch(action)

%%开启图形视窗 case 'start', FigHandle = figure('WindowButtonDownFcn','MouseDraw down','DeleteFcn','save bpnet');

axis([1 imSize 1 imSize]); % 设定图轴范围%

基于人工神经网络的MATLAB手写数字识别系统 一、函数MouseDraw实现手写识别系统GUI界面的建立和鼠标手写的实现。（使用时保存为MouseDraw.m)

function MouseDraw(action)

% MouseDraw 本例展示如何以Handle Graphics来设定滑鼠事件 % (MouseDraw Events)的反应指令(Callbacks) % 本程序在鼠标移动非常快时，不会造成画“断线” % global不能传矩阵

global InitialX InitialY FigHandle hb2 hb3 hb4 count hb5 hb6 hb7 count='E:\\im.jpg'; imSize = 50;

if nargin == 0, action = 'start'; end

switch(action)

%%开启图形视窗 case 'start', FigHandle = figure('WindowButtonDownFcn','MouseDraw down','DeleteFcn','save bpnet');

axis([1 imSize 1 imSize]); % 设定图轴范围%

汽车车牌识别系统的设计文献综述

第12卷第4期2003年12月淮　海　工　学　院　学　报

JournalofHuaihaiInstituteofTechnologyVol.12　No.4

Dec.2003

　　文章编号:100823499(2003)0420025203

基于BP神经网络的汽车牌照识别

李丰林

(淮海工学院电子工程系,江苏连云港　222005)

Ξ

摘　要:提出了一种用BP,在特征提取时采用了Fourier投影2;,采用并行算法对BP网络分类器进行了处理;。实践证明,利用BP,,,。

关键词:B;.9;　　　文献标识码:A

RecognitionofCarLicensePlatesBasedonBPNetwork

LIFeng2lin

(Dept.ofElectronicEngineering,HuaihaiInstituteofTechnology,Lianyungang222005,China)

Abstract:AmethodofrecognizingcarlicenseplatesbasedonBPNetworkisproposedinthispaper.Aslicenseplatesareallprintedinboldcharacters

基于BP神经网络语音识别方法研究

摘要： 神经网络是近年来信息科学、脑科学、神经心理学等诸多学科共同关注和研究的热点。由于其具有良好的抽象分类特性,现已应用于语音识别系统的研究和开发，并成为解决识别相关问题的有效工具。文章在讲述语音识别过程的基础上重点讨论利用BP神经网络对语音进行识别,用MATLAB完成对神经网络的训练和测试,并获得满意的结果。

关键词：语音识别；模式识别；BP神经网络，

1 绪论

计算机的飞速发展，使人们的生活方式发生了根本性的改变，鼠标、键盘，这些传统的人机接口使人们体会到了生活的便利。科学技术日新月异，假如让“机器”能够听懂人的语言，并根据其信息去执行人的意图，那么这无疑是最理想的人机智能接口方式，因此语音识别作为一门极具吸引力的学科应运而生，很多专家都指出语音识别技术将是未来十年信息技术领域十大重要的科技发展技术之一。

1.1 研究背景及意义

语言在人类的智能组成中充当着很重要的角色，人与人之间的交流和沟通大部分是通过语言的方式有效的完成。作为人与人之问交流最方便、自然、快捷的手段，人们自然希望它成为人与计算机交流的媒介。随着数字信号处理及计算机科学的飞速发展，人们对实现人机对话产生越来越迫切的要求，使得语音识别技术近年来得到

基于BP神经网络的车牌识别技术研究

摘 要

随着科学技术的不断发展，交通管理手段正从人工管理逐步转变成自动或

半自动方式，车牌识别问题作为现代交通工程领域中研究的重点和热点问题之一，受到越来越多人们的关注。近年来，神经网络在许多领域中得到应用，利用神经网络自适应的特点，本文采用基于BP构成的神经网络进行字符识别。

本文通过对在车牌识别系统中图像预处理、车牌定位、字符分割、字符识别四个关键环节的分析研究，提出了一种基于神经网络的车牌字符自动识别算法。用此方法对车牌图像进行实验，对车牌字符样本进行特征提取，并且在MATLAB环境下对车牌字符识别进行仿真模拟，结果证实此算法对车牌字符的定位和分割具有良好的效果，对车牌字符的识别具有一定的准确性。 关键词:BP神经网络；车牌定位；车牌识别；字符分割；字符识别

1. 引言

随着汽车数量的增加，使得世界各国都存在着交通拥挤的城市状况。为了解决这一问题，众多城市将车道拓宽，但仍远远不能解决问题，在不增加现有的道路设施情况下，如何提高交通运输效率已成为世界各国研究的焦点。智能型交通体系(ITS——Intelligent Transportation System)是未来交通监管系统的主要发展趋势。车辆

BP神经网络算法 三层BP神经网络如图：

传递函数g 目标输出向量

tk 输出层，输出向量

zk 权值为wjk 传递函数f yj 隐含层，隐含层输出向量

权值为wij 输入层，输入向量

x1x2x3 xn

设网络的输入模式为x?(x1,x2,...xn)T，隐含层有h个单元，隐含层的输出为

y?(y1,y2,...yh)T，输出层有m个单元，他们的输出为z?(z1,z2,...zm)T，目标输出为t?(t1,t2,...,tm)T设隐含层到输出层的传递函数为f，输出层的传递函数为g

于是：yj?f(?wxi?1niji??)?f(?wijxi)：隐含层第j个神经元的输出；其中

i?0nw0j???,hx0?1

zk?g(?wjkyj)：输出层第k个神经元的输出

j?01m2此时网络输出与目标输出的误差为???(tk?zk)，显然，它是wij和wjk的函数。

2k?1下面的步骤就是想办法调整权值，使?减小。

由高等数学的知识知道：负梯度方向是函数值减小最快的方向

因此，可以设定一个步长?，每次沿负梯度方向调整?个单位，即每次权值的调整为：

?wpq?????，?在神经网络中称为学习速率 ?wpq可以证明：按这个方法调整，误差会逐渐减

传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布,并且存在分类精度低的缺点。通过分析BP网的分类原理与学习算法,选择最能反映研究区土地利用信息的光谱数据,进行BP网的训练分类。将分类结果与采用最大似然法所得的结果综合比较,结果表明,该方法优于最大似然

基于BP神经网络的遥感影像分类

俞冰

河海大学水资源环境学院，江苏南京（210098）

摘 要：传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布，并且存在分类精度低的缺点。通过分析BP网的分类原理与学习算法，选择最能反映研究区土地利用信息的光谱数据，进行BP网的训练分类。将分类结果与采用最大似然法所得的结果综合比较，结果表明，该方法优于最大似然法。

关键词：遥感，BP神经网络，影像分类，最大似然法

遥感图像分类是利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元归化到各个子空间去。传统的遥感图像计算机分类方法一般多为基于bayes统计理论的最大似然法，然而随着遥感数据空间维数的不断扩展，该方法开始暴露出一些弱点：(A)多源、多维的遥感数据，可能不具备正态分布特征；(B)离散的类别数据(如地面

传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布,并且存在分类精度低的缺点。通过分析BP网的分类原理与学习算法,选择最能反映研究区土地利用信息的光谱数据,进行BP网的训练分类。将分类结果与采用最大似然法所得的结果综合比较,结果表明,该方法优于最大似然

基于BP神经网络的遥感影像分类

俞冰

河海大学水资源环境学院，江苏南京（210098）

摘 要：传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布，并且存在分类精度低的缺点。通过分析BP网的分类原理与学习算法，选择最能反映研究区土地利用信息的光谱数据，进行BP网的训练分类。将分类结果与采用最大似然法所得的结果综合比较，结果表明，该方法优于最大似然法。

关键词：遥感，BP神经网络，影像分类，最大似然法

遥感图像分类是利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元归化到各个子空间去。传统的遥感图像计算机分类方法一般多为基于bayes统计理论的最大似然法，然而随着遥感数据空间维数的不断扩展，该方法开始暴露出一些弱点：(A)多源、多维的遥感数据，可能不具备正态分布特征；(B)离散的类别数据(如地面

BP神经网络算法 三层BP神经网络如图：

传递函数g 目标输出向量

tk 输出层，输出向量

zk 权值为wjk 传递函数f yj 隐含层，隐含层输出向量

权值为wij 输入层，输入向量

x1x2x3 xn

设网络的输入模式为x?(x1,x2,...xn)T，隐含层有h个单元，隐含层的输出为

y?(y1,y2,...yh)T，输出层有m个单元，他们的输出为z?(z1,z2,...zm)T，目标输出为t?(t1,t2,...,tm)T设隐含层到输出层的传递函数为f，输出层的传递函数为g

于是：yj?f(?wxi?1niji??)?f(?wijxi)：隐含层第j个神经元的输出；其中

i?0nw0j???,hx0?1

zk?g(?wjkyj)：输出层第k个神经元的输出

j?01m2此时网络输出与目标输出的误差为???(tk?zk)，显然，它是wij和wjk的函数。

2k?1下面的步骤就是想办法调整权值，使?减小。

由高等数学的知识知道：负梯度方向是函数值减小最快的方向

因此，可以设定一个步长?，每次沿负梯度方向调整?个单位，即每次权值的调整为：

?wpq?????，?在神经网络中称为学习速率 ?wpq可以证明：按这个方法调整，误差会逐渐减