英文字符識(shí)別論文

1、論文發(fā)表專(zhuān)家一英文字符識(shí)別論文摘要：本文利用bp神經(jīng)網(wǎng)絡(luò)針對(duì)英文字符識(shí)別的問(wèn)題建立模型，通過(guò)建立英文字符的圖像模板，并給模板賦值形成特征矩陣，最后在matlab環(huán)境下應(yīng)用bp神經(jīng)網(wǎng)絡(luò)對(duì)英文字符進(jìn)行分類(lèi)識(shí)別，在識(shí)別的同時(shí)，通過(guò)對(duì)模板進(jìn)行模糊處理后再次識(shí)別，并與先前識(shí)別的結(jié)果比較來(lái)驗(yàn)證該模型的魯棒性。仿真表明，該模型能夠比較有效地實(shí)現(xiàn)英文字符識(shí)別，為英文字符識(shí)別提供了一定的參考性。關(guān)鍵詞：英文字符識(shí)別；bp神經(jīng)網(wǎng)絡(luò)；matlabtheenglishcharacterrecognitionbasedonbpnetworkwudi,sunjizhen(Chinesepeople'spublic

2、securityuniversitysecurityengineering,beijing102623,china)abstract:inthispaper,bpneuralnetworkforcharacterrecognitionproblemsoftheenglishmodelbuilding,modelimagesthroughtheestablishmentoftheenglishcharactertemplates,andassigntothetemplatetheformationofthecharacteristicmatrix,andfinallyinthematlabenv

3、ironmentapplicationsbpneuralnetworktoclassifytheenglishcharacter論文發(fā)表專(zhuān)家一recognition,inrecognitionatthesametime,obfuscatedbythetemplateagainafterrecognition,andtheresultscomparedwiththepreviousidentificationtoverifytherobustnessofthemodel.simulationshowsthatthemodelcaneffectivelyachievetheenglishchara

4、cterrecognition,characterrecognitioninenglishprovidesareference.keywords:englishcharacterrecognition;bpneuralnetwork;matlab一、bp網(wǎng)絡(luò)概述bp網(wǎng)絡(luò)是一種多層網(wǎng)絡(luò)的“逆推”學(xué)習(xí)算法。該網(wǎng)絡(luò)由大量神經(jīng)元通過(guò)豐富而且完善的方法相互連接構(gòu)成。由于神經(jīng)元之間存在許多不同的連接方式，可以通過(guò)不同連接方式組成不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)。其基本思路是學(xué)習(xí)過(guò)程分為信號(hào)的正向傳播與誤差的逆向傳播。正向傳播時(shí)，輸入樣本從輸入層經(jīng)中間層逐層處理之后傳向輸出層。若輸出層實(shí)際輸出與期望輸出不符，則轉(zhuǎn)向誤差的

5、逆向傳播。誤差的逆向傳播是將輸出誤差以某種形式通過(guò)隱含層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)作為修正各個(gè)單元權(quán)值的依據(jù)，這種調(diào)整過(guò)程是不斷循環(huán)地進(jìn)行的，權(quán)值不斷調(diào)整的過(guò)程發(fā)生在網(wǎng)絡(luò)的論文發(fā)表專(zhuān)家一學(xué)習(xí)訓(xùn)練過(guò)程中。在進(jìn)行到網(wǎng)絡(luò)的輸出誤差減少到可以接受的程度或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)時(shí)，此過(guò)程停止12。二、模型設(shè)計(jì)（一）英文字符模板。本文將英文字符c表示為4X4的圖像矩陣，通過(guò)將英文字符圖像分割為16個(gè)像素塊的矩陣，接著給每個(gè)像素塊的矩陣賦值，將特征矩陣加入事先訓(xùn)練好的bp網(wǎng)絡(luò)模型進(jìn)行分類(lèi)識(shí)別。如圖1所示，設(shè)輸入向量、目標(biāo)向量分別為a和t。其中a為4X4的矩陣，t為4X1的單位矩陣，將此字符模板，根據(jù)像素順序用輸入模式向量表示，深色部分為1,淺色部分為0,則輸入為：。（二）bp網(wǎng)絡(luò)模型。在bp網(wǎng)絡(luò)初始化的時(shí)候，初始權(quán)值對(duì)于網(wǎng)絡(luò)的收斂速度影響較大，所以要在適當(dāng)?shù)姆秶鷥?nèi)選擇，初始權(quán)值一般在（-1,1）內(nèi)隨機(jī)選取。從輸入向量和輸出向量的數(shù)量可以得出本模型的輸入端應(yīng)有16個(gè)神經(jīng)元，輸出端應(yīng)有1個(gè)神經(jīng)元。其次，還要設(shè)計(jì)中間隱含層的數(shù)目以及隱含層的節(jié)點(diǎn)數(shù)目。隱層選擇