您现在的位置:首页 > >

基于BP网络的字母识别

发布时间:

应用奇葩ExampIeof

AppIIcat.0n

基于BP网络的字母识别
谢丽娟,丁正生,陈俏

(西安科技大学理学院,陕西西安710054)
摘要:介绍了用BP神经网络方法对英文字母进行识别,并在识别过程中考虑了噪声干扰及非 线性因素的存在,使网络具有一定的容错能力,并用MATLAB完成了对字母识别的模拟。 关键词:BP神经网络;模式识别,MATLAB
中图分类号:N3 文献标识码:A

The alphabet identification based

on

BP network

XIE Li Juan,DING Zheng Sheng,CHEN

Qiao

(College

ofScience,Xi。811UnivemityofScience

andTechnology,Xi。an710054,China)

Abstract:The passage introduces method of using artificial neural

network method

to

recognize alphabet,and considers the existence of noise
use

disturbance and nonlinear factor,SO the network has certain fault-tolerance capability.Finally Key words:back propagation network;mode recognition;MATLAB

MATLAB

to

simulate

alphabet recognition.

智能控制作为一门新兴的交叉学科,在许多方面都 优于传统控制。而智能控制中的人工神经网络由于模仿 人类的神经网络,具有感知识别、学*、联想、记忆、推
理等智能,更是有着广阔的发展前景。其中最核心的是

矢量联系起来:

(3)分类:把输入矢量以所定义的合适的方式进行
分类;

(4)数据压缩:减少输出矢量的维数以便于数据传 输或存储。
1.2

反向传播网络(Back

Propagation

Network),简称BP网络[11。

本文介绍了运用matlab工具箱确定隐层神经元的个数和 构造BP神经网络,并用两类不同的数据对该神经网络进 行训练,然后运用训练后的网络对字符进行识别。
1 BP网络
1.1

BP网络模型

BP网络是一种单向传播的多层前向网络【2】,每一层 节点的输出只影响下一层节点的输出,其网络结构如 图l所示,其中x和∥分别为网络输入、输出向量,每 个节点表示一个神经元。网络是由输入层、隐层和输出 层节点构成,隐层节点可为一层或多层,同层节点没有

BP网络的简介

20世纪80年代中期,学者Rumelhart、McClelland和 他们的同事提出了多层前馈网络MFNN(Mutltilayer
Feedforward Neural

Networks)的反向传播学*算法,简称 Network)学*算法。BP网络是对

BP网络(Back

Propagation

非线性可微分函数进行权值训练的多层前向网络。在 人工神经网络的实际应用中,80%~90%的模型都采用 BP网络或其变化形式。 BP网络主要作用于以下几个方面:
(1)函数*河檬淙胧噶亢拖嘤Φ氖涑鍪噶垦盗

一个网络来*桓龊 (2)模式识别:用一个特定的输出矢量将它与输入

输入层
节点

隐层 节点

输出层 节点

图1 BP神经网络

《信息化纵横》2009年第18期 万   方数据

应用奇葩Example

0f

Applicat.0n

任何耦合,前层节点到后层节点通过权连接。输入信号 从输入层节点依次传过各隐层节点到达输出层节点。 2字符识别问题的描述及网络识别前的预处理 字符识别是模式识别领域的一项传统课题,这是 因为字符识别不是一个孤立的问题,而是模式识别领
域中大多数课题都会遇到的基本问题,并且在不同的 课题中,由于具体的条件不同,解决的方法也不尽相 同,因而字符识别的研究仍具有理论和实践意义。这里

多,则将使网络学*时间急剧增加,而且还可能导致网 络学*过度,抗干扰能力下降。 目前为止,还没有完善的理论来指导隐层节点数 的选择,仅能根据Kolmogorov定理,和单隐层的设计经

验公式(4】,并考虑本例的实际情况,确定隐层节点个数 应该介于8~17之间。 本文设计了一个隐层节点数目可变的BP网络,通过 误差对比,确定最佳的隐层节点个数,具体程序如下:
【alphabet,targets]=prprob;
p=alphabet;
t=targets;

讨论的是用BP神经网络对26个英文字母的识别。
在对字母进行识别之前,首先必须将字母进行预

处理『3J,即将待识别的26个字母中的每一个字母都通过 的方格形式进行数字化处理,其有数据的位置设为1,
其他位置设为0。如图2给出了字母A、B和C的数字化 过程,然后用一个l


s=8:17;

res=zeros(1,1 O); res2=zeros(1,10);
fori-1:10

35的向量表示。例如图2中字母
11 1 10001 100011

A的数字化处理结果所得对应的向量为: LetterA=[00100010100101010001 1 1

fprintf(’s(i)=%.Of\n’,s(i)); net=newff(minmax(p),【8(i),261,{’tansig','logsig’),’traingdx’);
net.trainParam.epochs=1 000; net.trainParam.goal=0.0001;

[net,tr]=train(net,P,t); y=sim(net,p); error---(y(1,:)一t(1,:)).^2; error2=(y(2,:)一t(2,:)).‘2;
图2数早化字母

res(i)=norm(error); res2(i)=norm(error2);
pause i-i+1:

由此可得每个字母由35个元素组成一个向量。由26个 标准字母组成的输入向量被定义为一个输入向量矩阵 alphabet,即神经网络的样本输入为一个35


26的矩阵。

其中alphabet=[1etterA,letterB,]ettereC,……letterZ]。网

end

络样本输出需要一个对26个输入字母进行区分输出向 量,对于任意一个输入字母,网络输出在字母对应的顺 序位置上的值为l,其余为0,即网络输出矩阵为对角 线上为1的26 X 26的单位阵,定义为target=eye(26)。 本文共有两类这样的数据作为输入:一类是理想 的标准输入信号;另一类是在标准输入信号中加上用 MATLAB工具箱里的噪声信号,即randn函数。 3网络设计及其试验分析 为了对字母进行识别,所设计的网络具有35个输入 节点和26个输出节点,对于隐含层节点的个数的选取在 后面有详细的介绍。目标误差为0.000 1,从输入层到隐
层的激活函数采用了S型正切函数tansig,从隐层到输出

通过网络的输出显示以及网络训练速度和精度因

素,选取隐层节点的最佳个数为14。
3.2生成网络

使用函数newff创建一个两层网络,具体函数为:
[alphabet,targets]=prprob; [R 1,Q l】_size(alphabet) [R2,Q2】-size(target8)
S1=14; S2=R2:

net=newff(minmax(p),[S1 s2],I’tansig','logsig’},’trainlm’) net.LW{2,1}=net.LW{2,1)+0.01; .net.b12}=net.b(2)+0.01; 3.3网络训练

层的激活函数采用了S型对数函数logsig,这是因为函数 的输出位于区间【0,1]中,正好满足网络输出的要求。
3.1

隐层节点个数的确定

为了使产生的网络对输入向量有一定的容错能力, 最好的办法是使用理想的信号和带有噪声的信号对网 络进行训练。使用不同信号的训练都是通过BP网络来 实现的。网络学*的速率和冲量参数设置为自适应改 变,并使用函数trainlm进行快速训练。
3.3.1理想样本训练

根据BP网络的设计目标,一般的预测问题都可以 通过单隐层的BP网络实现。难点是隐层节点个数的选 择,隐层节点数对网络的学*和计算特性具有非常重 要的影响,是该网络结构成败的关键。若隐层节点数过 少,则网络难以处理复杂的问题;但若隐层节点数过

首先用理想的输入信号对网络进行训练,直到*

《信息化纵横》2009年第18期 万   方数据

欢迎网上投稿www.pcachina.corn

69

Gradient 8.03024e一005/le一010

T可RA曰INL经M,过pe7rf70r次ma训nc练e g后oal,m网et.络误差达到要求,结 可见,经过77次训练后,网络误爱迈}。雪小’钥

3.s.:喜囊要群镙蒜惭以后,网络对无误差的 偿目喜璧凳矍囊三轰耄箬翟喜警善酶翼薹?主霁蓉芸 釜妻较奎氅纂鲁;,是甏羞慧要主誓墨军霜霉爵?蒿荔琵 芝‰蔫蛋鳊鉴慧黧麓蔷幕州川叫钳阢
够最好地对其做出反应。其训练代俏则‘、:

鲁主:嬖燃臀爱瑞器麓嚣墨蕃
训练结果为E:hRTe72106. 60 MLNIA 0/1000-007,1e—005,Gra., SSE Epoch 0/1000


刊,,le—uu。’…

3’3‘乙驾氅嚣=网络对噪声不敏感,有必要用10 硐挡姿:墨蔫蓉善昙篙嚣凳声不iJtl练敏,毳品篆关磊

军篓耋霎喜詈曼燃舢2。嚣翥吾蒜釜 会氅篓燃1茹‘裟晶季嚣茹# 翌篓冀雾誓羞拿耋誉型莩:喜嚣嚣潲
练过程误差变化情况也可通过

磊兰薏雩豢蠹湍嚣蕊主日 雌姿三尝善凳毳瓮蒿黑苗嚣1嵩蒜-I 练讨耋霎鬟湍篙M声AT:忌嘉嚣薹最
娄鐾萎署詈等篙篙筌涮茹?姜昌
70

LAB进f1黼待。地”

图5误识曲线表

(下转第74页)

《信息化纵横》2009年第1 q期 万   方数据

应用奇葩

Example of

Application

析,及时发现入侵行为。 但从技术实现方式和用户使用效果上看,基于4A 的统一身份管理也存在着一定的不足,具体表现为: (1)技术实现方式限*隙啵缁诓呗源淼 SSO,对门户系统产品提出固定要求,对特定产品的版
本、未提供开放接口的系统缺乏灵活的处理方法; (2)合规审计能力一般不强,多数产品只提供以日

全的贡献将越来越突出。
参考文献 【l】邓宇,宋成林.企业门户技术及在企业管理信息系统中的应用 『C1.2004全国电力行业信息化年会,2004. 【2】Sun
ONE Architecture Guide-Delivering Microsystems Inc.Sun
on

Services

Demand,2003.

【3】CMCC.中国移动业务支撑网运营管理系统规范v2.0,2008. 【4】Sun
Microsystems

志为主的审计能力,以及基于日志的数据传输接口由 第三方模块完成审计报告。 相信,随着企业门户对安全管控需求的不断细化, 随着各厂家产品和技术的发展,4A技术对企业门户安

Inc.Web services security.Identity Manage-

ment and Liberty,2008.

(收稿日期:2009—03—29)

(上接第70页)

图5其中虚线代表用无噪声训练网络的出错率,实 线代表用有噪声训练网络的出错率。从图5可以看出, 在均值为0~0.05之间的噪声环境下,两个网络都能够准 确地进行识别。当所加的噪声均值超过0.05时,待识别 字符在噪声作用下不再接*于理想字符,无噪声训练 网络的出错率急剧上升,此时有噪声训练网络的性能 较优。
3.5测试实例 本文用一个含噪声的字母F作为网络输入,并绘出

含噪声的字母F,其输出语句为:
noisyF=alphabet(:,6)+randn(35,1)枣0.2;plotchar(noisyF);

其结果如图6所示。
图7

经过训练后的网络后显不的F图

本文利用BP网络对有噪声的字母进行识别和仿 真,结果表明此网络具有联想记忆和抗干扰功能,对字 母具有一定的辨识能力,是一种对字母识别的有效方
法。 参考文献 【1】侯媛彬,杜京义,汪梅.神经网络[M】.西安:西安电子科技大学 出版社。2007. 【2】丛爽.面向MATLABI具箱的神经网络理论与应用[M】.北京: 中国科学技术大学出版社,1998. 【3】丛爽,陆婷婷.用于英文字母识别的三种人工神经网络的设 计[J1.仪器仪表学报,2006,27(6):2242—2244. 【4】孟娜,周以齐.基于Matlab的时序数据两种建模和预测方法比
图6含噪卢的字母F显示图

较.山东农业大学学报,2006,37(3):471.476.

然后再用训练后的网络进行识别,其识别语句为:
A2=sim(net,noisyr3; A2=compet(A2);
(收稿日期:2009—03—20)

answer=find(compet(A2)==1)。识别结果如图7所示。
74

万   方数据

《信息化纵横》2009年第18期

基于BP网络的字母识别
作者: 作者单位: 刊名: 英文刊名: 年,卷(期): 谢丽娟, 丁正生, 陈俏, XIE Li Juan, DING Zheng Sheng, CHEN Qiao 西安科技大学,理学院,陕西,西安,710054 微型机与应用 MICROCOMPUTER & ITS APPLICATIONS 2009,28(18)

参考文献(4条) 1.侯媛彬;杜京义;汪梅 神经网络 2007 2.丛爽 面向MATLAB工具箱的神经网络理论与应用 1998 3.丛爽;陆婷婷 用于英文字母识别的三种人工神经网络的设计[期刊论文]-仪器仪表学报 2006(06) 4.孟娜;周以齐 基于Matlab的时序数据两种建模和预测方法比较[期刊论文]-山东农业大学学报(自然科学版) 2006(03)

本文读者也读过(8条) 1. 于海*.余红珍 基于BP网络学*算法的英文字符识别[期刊论文]-科技创业月刊2009(7) 2. 高靓 基于BP神经网络的手写英文字母识别[学位论文]2009 3. 张其林 基于MATLAB神经网络工具箱的字母模式识别[期刊论文]-电脑知识与技术2009,5(30) 4. 戴永伟.雷志勇.DAI Yong-wei.LEI Zhi-yong BP网络学*算法研究及其图像模式识别应用[期刊论文]-计算机与 现代化2006(11) 5. 吴迪.赵鹤鸣.陶智.Wu Di.Zhao Heming.Tao Zhi 基于改进BP算法的英文字母识别[期刊论文]-计算机工程与应 用2006,42(23) 6. 牛慧娟.汪森霖.NIU Hui-juan.WANG Sen-lin 基于神经网络的带噪声英文字母和数字识别[期刊论文]-现代计算 机(专业版)2008(10) 7. BP和RBF神经网络在字母识别中的比较[期刊论文]-重庆工学院学报(自然科学版)2009,23(9) 8. 田建兵.郑晟.TIAN Jian-bing.ZHENG Sheng 基于神经网络的字母识别方法研究[期刊论文]-科技情报开发与经 济2007,17(31)

本文链接:http://d.g.wanfangdata.com.cn/Periodical_wxjyyy200918022.aspx



热文推荐
猜你喜欢
友情链接: 医学资料大全 农林牧渔 幼儿教育心得 小学教育 中学 高中 职业教育 成人教育 大学资料 求职职场 职场文档 总结汇报