基于人工神经网络的英文字母识别

基于人工神经网络的英文字母识别

1人工神经网络技术的应用在银行、交通、邮政等部门，英文字母识别具有重要的应用价值。近年来，许多研究人员采用了不同的方法，但效果并不令人满意。从二十世纪八十年代以来，人工神经网络技术广泛应用于包括图像处理、模式识别、函数逼近在内的许多领域，取得了较好的效果。人工神经网络是一种信息处理技术，它擅长处理输入与输出元素间存在复杂的多元非线性关系的问题。在本文中，作者以神经网络应用软件Eagleye中的模式识别模块为平台，设计了反向传播型人工神经网络模型，将其应用于26个英文大写字母的识别。2实验方法2.1通过数字编码，转化其他形式的字符我们设计的人工神经网络模型是用软件实现的，它只能处理数字信号，不能直接处理图像，而英文字母是以图像形式存在的，所以首先要对字母进行数字化处理，将其从图像形式转化为数字形式。具体步骤如下：第一步，对字母进行扫描，然后用5×7矩阵的布尔值表示每个字母。例如不含噪声的字母A、D分别以下面的0、1矩阵表示：第二步，为了便于人工神经网络模型的运算，将上述代表每个字母的5×7矩阵转变为一个1×35的行向量。还以上面几个字母为例：2.2人工神经网络hdd模型2.2.1输出层：横向传播+附加分量法我们设计的人工神经网络为反向传播型（BP网络），网络包括三层：输入层、输出层及隐含层。其中输入层有35个节点，分别代表每个字母的35个数字元素；隐含层的节点数不确定，需要在训练过程中进行调整，目的是达到最佳的识别效果；输出层中包含26个节点，它们按字母表中的顺序分别代表26个字母。ANN模型的结构如图1所示：网络的学习采用反向传播算法的附加动量法，学习速率取为0.05，动量项系数取为0.5，最大循环次数设为8000次。人工神经网络模型的识别结果根据其输出来决定，方法为：当人工神经网络模型认为输入信号为某个字母时，则输出层的26个节点中只有对应那个字母的节点取值为1，其余25个节点取值均为0。例如：A在字母表中是第一个字母，所以如果网络认为输入信号是A，则输出层的输出向量为（1,0,0，…，0）；如果网络认为输入信号是B，则输出层的输出向量为（0,1,0，…，0）。2.2.2干预模型的形成2.2.2.个抗病字本文使用的数据库一共包括2600个大写英文字母（26个字母各100个）。其中2080个（总样本数量的80%）做为训练样本，520个(总样本数量的20%）做为测试样本。2.2.2.基于普遍的优化方法，基于普遍的基本软件采用“留一法”(Leave-OneOutmethod)训练ANN模型以及评价模型的预测能力。具体做法如下：假设数据库中有N个样本，第一次，从样本集中取出第一个样本，用其余N-1个样本训练网络，然后用训练得到的ANN模型对取出的那个样本进行预测；第二次：将第一次取出的样本放回样本库，取出第二个样本，同样用剩余的N-1个样本训练网络，然后用训练得到的ANN模型对此次取出的样本进行预测……，如此依次进行，用预测结果来评价ANN模型的预测性能。2.2.2.模型识别的控制主要包括三个步骤：第一步，先用理想信号即无噪声的输入信号训练ANN模型，直到模型的识别结果达到设定的精度为止；第三步，再次用理想信号即无噪声的输入信号训练ANN模型，使ANN模型不过多地受到上一步训练的影响：即经过第二步训练后对理想字母的输入信号仍具备良好的识别能力。3结果经过反复实验后，将人工神经网络隐含层的节点数设为30个。图2是ANN模型在训练过程中的识别率变化情况。3.2书写英文字母人工神经网络经过训练后，就可以对26个大写英文字母进行识别了。识别结果如图3所示：从图中可以看到，ANN模型能够完全正确识别26个字母。4人工神经网络模型的输入作者对26个字母进行了数字化转化，从图像格式转化为一个向量，做为人工神经网络模型的输入。经过训练后，用人工神经网