基于模糊理论的仪表数字识别研究

1、2 0 0 4 年仅表技术与传感器 2 0 0 4 4 期I n s t r u m e n t T e c h n i q u ea n dS e n s o r 一旦生! L 基于模糊理论的仪表数字识别研究 段会川t ，张诲波t ，张曙光z 。寿思诚1 。刘弘1 ( 1 山东师范大学计算机科学系，山东济南2 5 0 0 1 4 ；2 山东省计量科学研究所，山东济南2 5 0 0 1 4 ) 摘要：提出了一种基于模糊理论的仪表数字快速识别方法。确定的典型特征具有较高的区分度，且计算简单，无需 进行数字细线化和大小归一化处理。构造了一种基于模糊识剐最大隶属原则的数字识别器，并且采用B P 神经

2、网络解 决了确定最优权矩阵的难点问题。，试验表明：对于常规测量环境中的数字仪表，该方法的识别率高速9 9 对7 住数字 的识剐时间不超过3 0 峙，迭到了仪表数字识别的速度和准确率要求。 关键词：数字识别；模糊理论：B P 神经网络；数字仪表 中图分类号：T F 3 9 1文献标识码：A文章编号：1 0 0 2 1 8 4 1 ( 2 0 0 4 ) 0 4 0 0 3 7 0 3 R e s e a r c ho fM e t e rm # t sR e c o g n i t i o nB a s e do nF u z z yT h e o r y D U A N H a i - d l

3、 m m l ，Z I t A N G I 址b o I ，Z H A N G g u a ，S H O US i - e h e n g I ，L I U H g I ( 1D e p a r m a e n to fC o m p u t e rS c i e n c e ，S h a n d o n gN o m t a lU n i v e r s i t y ，J i n a i l2 5 0 0 1 4 ，C h i n a ； 2M e t e rS c i e n c eR e s e a r c h x r s t i t u t eo fS h a n d o n gP r

4、 o v i n c e ，F 1 3 8 1 12 5 0 0 1 4 ，C h i n a ) A b s t r a c t ：P r o p o s e daf a s tm e t e rt l i 目br e c o g m t i o nm e t h o db a s e do nf u z z yt h e o r y Ag r o u po ff e a t u r e sw i t hh i g hc l a s s i f i c a t i o nc a p a c i t y i sc h o s e n T h e s ef e a t u r e sc a r

5、lb ee a s i l ye x t r a c t e dw i t hn on i t yf o ri f i i n n i l l ga n ds i z en o r m a l i z a t i o nAh 1 哪( 】i g tl c c o 删z e ri sc o n s t r a e t e db a s e do nt h ei l l a i m l L r i lm e m b e r s h i pp I i n e i p l e0 f6 冽t h e o r y A n dB Pn e u r a ln e t w o r ki si n t r o d

6、 u c e dt oa s s i g nt h ew e i 。s h tv a l u eo f e a c hf e a t u r e T h er e s u l t ss h o wt h a tf o rd i g i “m e t e r sw o r k i n gi nn o n n a Im e a s u r e m e n te n v l r o r m a e n tt h e1 t ( 2 0 咖d o nr a t ei sh i g h e rt h a n9 9 a n dt h eM m 鲥t i o nt i m eo f7d i 西协i sl e

7、s st h a n3 0r i m ，w 1 1 i c ht e l l st h a tt h em e t h o di sm u c hi , 1 1 0 1 Pa p p l i c a b l e 妇t h er e q u i m m e n 塘o ft h e r e e 0 8 i t i o ns l 】e e da n da o c u r a c yo fd i g t a lm e t e r s K e yW o r d s ：D i g i t sR e c o g n i t i o n ；F u z z T h e o r y ；B PN e u r a l

8、N e t w o r k ；O 4 t a lM e t e r 1 引言 图像进行分析，发现图像中的亮度存在不均匀分布现象，部分 数字识别技术是模式识别领域的一个重要分支，具有很高 区域有较大的亮度跳变，月有些图像中背景与数字的反差不是 的应用价值。有关的研究成果已经在邮政编码识别、汽车车牌 很大。对这种质量的图像若采用简单的全局闽值法进行二值 识别、手写票据金额识别等领域得到了较好的应用。 化处理，则可能导致数字残缺及数字与背景的粘连。 数字仪表在工业和控制领域应用非常广泛。虽然多数数 采用了一种基于局部门限处理的二值化方法。“。法方法 字仪表都有直接到计算机的数字输出接口，但是在一些实

9、际的 首先利用s o b e l 算子模板求取图像中各象素点的梯度V ，对V 测量现场，如整套的机柜、仪表检定等，仍然需要人工读取数，作直方图统计求取一食局阈值，利用该阈值检测图像中各数 字。为此，开展仪表数字的识别研究，用摄像头拍摄仪表面板 字边缘处的像素，再对这些像素计算拉普拉斯值V 2 ，根据从 图像并输人计算机，由计算机“读取图像中的数字无疑具有卜 背景越过数字边缘进人数字内部和从数字内部越过边缘过渡 分重要的实用价值。 到背景时，V 2 ，的值有不同的变化趋势这一特性，对位于数字 仪表数字有较高的变化频率( 最高的可达0 I 次) ，现有 边缘内外侧像素作不同标识得一中间图像，再对中

10、间图像进行 的较为成熟的识别算法大部分注重识别的准确率，在一定程度 水平或垂直扫描，搜索构成数字的象素点，即可重建出具有较 上忽视了识别速度，因此研究高准确率下的快速识别算法对仪 高质量的二值化图像。 表数字识别具有非常现实的意义。 22数字分割 结合数字仪表检测系统的开发，对仪表数字的特征提取和 要实现数字的识别，必须先将单个数字准确地分割出来。 识别算法进行了研究，提取了7 维具有高区分度且不受数字大 现采用粗分割与细分割相结合的方法，粗分割采用传统的水平 小影响的特征，并引入模糊数学的思想，设计了一种基于模糊 投影法，根据数字间距部分在水平方向投影会出现局部最小值 理论的数字识别器。实验

11、表明：提出的识别算法具有特征提取 的原理，粗略获取数字的左右边界。细分割采用行列扫描的方 简单、识别率高、识别速度快等特点，并且具有一定的抗干扰 法，去除数字上下左右的空白行，求出包围数字的最小矩形区 性，能够满足仪表数字识别的要求。 域。图1 给出了一个分割实例。 2 预处理 2 1 二值化 使用分辨率为6 4 0 4 8 0 ，具有2 5 6 级灰度的摄像头采集图 像。在采集的图像中数字区域具有相对固定的位置，因此为 提高系统整体识别速度，可用手动定位的方法标识出全体数字 所在区域，然后对数字区域进行二值化处理。 二值化是图像预处理中重要的一步。对实际的仪表屏幕 基金项目：国家自然科学基金

12、项目( 6 0 3 7 4 0 5 4 ) 收稿日期：0 0 0 3 1 2 2 2收修改稿日期：2 0 0 4 一O I 一2 0 囹园圈园圃园团 图1 分割结果 3 特征提取 特征提取是模式识别的第一步，其目的是获取一组特征数 目少且区分度高的特征向量。常用的特征提取方法大致可分 为两类：基于统计的方法和基于结构的方法。统计特征通常包 括笔道密度特征【2J 、矩特征等；结构特征通常包括圈、端点、交 叉点b J 、轮廓等。这两类特征各有优势：使用统计特征的分类 易于训练，特征提取算法的复杂度较低，并且在给定的训练集 万方数据 ! 型些! 型里箜! ! i 业! 塑! ! ! ! 塑! ， 一

13、 垒匹：型 上能得到较高的识别率；基于结构特征的方法在识别过程中可 允分利用数字的结构特征，结果可靠性较高，但其特征的提取 往往比较复杂，并U 易受十扰。 根据卜述特征提取的基本原则，对仪表数字进行丁大量的 采样分析，最终确定了，7 维区分赓高j J 汁算简单的统计特征。 设分割后的单个数字仔放在m n 的矩阵M 中，记矩阵 M 中心点为0 ( m 2 ，n 2 ) ，以0 为中心将矩阵肘均分为4 个 子矩阵M 。帆，肼l b ，肘如图2 所示，统计各子矩阵中M ( x ， Y ) 为1 的像素个数，分别| 己为船( h ) 、P S ( r t ) 、P S ( 1 b ) 、P S ( r

14、 b ) ，若在统计过程中，m 现P s ( ，) = o ( ， h ，n ，l b 小 ) ，令 P S ( ，) = I ，则7 维特征用以F 方法得f H ： 图2 矩阵J ! l ，的4 等分 ( 1 ) 上下象素数比( 观) ( 2 ) 左右象素数比( 衄) 比= 上P S 盟( 址b ) 土+ 必P S ( r b ) 埘= 爱 ( 3 ) 上部左右象素数比( 删) ：H T L R = 旦P S i 幽( a ) ( 4 ) 下部左右象素数比( 玎8 L R ) ：H B L i = ；i 滁 ( 5 ) 左部上下象素数比( 皿c 正) ：m 上见= ；黜 ( 6 ) 右部上下

15、象素数比( 册阻) ：H R U L = ；i 器 ( 7 ) 中心象索数比( M I D ) ： 令n = 警 。= 警 c = 詈】a = 弩】则 圭壹肘：i ，j ： 矧D 。矗薯s “i 可二刁 引入最后一项特征可以有效地区分数字。和8 。 上述7 维特征具有两个显著特点：( 1 ) 计算简单：特征提取 直接针对分割后的单个数字围像，无需进行细线化和数字大小 归一化等处理，并且仅需对图像矩阵进行一次扫描，从而保证 了较高的整体识别速度。( 2 ) 区分度高：所选取的特征充分考 虑了各数字的对称及不对称特点，将7 维特征综合考虑，各数 字具有明显的差异，因而保证了较高的识别精度。 4 数

16、字识别器设计 模糊模式识别缸目决策的基本方法之一，其基本思想是 根据对象的特征信息建立模糊集然后依据隶属原皿q 或阈值原 则，对不同的对象进行归类。 4 1 模糊识别算法 所研究的模糊识别算法描述如下： ( 1 ) 选取特征集合B 作为描述各数字的属性集，B = 观， 衄，脚，H B L R ，H L U L ，H R U L ，M I D 。为了便于叙述，将该集 台记为A = A 。l A 。B ，1 i 7 ，于是每个数字可以用一个定 义在各属性值域上的模糊集合构成的元组来表示： ( A l ( * 】) ，A 2 ( X 2 ) ，A ，( x 3 ) ，A 4 ( z 4 ) ，A 5

17、 ( * 5 ) ，A 6 ( j 6 ) ，A 7 ( z 7 ) ) 其中：A ( 戤) F D ( A 。) D ( A ) ；D ( A ) 是属性 。 的值域。A 。是定义在A 的值域上的一个模糊集。 ( 2 ) 对每一属性，选择相直的隶属函数，计算隶属度，求得 模糊隶属矩阵r 。矩阵r 为l O x7 阶，其中胁( 而) 为属性 对 数字i 的隶属度。 卢o ( zL ) 卢1 ( z 1 ) ，2 0 ( 。2 ) PJ ( 。2 ) 卢o ( 。7 ) F 1 ( * 7 ) ( 3 ) 构造权矩阵。由于各特征在识别中的作用l _ i ：能不同， 例如，数字1 的肌矾特征和H

18、B L R 特征 匕较突出，所以可咀为 每维特征分配不同的权值，以突出典型特征，提高识别精度。 设各权值构成权矩阵w ： W = 式中毗表示特征d 对数字i 的权值，且= l 。 ( 4 ) 计算模糊特征集合的综合隶属度，设“为被识别对象 辑模糊特征对数字i 的综合隶属度，则 雎2 聋”萨( 等) ( 5 ) 根据最大隶属原则，求出识别结果，令胁= r m x ( p o ，肛。 。) ，k “o ，9 ，则为识别结果。 4 2 隶属函数的确定 ( 1 ) 在有效抽取特征的基础上，识别的成功与否将依赖于 建立恰当的描述目标类别模式和输入客体的隶属函数。通过 对大昔的样本进行分析，发现所选取特征

19、的特征值均在某一个 有限的范围内波动，图3 给出了数字8 的H L U L 特征分布图。 图3 数字8 的m 观特征的分布图 通过对特征分布图进行研究，发现实数域上的岭形分布函 数- 4 1 作为各特征属性的隶属函数最为合适，图4 是该分布函数 的曲线( x o = o ) 。从该曲线及定义3 和定义4 可知，集合A ； z l oJ x ( l f 和集合B = 引一2 x 3 S 的样本点为 孤立样本点，了以剔除。 去除孤赢样本点后，对剩余合理样奉点再次运用式( 1 ) 和 式( 2 ) 求均值j 和标准差S 取x o = i ，a l = S 通过大茸的实验 发现，当。2 = 3 a 时

20、，识别的准确度最高，故以该式确定支集边 界n ：。对全部1 0 个数字的参数n ，o ：，粕进行计算，结果如表 1 所示( n ：可由3 。1 得出，因而表中未列出) 。 表1 各数字模糊特征隶属函数参数表 散lO1010 】0010lOl01Ol0 21 I 钾2 l6 l ，1 l9 l1 l0 5 0 9 S 2l l3 l l o0 23 15 0 儿O l 加9 5 r 。9 0 0l l3 2 】08 51 06 01 05 01 09 21 50 5 3 09 l 1 00 01 2 9 2 廿1 5 卵1 05 5 0 9 6 01 56 5 1 l3 92 53 52 51

21、5 1 55 5 1 2 1 01 0 以1 5 卯1 5 【52 52 1 j 50 51 59 51 l8 91 99 0 5 0 5 01 50 51 2 跎 “1 59 7 9 2 卵1 16 53 1 】52 96 【5 0 0 1 2 11 0 1 27 71 0 1 0 1 5 1 5 特2 tO l 讲忻蓝1 5 5 10 ss 9 5 5l I 叭O l0 l1 5 9 s2 。 耐1 92 l 2 I 4 l2 9 8 9 3 l7 】3 05 l3 15 0 3 08 9 2 0 4 02 。4 10 l 4 3 权矩阵确定 确定最优权矩阵是识别器设计的重点和难点。比较流

22、行 的权值分配方法大致可分为基于经验知识的方法和基于最优 目标函数法。经验知以法易受主观因素影响，而甘标函数弦在 目标函数的选取上往往比较田难。因此，提出了一种利用B P 网络的学习机制，实现r 最优权值分配。网络结构如图5 所 刀i 。 萋 图5 确定权值的B P 网络结构 该网络由两层组成：( 1 ) 输入层，有7 个节点，分别以7 维 特征分量的隶属度作为输入，由于隶属度的值域为 0 ，l j ，因此 无需对输入向量进行归一化；( 2 ) 输出层，有1 0 个节点，分别表 示1 0 个数字。采用B P 学习算法对网络进行训练，网络稳定后 输入输出节点之间的连接权即为输人节点所代表的特征分

23、量 对输出节点数字的权重。由于各特征分量的权重分配必须满 7 足= 1 ，因此需要对所获取的权值进行归一化。设为 归一化权值，则：”。= 产。 苫吼 5 结果与分析 用分辨率为6 4 0 x4 8 0 的摄像头牧取仪表图像，选取了3 组典型的样本，在P I l l 4 5 0 ，1 2 8 M 内存的P c 机上进行了试验， 结果如表2 所示( 每个样本中有7 个数字) 。 衷2 不同样本的测试结果 从表2 可以看出，在二值化较好、数字清晰的情况下，识别 率达到了1 0 0 ，对有轻微点状噪声和轻微断痕的样本，识别 率也是很高的但对存在数字残缺的样本，识别率有所下降。 就识别时间而言，整屏数字

24、( 7 位) 的识别时间小于3 0m s ，低于 仪表数字的最快变化时间( 1 0 0 血) ，因而所述的方法完全满足 了仪表数字飒另0 的应用要求。 6 结束语 引入模糊数学思想，依据仪表数字的特点设计了一种数字 识别器，有以下4 个特点： ( 1 ) 特征数目少、区分度高、特征提取算法简单，对数字的 大小没有要求，无需进行归一化处理。 ( 2 ) 引入了模糊数学的思想，选取岭形分布函数作为各特 征分量的隶函数，并采用了概率统计方法确定隶属函数参数。 ( 3 ) 利用B P 神经网络确定权值矩阵。 ( 4 ) 识别速度快，抗干扰性强。只需扫描一次图像矩阵，即 可抽取所有特征，且不需进行细化、

25、滤波、去噪、平滑等耗时的 运算。均匀分布的点状噪声及轻微断痕几乎不影响识别精度。 该方法已经在数字仪表检测系统中得到了成功的应用，其 识别准确率尤其是识别速度完全满足了系统的实际需求。 参考文献 【1 G O R Z A L E ZRc W 0 0 1 ) 8RE D i 酬u 。眯p r o c e s s i n g e e t f n de d i t i o n P u b l i s h i n gH o u s eo fE l e e m m i c sI n d u s t r y ，2 0 0 2 ：6 0 8 6 1 0 2 刘刚，张洪剐，郭军基于H M M 的脱机手写数字识

26、别中的特征提 取模式识别与人工智能2 0 0 2 ，1 5 ( 3 ) ：3 4 3 3 4 7 3 D E H G H A NM F A E ZK ，A H M A D IMO f f - l J n e u n c o n s t r a i n e df a t s ih m d w r i t t e n 刊r e e o g l i f i o nu s i n gf v B e t o Fq t m n t i z a t l o na n dh i d d e n T 】a r k o v w o r dm o d e l sP r O n g so ft h eI n t e

27、r n a t i o n a lC o n f e r e n c eo l lP a t t a n a n i t l o n ( i c P a 0 0 ) I E E E 2 0 0 0 4 R EXGF u r yt h e o r i e sa n df u z z yt e c h n i q u e si nl m o w l e d g ep 1 h N a t i 叩a lD e f e n c eh t d u s t r yP m 孵 ( 上接第3 3 页) 6 T A B O RWJ C H E NF SE l e c t r o m a g n e t i cp

28、r o p a g a t i o nt h i m s hm a t e r i a l s p c o s e s s i n gb o t hF a r a d a yr c t 且t i c c ta n db i m f r i n g e n c e ：e x p e r l m e n t sw i t hy t t e r - b i u mo r t h o f e n i l eJ0 fA p p l i e dP h y s i c s ，1 9 6 9 ，4 0 ( 7 j ：2 7 6 0 2 7 6 5 7 J A E C K L I NAA ，u 叮zME l i

29、 m i n a t i o no f 出咖I b 吨b 】r “。岬e f e e t s o nF a r a d a yr o t a t i o n A p p l l e dO p t i c s1 9 7 2 ，I I ( 3 ) ：6 1 7 6 2 1 8 U L M E REA 瑚g ha c c u r a c y h r a d a yr o t a t i o nm 刚瑚啪bU S A ：O F S 8 8 ，N e wO d e 岫，1 9 8 8 ( T h c c 2 1 ) ：1 4 9 M E N K EP ，B O S S E L M A i 州TT e n

30、 r p e m t m ec t m t p e n s a t i o nI n “a g M 脚一 t i cA Cc u n 吼ts 口喁u s i r * a ni n t e l l i g e s a tA C D Es i s m le v a l u a t i c mJ 0 fL i g h t w a v eT e c h n o l 咐，1 9 9 5 ，1 3 ( 7 ) ：1 3 6 2 1 3 7 0 1 0 易本顺刘延冰，阮芳反向双环路光学电流传感头研究光子学 报1 9 9 6 ，2 5 ：9 1 9 4 1 1 李红斌，刘延冰。汪本进偏振分束器对光学电流传感器

31、稳定性 影响的研究光子学报，2 0 0 3 3 2 ( 2 ) ：1 5 9 1 6 1 1 1 2 J W I I L I A M SPA R O S EA H ，D A YG W d a T e m p e m t u t ed e p e n d e r , e e o f V e r d e t I m ti ns e v e r a ld i a m a g n e t i cd a s A p p l i e dO p t i c s ，1 9 9 1 ， 3 0 ( 1 0 ) ：1 1 7 6 一t 1 7 8 1 3 李红斌光学电流传感器传感头的研究光学学报，1 9 9 7

32、1 7 ( 7 ) ： 9 4 6 9 4 9 万方数据 基于模糊理论的仪表数字识别研究基于模糊理论的仪表数字识别研究 作者：段会川， 张海波， 张曙光， 寿思诚， 刘弘 作者单位：段会川,张海波,寿思诚,刘弘(山东师范大学计算机科学系,山东,济南,250014)， 张曙光(山 东省计量科学研究所,山东,济南,250014) 刊名： 仪表技术与传感器 英文刊名：INSTRUMENT TECHNIQUE AND SENSOR 年，卷(期)：2004，(4) 被引用次数：6次 参考文献(4条)参考文献(4条) 1.GonzalezRC.WOODS R E Digital image process

33、ing second edition 2002 2.刘刚.张洪刚.郭军 基于HMM的脱机手写数字识别中的特征提取模式识别与人工智能期刊论文- 2002(03) 3.DEHGHAN M.FAEZK.AHMADI M Off-line unconstrained farsi handwritten word recognition using fuzzy vector quantization and hidden markov word models 2000 4.HeXG Fuzzy theories and fuzzy techniques in knowledge processing 相

34、似文献(10条)相似文献(10条) 1.学位论文 亢海力 手写数字识别系统研究与实现 2006 手写体数字识别在邮政编码自动识别、银行业务等方面有重要的应用。字符识别是一个传统的模式识别问题，其中脱机手写数字识别又是一个典型 的大类别的模式识别问题。手写体数字具有不同字符字型相差不大、相同字符有多种不同写法、数字没有上下文关系等等特点，正是因为这些特点，使 得脱机手写体数字识别成为识别领域最大的难题和最终的目标。 近年来，对人工神经网络的研究表明，神经网络是一个高度并行的，非线性的，具有很高冗余度的系统，同时，神经网络具有自学习、自组织能力 ，使我们能够实现以往那些无法用传统的计算理论表达清楚

35、的功能。更重要的一点是，网络的学习机制为人机集成的实现提供了有利的工具。目前BP网 络在手写数字识别领域已有广泛应用，有较高的识别准确率，但是由于神经网络自身的局限性，导致网络识别速度较慢。 本文的主要研究内容包括：1)以USPS手写体数字库为样本集，设计分类器进行数字识别； 2)对数字样本进行平滑、去噪声等预处理； 3)对规格化的样本数据进行特征提取，从不同角度提取5种不同特征，作为神经网络分类器的输入特征向量； 4)提出一套适合运用于手写数字识别系统的BP网络优化方案，利用4个改进BP子网对各向量单独进行识别； 5)利用BP网络训练结果，设计一套模糊权重自适应调整机制，提出了一种适合手写数

36、字归属决策的模糊综合评定算法； 6)将识别结果与现有成果进行对比，证明系统的有效性。 在上述工作的基础上，作者独立完成了一个脱机手写数字识别系统，取得较好识别效果，本文的设计思想和算法改进，也可用于处理其它分类识别 问题。 2.期刊论文 张海波.段会川.张曙光.刘弘.Zhang Haibo.Duan Huichuan.Zhang Shuguang.Liu Hong 一种数字仪表 显示值快速识别方法 -计算机工程与应用2005,41(4) 提出了一种数字仪表显示值的快速识别方法.该方法首先由计算机自动定位分割图像中的数字区域并实现单个数字的切分,然后对每个数字图像提取 了一组具有较高区分度且计算

37、简单的典型特征,最后,基于模糊识别的最大隶属原则,构造了一种数字识别器,实现了仪表显示值的实时识别.试验表明:该 方法的识别率高达99%,对7位数字的识别时间不超过20毫秒,并且具有较强的抗干扰能力,达到了仪表显示值识别的速度和准确率要求. 3.学位论文 刘志敏 数学形态学在图象分析中的应用研究 1997 该文针对数学形态学及其在图象分析中的实际应用而展开.关于数学形态学在图象滤波、细化、分割以及邮政编码数字识别和医学显微细胞DNA图象 定量分析等方面的应用进行了深入的探讨,得到了令人满意的结果. 4.期刊论文 肖婧.谭阳红.Xiao Jing.Tan Yanghong 基于新特征提取法和量子

38、神经网络的手写数字识别 -电子测量 技术2009,32(6) 研究了一种将新特征提取方法(13维特征提取法)与量子神经网络相结合,来实现手写数字识别的方法.13维特征提取法是从每个字符中提取关键的 13个特征值,而量子神经网络是将神经元与模糊理论相结合的模糊神经系统,能很好地减少模式识别的不确定度,提高模式识别的准确性.通过使用MNIST样 本库仿真比较实验町知,该方法具有设计算法相对比较简单,且识别正确率较高的特点. 5.学位论文 苗壮 基于DFS的手写数字识别模型及其应用研究 2007 本文首先对手写数字图像的图像灰度化、二值化、去噪、细化、归一化、特征提取等预处理过程进行分析；其次，利用

39、动态模糊理论解决手写数字 字符识别中的多维特征和动态模糊性问题。主要工作有以下几方面： 1、给出了动态模糊多维数据模型，包括动态模糊多维数据模型合成定理和动态模糊多维数据模型完备性定理，对该模型的合成定理和完备性定理作 了证明。 2、动态模糊多维数据模型应用于手写数字识别的算法设计当中，实现了一个初步的验证系统，实验结果表明该算法提高了手写数字识别的精度。 通过上述工作，本文所取得的成果是：一方面为研究手写数字识别提供了新的方法；另一方面也为动态模糊集验证找到了应用背景。 6.期刊论文 洪沛霖.张佑生.邢燕.HONG Pei-lin.ZHANG You-sheng.XING Yan 基于改进模

40、拟退火算法的手写体数字 识别 -计算机技术与发展2007,17(9) 对模糊C-均值聚类作了简要分析和评论,在此基础上将模拟退火机制引入其中,以克服模糊C-均值聚类的局部性和对初始聚类中心的敏感性;采用了基 于贴近度和择近原则的模糊识别方法;详细设计了算法.仿真结果说明,该方法在识别速度和准确率方面都达到了令人满意的效果,为手写体数字的识别提 供了一种新方法,也拓展了模糊理论的应用范围. 7.学位论文 吴茹石 基于量子神经网络的手写体数字识别研究 2007 手写体数字识别问题是模式识别和图像处理领域的一项重要研究课题，对它的深入研究具有重大的社会效益和经济效益。在手写体数字的识别问题 上，如何

41、提高识别率和识别可靠性，是目前的研究热点之一。传统的识别方法一般都是基于对字符轮廓特征的提取和分析，但这些单纯依靠图像处理的 方法普遍存在着识别率不高的问题。人工神经网络模式识别方法是近几年提出的新方法，它具有传统技术所没有的优点：良好的容错能力、分类能力强 、自学习能力。 本文的主要内容是采用基于多层激励函数的量子神经网络的方法对手写体数字识别进行研究。量子神经网络是将量子神经元与模糊理论相结合的模 糊神经系统，它能将决策的不确定性数据合理地分配到各模式中，从而减少模式识别的不确定度，提高模式识别的准确性。 首先，本文针对手写体字符不同样本之间存在交叉数据的模式识别问题，将多层激励函数的量子神经网络引入字符识别中，提出一种基于