基于人工神经网络自适应共振理论的手写字符识别
手写体数字识别方法的研究与实现.doc
手写体数字识别方法的研究与实现摘要1引言手写体数字识别是文字识别中的一个研究课题,是多年来的研究热点,也是模式识别领域中最成功的应用之一。
由于识别类型较少,在实际生活中有深远的应用需求,一直得到广泛的重视。
近年来随着计算机技术和数字图像处理技术的飞速发展,数字识别在电子商务、机器自动输入等场合已经获得成功的实际应用。
尽管人们对手写数字的研究己从事了很长时间的研究,并己取得了很多成果,但到目前为止,机器的识别本领还无法与人的认知能力相比,这仍是一个有难度的开放问题,所以对手写数字识别的进一步研究,寻求如何更高效更准确更节能地实现手写数字的自动录入和识别的解决方案对提高经济效益、推动社会发展都有深远的意义。
近年来, 人工神经网技术发展十分迅速, 它具有模拟人类部分形象思维的能力, 为模式识别开辟了新的途径, 成了模拟人工智能的一种重要方法,特别是它的信息并行分布式处理能力和自学习效用等显著优点, 更是激起了人们对它的极大的兴趣。
BP（Back Propagation）网络是神经网络中一种,是1986年由Rumelhart和McCelland 为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,可以很好地解决非线性问题,在函数逼近、模式识别和数据压缩等方面都有很广泛的应用。
我们在认真地研究了神经网络的基本原理和机制的基础上, 结合手写体数字识别这一具体课题, 提出了用BP神经网络方法来实现手写体数字识别的方案。
2手写体数字识别概述2.1手写数字识别简述模式识别是六十年代初迅速发展起来的一门学科。
由于它研究的是如何用机器来实现人及某些动物对事物的学习、识别和判断能力,因而受到了很多科技领域研究人员的注意,成为人工智能研究的一个重要方面。
字符识别是模式识别的一个传统研究领域。
从50年代开始,许多的研究者就在这一研究领域开展了广泛的探索,并为模式识别的发展产生了积极的影响。
手写体数字识别是多年来的研究热点也是字符识别中的一个特别问题。
神经网络原理与应用课件.ppt
f(x) 1
或
1ex p(x)
f(x)1(1th( x))
2
x0
f(x) +1
0
x
-1
这类曲线可连续取值，反映了神经元 的饱和特性。
2024/11/24
神经网络与模式识别研究室
21
• 3.神经网络的连接方式
神经网络是由大量的神经元以不同的 方式连接而成的大规模复杂系统，不同的 网络模型可能具有不同的连接方式，常用 的连接方式有：
2024/11/24
神经网络与模式识别研究室
2
•从第一台数字计算机问世（1946年），
计算机系统几经更新换代，经历了由电 子管、晶体管、LSI、VLSI，到后来的 奔腾4、双核技术等发展阶段。
•近年来，软件方面也在不断升级更新， 计算机性能越来越优越，应用也越来越 广泛。
•尽管如此，但计算机系统并非万能，它 存在着自身的局限性和物理极限（小型 化），其特点是串行运算，输入输出存 在线性的和确定性的关系。
2024/11/24
神经网络与模式识别研究室
28
• 而另一阶段则是工作期，此时神经网络 已经训练好，连接权值保持不变，即通 过信息的不断传递，使各神经元状态发 生变化，从而使网络最终达到一个稳定 平衡态，这就像人脑寻找记忆的过程， 这一过程相对较快，各神经元的状态也 称之为短期记忆。
2024/11/24
2024/11/24
神经网络与模式识别研究室
13
• NN的问世标志着认知科学、计算机科学 及人工智能的发展又处于一个新的转折 点，它的应用和发展，不但会推动神经 动力学本身，而且将影响新一代计算机 的设计原理，可能为新一代计算机和人 工智能开辟一条崭新的途径，并为信息 科学带来革命性的变化。
基于ART2-PNN神经网络的网络入侵检测方法
０ 引 言
入侵检测是一种主动并 动态检测计算机 网络和系统 以识别 违反行为报警 ， 以及采取 适 当的措 施来 阻止入侵事 件或弥补
１ 自适 应 共 振 理 论模 型
目前 ， 已提 出三种 模 型结 构 ， Ａ Ｔ 、 Ｒ ２和 Ａ Ｔ 。 即 Ｒ １Ａ Ｔ Ｒ ３
（ ａｕｔ ｏ ｏ ｐ ｔ ， ｕｎ ｄｎ ｎ ｅｓｙｏ ｃｎｌ ｙ，ｕ ｎｚｏ １０ ０ Ｇ ａ ｇ ｏｇ ｈｎ ） Ｆ ｃｌ Ｃ ｍ ｕｅ Ｇ ａ ｇ ｏｇＵ ｉｒｉ Ｔ ｈ ｏ ｇ Ｇ ａｇｈｕ５ ０ ９ ， ｕｎ ｄａ ，Ｃ ｉａ ｙｆ ｒ ｖ ｔｆｅ ｏ 。 Ｆ ｃｌ ｌｃｏ ｃａ ｉ ｌ ｎ ｉ ｅｉ Ｇ ａ ｇ ｏｇＵ ｉ ｒｔ ｆＴｃｎｌ ｙ Ｇ ａｇｈｕ５ ０ ９ ， ｕ ｎｄｎ ， ｈｎ ） （ ａｕｙｏ Ｅｅｔ ｍｅｈ ｎ ａ ｇｎ ｒ ｇ， ｕｎ ｄｎ ｎｖ ｓ？ｏ ｅｈ ｏ ｇ ，ｕ ｎｚｏ １０ ０ Ｇ ａ ｇ ｏｇ Ｃ ｉａ ｔｆ ｒ ｃ Ｅ ｅ ｎ ｅｉ ｏ （ ｕｎ ｄ ｎ ｉＫ ｆｒ ｔｎＮ ｔｏｋＣ ｎ ｒＧ ａ ｇｈｕ５ ０ ９ Ｇ ａ ｇｏ ｇ Ｃ ｉａ Ｇ ａｇ ｏｇＪｎ ｅＩ ｏｍａｉ ｅ ｒ ｅｔ ， ｕｎ ｚｏ １ ００， ｕｎ ｄｎ ，ｈｎ ） ｎ ｏ ｗ ｅ
维普资讯
第２ 第 １ ４卷 ２期
２０ ０ ７年 １ ２月
计 算机 应 用与软件
Ｃｏ ｕ ｅ ｍｐ ｔｒ Ａｐｐｉ ａｉ ｎ ｎ ｏｔ ｒ ｌ ｔｏ ｓａ ｄ Ｓ ｆｗａ ｅ ｃ
Ｖｏ． ４ Ｎｏ １ １２ ． ２
Ｄｅ ． ０ ７ ｃ２ ０
Ａ Ｔ Ｒ １用 于处 理 二 进 制 输 入 ； Ｒ ２用 于 处 理 二 进 制 和 连 续 两 种 Ａ Ｔ
输入 ； Ｒ ３用于进行 分级 搜索 。根 据入 侵检测 网络 数据样 本 ＡＴ
基于HMM的脱机手写字符识别方法研究
Ｍ ｅ ｈ ｄ ｏ ｆ － ｎｅ ｈａ ｔ ｏ ｆ ｏ ｌ ｎｄｗｒ ｔ ｅ ｈ ｒ ｃ ｅ ｅ ｏ ｎｉｉ ｎ ｂ ｓ ｄ ｏ ｉ ｉｔ ｎ ｃ ａ ａ ｔ ｒ ｒ ｃ ｇ ｔｏ ａ ｅ ｎ ＨＭ Ｍ
Ｇ ｈ ｏ ｎ ， Ｅ Ｓ ｉ ｎ Ｓ Ｅ Ｇ Ｌ ｉ Ｅ Ｚ ａｊ Ｇ ｈｌ ｇ ， Ｈ Ｎ ｅ ｕ ｏ
（ ．ＱａＪａｇＣ ｌ ｇ ，Ｈ ｎ ｚｏ ｏｍ ｌ ｎ ｅｓｙ ａｇｈｕＺ ｃａ ｇ １０ ２ Ｃ ｉａ １ ｉ ｉ ｏｅ ｅ ａ ｇｈｕＮ ｒ ａ ｉ ｒｔ，Ｈ ｎｚｏ ｈｊ ｎ ０ １ ， ｈｎ ） ｎ ｎ ｌ Ｕ ｖ ｉ ｉ ３
（ ．Ｓｈｏ ｏ ｃｎｍｃ ｎ ｎｇｍｅ ｔ ａ ｎ ｎｖｒｉ ｆ ｅ ｎｕｉ ｎ ｓｏａ ｔｓＮ ｎｉ ａ ｇｕ２ ０ １ Ｃ ｉａ ２ ｃｏｌ ｆ ｏｏ ｉ ａｄＭａａｅ ｎ ，Ｎ ｍｉｇＵ ｉｅｓｙｏ ｒ ａｔｓａｄＡ ｔ ｎｕｉ ， ａｊ ｇＪ ｎｓ １０ ６， ｈｎ ） Ｅ ｓ ｔ Ａｏ ｃ ｒ ｃ ｎ ｉ
首先简要地描述了字符识别的预处理和字符分割然后利用haar基函数提取字符特征给出了解决隐马尔可夫模型的三个关键问题的算法尤其是利用高斯混合模型对样本进行训练建立了结合高斯混合模型的隐马尔可夫模型
第２ ２卷第 ６期 ２０ ０８年 １ ２月
江 苏 科 技 大 学 学 报（ 自然 科 学 版 ） Ｊｕ ａ ｏ ａｇｕＵ ｉｅｓ ｙｏ ｃ ｎｅａｄＴ ｃｎｌ ｙ Ｎ ｔ ａ Ｓｉ ｃ ｄｔ ｎ ｏｒ ｌ ｆ ｉ ｓ ｎｖｒｉ ｆ ｉ ｃ ｎ ｅｈｏｏ （ ａ ｒｌ ｃ ｎｅＥ ｉｏ ） ｎ Ｊｎ ｔ Ｓｅ ｇ ｕ ｅ ｉ
基于 Ｈ ＭＭ 的 脱 机 手 写字 符识 别方 法研 究
葛 照 君 葛 世 龙 ，盛 磊 ，
人工神经网络简介
人工神经网络简介1 人工神经网络概念、特点及其原理 (1)1.1人工神经网络的概念 (1)1.2人工神经网络的特点及用途 (2)1.3人工神经网络的基本原理 (3)2 人工神经网络的分类及其运作过程 (5)2.1 人工神经网络模式的分类 (5)2.2 人工神经网络的运作过程 (6)3 人工神经网络基本模型介绍 (6)3.1感知器 (7)3.2线性神经网络 (7)3.3BP（Back Propagation）网络 (7)3.4径向基函数网络 (8)3.5反馈性神经网络 (8)3.6竞争型神经网络 (8)1 人工神经网络概念、特点及其原理人工神经网络（Artificial Neural Networks，简记作ANN），是对人类大脑系统的一阶特征的一种描述。
简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法。
1.1人工神经网络的概念利用机器模仿人类的智能是长期以来人们认识自然、改造自然的理想。
自从有了能够存储信息、进行数值运算和逻辑运算的电子计算机以来，其功能和性能得到了不断的发展，使机器智能的研究与开发日益受到人们的重视。
1956年J.McCart冲等人提出了人工智能的概念，从而形成了一个与神经生理科学、认知科学、数理科学、信息论与计算机科学等密切相关的交叉学科。
人工神经网络是人工智能的一部分，提出于50年代，兴起于80年代中期，近些年已经成为各领域科学家们竞相研究的热点。
人工神经网络是人脑及其活动的一个理论化的数学模型，它由大量的处理单元通过适当的方式互联构成，是一个大规模的非线性自适应系统，1998年Hecht-Nielsen曾经给人工神经网络下了如下定义：人工神经网络是一个并行、分层处理单元及称为联接的无向信号通道互连而成。
这些处理单元（PE-Processing Element）具有局部内存，并可以完成局部操作。
每个处理单元有一个单一的输出联接，这个输出可以根据需要被分支撑希望个数的许多并联联接，且这些并联联接都输出相同的信号，即相应处理单元的信号。
人工神经元网络介绍
人工神经网络 (artificial neural network, ANN)是模拟人脑细胞的分布式 工作特点和自组织功能，且能实现并行处理、自学习和非线性映射等 能力的一种系统模型。神经网络系统实质上是由大量的，同时也是很 简单的处理单元广泛地互相连接而形成的复杂网络系统。它不是人脑 神经系统的真实写照，而是对其做出的简化抽象和模拟。
假设3：空间整合特性和阈值特性
神 经 元 的 人 工 模 型
作为ANN的基本处理单元，必须对全部输入信号进行整 合，以确定各类输入的作用总效果，图(c)表示组合输 人信号的“总和值”，相应于生物神经元的膜电位。 神经元激活与否取决于某一阈值电平，即只有当其输 入总和超过阈值时, 神经元才被激活而发放脉冲, 否 则神经元不会产生输出信号。
活状态之间的关系，最常用的转移函数有4
种形式。
常用的神经元数学模型：
（1）阈值型（如图a所示）
f (Neti )
1 Neti 0 0 Neti 0
(2) sigmoid函数型（如图b所示）
f (Neti )
1
Neti
1e T
(3) 分段线性型（如图c所示）
f
( Neti
)
第三章 人工神经元网络
专业：电路与系统 姓名：程兴宏 学号：201021005
3.1 引言
模糊逻辑控制的现状：
模糊逻辑控制解决了人类智能行为语言的描述和推理问题，尤其是一 些不确定性语言的描述和推理问题，从而在机器模拟人脑的感知和推 理等智能行为方面迈出了重大的一步。然而在处理数值数据和自学习 能力等方面还远没有达到人脑的境界。
x1
wi1
ui
的数学抽象和结构、功能
10 人工神经网络(ANN)方法简介(完整)
神经元的结构
树突从细胞体伸向其它神经元，神经元之间接受信号的联结点 为突触。通过突触输入的信号起着兴奋/抑制作用。当细胞体接 受的累加兴奋作用超过某阈值时，细胞进入兴奋状态，产生冲 动，并由轴突输出。
x1
w1
x2 xn
w2 wn
wi xi
感知器的激活函数
神经元获得网络输入信号后，信号累计效果整合函数u(X)大于 某阈值 时，神经元处于激发状态；反之，神经元处于抑制状 态。 构造激活函数，用于表示这一转换过程。要求是[-1, 1]之间 的单调递增函数。 激活函数通常为3种类型，由此决定了神经元的输出特征。
第三阶段
突破性进展：1982年，CalTech的物理学家J. Hopfield提出Hopfield神经网络 系统(HNNS)模型，提出能量函数的概念，用非线性动力学方法来研究 ANN， 开拓了ANN用于联想记忆和优化计算的新途径； 1988年，McClelland和Rumelhart利用多层反馈学习算法解决了“异或 （XOR）”问题。
§10.2 感知器（Perceptron） ——人工神经网络的基本构件
1、 感知器的数学模型——MP模型
感知器（Perceptron）：最早被设计并实现的人工神经网络。 W. McCulloch和W. Pitts总结生物神经元的基本生理特征，提出 一种简单的数学模型与构造方法，建立了阈值加权和模型，简 称M-P模型(“A Logical Calculus Immanent in Nervous Activity”, Bulletin of Mathematical Biophysics, 1943(5): 115~133）。 人工神经元模型是M-P模型的基础。
文字识别论文：脱机手写体阿拉伯字符识别关键技术研究
文字识别论文：脱机手写体阿拉伯字符识别关键技术研究【中文摘要】脱机手写体文字识别技术无论是在科学研究还是日常生活中,都具有重要的理论意义和广泛的应用前景,它涉及到模式识别领域中的许多经典问题,如特征提取、分类器设计以及样本集的选择等等。
文字识别问题的研究通常分为印刷体文字识别和手写体文字识别,对于手写体文字识别又可细分为脱机手写体文字识别和联机手写体文字识别。
从文字识别的难易程度来看,脱机手写体文字识别技术比联机手写体文字识别要复杂和困难的多,而相对来说印刷体文字的识别要比手写体文字识别轻松容易的。
并且相对于脱机手写体文字识别技术,印刷体文字识别技术的研究和应用已近非常成熟,无论是在汉字识别还是其它语言文字的识别方面,都有相对成熟的应用产品。
而脱机手写体文字的识别如今只是在阿拉伯数字的识别方面取的较好的成绩,汉字和阿拉伯文字的脱机手写体识别的效果还不尽人意,需要继续探索和提高。
脱机手写体文字识别的研究使得文字信息处理的自动化以及进一步提升计算机智能输入提供重要的理论意义及广阔的应用前景。
由于阿拉伯手写字符具有它独有的特性,识别起来不能完全照搬现有的手写字符识别方法,它有着自身的特点和难点,导致现在越来越多的研究机构投入到脱机手写体阿拉伯文字识别这项研究中来。
国内...【英文摘要】Whether in scientific research or daily life, off-line handwritten character recognition technology hasimportant theoretical significance and broad application prospect,it involves many classic problems in the field of pattern recognition, such as feature extraction, classifier design and samples choice and so on.the research of character recognition problem usually divides into print character recognition and the handwritting character recognition,and the handwritting character recognition can be divided ...【关键词】文字识别脱机阿拉伯手写高斯混合半连续隐马尔科夫模型【英文关键词】Character Recognition Offline Arabic Handwritten Gaussion Mixture Semi-Continuous Hidden Markov Models【目录】脱机手写体阿拉伯字符识别关键技术研究摘要4-6Abstract6-7第1章绪论10-16 1.1 课题背景及意义10-12 1.2 脱机手写体字符识别研究分析12-13 1.3 脱机阿拉伯手写体字符识别难点及趋势13-15 1.3.1 阿拉伯文字的基本特点13 1.3.2 阿拉伯手写识别的技术难点13-14 1.3.3 阿拉伯手写识别的发展趋势分析14-15 1.4 文章组织结构及内容15-16第2章字符识别关键技术分析16-29 2.1 预处理17-21 2.1.1 二值化处理技术17-18 2.1.2 字符矫正18-19 2.1.3去噪处理19-20 2.1.4 细化20-21 2.2 特征提取21-26 2.2.1 结构特征22-23 2.2.2 统计特征23-25 2.2.3 基于结构和统计的交叉组合特征25-26 2.3 分类器设计26-27 2.3.1 支持向量机(Support Vector Machines,SVM)26 2.3.2 人工神经网络(Artificial Neural Networks,ANN)26-27 2.3.3 最小距离分类法27 2.4 后处理27-28 2.5 本节内容小结28-29第3章半连续隐马尔科夫模型29-41 3.1 隐马尔科夫模型原理及其基本算法29-32 3.1.1 隐马尔科夫模型的基本原理29-30 3.1.2 隐马尔科夫模型的相关算法30-32 3.2 隐马尔科夫模型的应用分析32-35 3.2.1 隐马尔科夫模型的典型应用32-33 3.2.2 HMMs在脱机手写识别的应用及识别方法33-35 3.3 半连续隐马尔科夫模型(SEMI-CONTINUOUS HMMs,SCHMMs)35-40 3.3.1 半连续系统理论35-37 3.3.2 半连续隐马尔科夫模型基本理论37 3.3.3 HTK简介37-40 3.3.4 半连续隐马尔科夫模型参数滤波40 3.4 本节内容小结40-41第4章半连续隐马尔科夫模型脱机阿拉伯文手写识别41-50 4.1 脱机阿拉伯文手写识别的过程41-42 4.2 基于GSC的阿拉伯手写字符图像的特征提取42-46 4.2.1 滑动窗口42-43 4.2.2 基于GSC特征的提取43-46 4.3 基于高斯混合的半连续隐马尔科夫模型分类识别器设计46-49 4.3.1 高斯混合半连续隐马尔科夫模型参数估计46-47 4.3.2 建立阿拉伯手写字符和词的模型47-48 4.3.3 训练和测试48-49 4.4 本章小结49-50第5章结果与分析50-54 5.1 IFN/ENIT数据库50 5.2 手写体阿拉伯字符识别标准50-51 5.3 结果分析51-52 5.4 手写体阿拉伯文的后处理52-53 5.5 本章小结53-54第6章总结与展望54-56 6.1 论文研究总结54 6.2 未来研究方向54-56参考文献56-60致谢60-61攻读硕士期间发表的论文及科研情况61。
自组织神经网络
自组织神经网络通常包含大量的神经元和参数，这使得训练过程变得非常耗时。传统的 优化算法往往需要长时间的迭代才能找到最优解，这限制了自组织神经网络的应用范围。
泛化能力不足
总结词
自组织神经网络的泛化能力不足是另一个挑 战，这主要是由于其容易过拟合训练数据。
详细描述
由于自组织神经网络具有强大的拟合能力， 它很容易过拟合训练数据，导致对测试数据 的泛化能力下降。这限制了自组织神经网络 在实际问题中的应用效果。
缺乏有效的学习规则
总结词
目前自组织神经网络缺乏有效的学习规则， 这限制了其自适应能力和进化速度。
详细描述
自组织神经网络的学习规则决定了其结构和 参数的调整方式，但目前大多数学习规则的 效果并不理想。如何设计更有效的学习规则 ，以提高自组织神经网络的自适应能力和进
化速度，是当前研究的重点之一。
未来发展方向与趋势
K-均值聚类算法
总结词
K-均值聚类算法是一种无监督的机器学 习算法，用于将输入数据划分为K个聚类 。
VS
详细描述
K-均值聚类算法通过迭代的方式将输入数 据划分为K个聚类，每个聚类由其质心表 示。算法通过计算每个数据点到各个质心 的距离，将数据点划分到最近的质心所在 的聚类中，并更新质心位置。K-均值聚类 算法具有简单、高效的特点，广泛应用于 数据挖掘、图像分割和机器视觉等领域。
自适应共振理论模型
总结词
自适应共振理论模型是一种基于自适应滤波原理的神经网络模型，能够自适应地学习和识别输入数据 中的模式。
详细描述
自适应共振理论模型通过调整神经元之间的连接权重，使得神经网络能够自适应地跟踪和识别输入数 据中的模式。该模型具有较强的鲁棒性和适应性，能够处理噪声和异常值，广泛应用于信号处理、语 音识别和自然语言处理等领域。
字符识别
浙江大学宁波理工学院信息工程分院电子信息工程专业大作业字符识别摘要本文主要讲述了如何用BP神经网络去识别图片上的字符。
该系统主要处理晶振表面字符的识别。
在识别之前要对图像进行一系列的处理，即图像的预处理。
预处理主要包含，二值化、锐化、噪声去除、字符分割、字符归一化、字符骨架提取。
经过预处理以便适合以后的处理。
预处理后对图片上的字符进行特征提取，特征提取的方法很多，这里使用评价较好的十三特征提取法来进行特征提取。
最后采用BP 神经网络来对字符进行识别。
关键词：字符识别预处理特征提取 BP神经网络一、系统设计方案字符识别系统的实现过程中，分解成两个模块，即图像预处理模块和数字识别模块。
其中图像像预处理块在对图像进行了一系列变换后把最后提取到的数字字符提交给数字识别模块，然后进行识别并给出结果。
1.1.1系统总流程图像预处理BP神经网络字符识别1.1.2 图像预处理2.1.3 BP 神经网络训练流程1.1.4 BP 神经网络识别流程二、 图像预处理算法分析及实现2.1 图像的二值化处理图像的二值化就是把图像中的象素根据一定的标准分化成两种颜色。
在系统中是根据象素的灰度值处理成黑白两种颜色。
图像的二值化有很多成熟的算法。
它可以采用自适应阀值法，也可以采用给定阀值法。
系统中采用的是给定阀值的方法。
2.1.1 阈值选取算法分析图像的二值化有很多成熟的算法。
它可以采用自适应阀值法，也可以采用给定阀值法。
系统中采用的是给自适应阀值的方法。
其算法的实现是通过大律法。
经过大律法得到适合的阀值。
BP 神经网络字符特征读入 识别并给出结果BP 神经网络样本字符特征训练得到权值矩阵图 2.1.1 阈值选取的流程图2.1.2 算法分析及实现图像二值化的算法实现，将大于阀值的像素点变为黑色，反之变为白色。
初 始 化统计灰度为n 的像素的个数计算图像总平 均灰度级μ计算C 0 类产 生的概率()k ω 计算C 0 组的 均值()k μ计算类间方差)(2k σ求类间方差)(2k σ的最大值对应得k 值)(2k σ最大时的k 即为所求阈值开 始 返 回图 2.1.2 图像二值化算法的流程图执行结果如图2-1-1、2-1-2所示图3-1-1二值化前的图片图2-1-2 二值化后的图片Y初 始 化 开 始判断当前像素点是否为大于阀值将此像素点变为黑色N将此像素点变为白色 返 回2.2 图像的锐化由于需要处理的图像大多数的情况下字体模糊，对识别造成了一定的困难，所以有时我们要对图像进行锐化处理使模糊的图像变得清晰起来，同时可以对噪声起到一定的去除作用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｒ，Ａ Ｔ ｙ Ｒ ）借鉴人的认知过程和 大脑 工作 的特 点，
是一 种模 仿 人 脑 认 知 过 程 的 自组 织 聚类 算 法 ． 在 解决 大 量数据 聚类和 分 类 时 ，聚 类 效果 好 且 稳 定 ， 此外 还 能高 效利 用 系统 的记忆 资源 ． 符识别 ． 这种 网络 （ １ 的输 入层和输 出层之 间为双 图 ） 向连 接 ， 反馈连接 权 ｝ 记忆 已学 的输入模 式． １ ２ ＡＲ １网络 的算 法 ． Ｔ ① 初始 化 ， 置前 向连接权 的初 值 为 （ ）＝ 设 ０
文章 编号 ：１０ ０ ６—５ ４ （ ０ ６ １－ １２— ３ ４ Ｘ ２０ ）０ ０ ２ ０
基 于人工神经 网络 自适应 共振理论 的手 写字符识别
韩 可轶 ，周德俭 ，张烈平 ，谢晓 兰
（ 林 工学 院 电子 与计算 机 系 ，广 西 桂林 桂 ５ １０ ） ４０４
摘
要 ：以人 工神 经网络 中 的 自适应 共振 理论 为基 础 ，研究 了用光 标 在 电脑 屏幕 上 进行 手 写 输入
１ 自适 应共振理论神经 网络
１ １ 自适应 共振 理论 ． 自适 应共 振 理论 … （ ｄｐｉ ｅｏ ａ ｃ ｈｏ Ａ ａ ｔ ｅＲ ｓｎ ｎ ｅＴ ｅ— ｖ
设 定警 戒参 数 Ｐ０ ＜Ｐ≤ １ ， ．
② 将输入模式 ［ ， ， ］ …，： 提供给输入
层， 计算激 活值 ．
Ｕ Ｉ ＝∑
ｉ ＝１
，
ｌ ． ＞Ｐ （） １
如果
ｌ
ｌ ／ｌ
则转 入第 ⑥ 步 ，否则接 第⑤ 步 ． ⑤ 取 消 识 别 结 果 ，将 神 经 元 ｇ排 除在 识 别 范 围之 外 ，返 回第③ 步 ． 当所有 已记忆 过 的神经元 都
收稿 日期 ：２０ ０ —１ ０ ５— ３ Ｏ 基 金项 目：广 西教 育厅 项 目 （ 桂教科 研 ［０４ Ｏ ２０ ］２ ） 作 者简 介 ：韩可轶 （９ ９ ，男 ，硕士 研究 生 ，研 究方 向：制造业 信 息化 １７ 一）
关 键词 ：手写 字符 识别 ；人工 神经 网络 ；自适应 共振 理论 ；Ｊｖ 语 言 ａａ 中图分 类号 ： Ｐ９ ．３ ， ｌ３ Ｔ ３ １４ ；Ｉ ８ Ｐ 文献标 识码 ：Ａ
人 工 神经 网络 具 有 存 储 和 应 用 经 验 知 识 的 自 然 特性 ．神 经 网 络 具 有 很 强 的 鲁 棒 性 ，即 使 系统
通讯 作者 ：周德 俭 ，博 士 ，教授 ．Ｅｍ ｉ ＠ｇｉ．ｄ． ｎ －ａ ： ｌ ｌｅｅｕｃ ｔ
维普资讯
第ｌ 期
韩 可轶 等 ： 于人 工神 经 网络 自适 应共 振理论 的手 写字符 识别 基
不满 足式 （ ）时 ， 在输 出层 还未 规 定输 出值 的神 标在 书写 区域 内拖 动 ， ｅｇｔ ） ｅｇｔ ） 得 １ 则 用 ．ｅＸ（ 和 ．ｅＹ（ 取 经元 中任 选 一 个 作 为 输 入 模 式 的分 类 结 果 ， 并 当前 光标 绝对 坐标 ， 计算 出此 时 光标 坐 标 对应 的小
输 出层
｛ ｝
连接线被破坏 了多达 ５ ％ ，它仍 能以优化工作状 ０ 态来处理信息…．
本文 提 出一 种 基 于人 工 神 经 网络 自适 应 共 振
理论 、以光 标 进 行 手 写 输 入 的 识 别 方 法 ，用 Ｊｖ ａａ
输入层
图 １ 神 经 元 网 络 结构
Ｆｉ． Ｎｅ ｒ ｎ ｎ ｔ ｒ ｔ ｔｒ ｇ１ ｕ ｏ ｅｗｏ ｋ ｓｒ ｕ ｅ ｕｃ
１（ ／ １＋ｒ 。 ／ ， ）
ｓ＝∑ｗ ， １ ， ｍ Ｊ （ ， …，） ＝ ２
ｉ ＝ｌ
③ 选出 ｓ中的最大值 Ｓ： Ｊ ｓＳ ＝ｍ ｘ ｓ］ ［Ｊ－ ａ
④ 比较反馈连接权矢量 与输入Ｔ Ｒ Ｒ １为理论 基础 实现字 似程 度 是否大 于 预先设 定 的警戒 参数 Ｐ
（＋ ）＝ （ ｖ （． ＋∑ （ ） ｔ １ ｔ ￣ｏ ）／ ５ ｔ ， ）
的字符识 别方 法 ．根据专 业领 域文 字输入 中 经常使 用特殊 字符 的特点 ，程序 部分 由内核 是 Ｕ ｉ ｄ ｎ ｏｅ ｃ 的 Ｊ ａ 现． 采用 Ｕ ｉ ｄ 编 码不但 可 以方便 地 实 现特 殊 字符 的识 别 和 显示 ，还有 利 于跨 平 台 的 ａ 实 ｖ ｎ ｏｅ ｃ
移植，较好地解决 了文字录入 中特殊字符不易查找以及某些用户操作键盘不便等实际问题．
语言 实现 可 跨 平 台 系统 ． 能 够 解 决 通 常 文 字 处 理 软件 查找 某 些 特 殊 或 专 用 字符 的 困难 ，以及 某 些 用户 操作 键盘 不便 等实 际 问题．
…
取 反馈 连 接 权 的初 值 为 （ ） ＝ Ｉ ＝ Ｉ２ ０ ， ，，
，
ｒ； ＝ １， … ， ｔ ２， ｍ．
令这个神经元为神经元 ｇ 进入第 ⑥ 步． ， ⑥按下式调整连接权
方块坐标 ， 将对应的数组值改变后刷新屏幕 ， 显示
出笔 划． 除按 钮原 理相 同 ， ｉｐｔｒ ｙ全 部设 为 清 将 ｎｕＡｒ ａ 初始值 刷 新屏幕 即可． ２ ２ 算 法实现 ． 将相 对独 立 的功能 分 别封 装 在 不 同的方 法 中 ， 只提 供特 定 的接 口给 外 界 调 用 ． 这 样 有 利 于 学 习 和工 作两 个过 程 的分 离 ，方便 程 序 的修改 和调 试 ．
维普资讯
第 ２ ６卷 第 １ 期
２０ ０６年 １月
桂 林 工 学
院 学 报
２０ ０ ６年 １月
Ｊｎ ２ ｏ ａ． ０６
Ｊｕｎ ｌ ｆＧｕｌ ｉｅｓｔ ｆＴ ｃ ｎ ｌｇ ｏ ｒａ ｉｎ Ｕｎｖ ｒｉ ｏ ｅ ｈ ｏｏ ｙ ｏ ｉ ｙ