基于多神經(jīng)網(wǎng)絡(luò)集成的手寫數(shù)字識(shí)別.pdf

1、手寫數(shù)字識(shí)別是利用機(jī)器或計(jì)算機(jī)自動(dòng)辨認(rèn)手寫體阿拉伯?dāng)?shù)字的一種技術(shù)，是光學(xué)字符識(shí)別技術(shù)的一個(gè)分支。由于阿拉伯?dāng)?shù)字的世界通用性，并且數(shù)字的識(shí)別和處理也常常是一些自動(dòng)化系統(tǒng)的核心和關(guān)鍵，所以對(duì)手寫體數(shù)字識(shí)別的研究通用性強(qiáng)，且意義重大。 在對(duì)多種手寫字符識(shí)別的相關(guān)技術(shù)進(jìn)行調(diào)查和研究后，本文提出了一個(gè)基于多級(jí)神經(jīng)網(wǎng)絡(luò)集成的手寫數(shù)字識(shí)別仿真系統(tǒng)，面向脫機(jī)手寫體孤立數(shù)字的識(shí)別。整個(gè)系統(tǒng)由四個(gè)模塊構(gòu)成：首先以圖像預(yù)處理模塊和字符特征提取模塊作為

2、模式數(shù)據(jù)輸入的基礎(chǔ)；其次采用多個(gè)BP神經(jīng)網(wǎng)絡(luò)作為識(shí)別的核心分類器，即分類模塊；然后對(duì)這些神經(jīng)分類器的輸出結(jié)果進(jìn)行融合判決來(lái)獲得最終識(shí)別結(jié)果，即決策模塊。 本文的主要研究工作集中在特征提取和多分類器融合識(shí)別上。 在特征提取方面，在對(duì)多種有發(fā)展?jié)摿Φ奶卣魈崛》椒ㄟM(jìn)行實(shí)驗(yàn)分析的基礎(chǔ)上，提出了一種全局特征和兩種局部特征作為主特征，并組合一系列低維輔助特征的組合方法。實(shí)驗(yàn)證明這三組組合的特征向量對(duì)手寫數(shù)字均具有高分類能力。

3、 在多分類器融合方面，將本文提出的融合方法與對(duì)其它多種融合方法進(jìn)行了實(shí)驗(yàn)分析和對(duì)比。實(shí)驗(yàn)表明，利用多分類器融合策略均可以達(dá)到高精度識(shí)別，并且本文提出的融合方法略優(yōu)于其它融合方法。 本文第一章介紹了手寫體數(shù)字識(shí)別的應(yīng)用前景、研究現(xiàn)狀以及研究方法，并介紹了模式識(shí)別的常用方法，說(shuō)明了手寫體數(shù)字識(shí)別的難點(diǎn)和其廣闊的應(yīng)用前景。 第二章介紹了手寫體數(shù)字識(shí)別中的預(yù)處理技術(shù)，包括圖像的平滑、二值化、圖像規(guī)范化，細(xì)化等技術(shù)，同時(shí)介紹了本文

4、提出的細(xì)化后處理算法。 第三章介紹了特征提取技術(shù)，以及本文的識(shí)別系統(tǒng)中使用的特征提取算法，并通過(guò)實(shí)驗(yàn)分析選擇了最佳特征組合方案。 第四章介紹了神經(jīng)網(wǎng)絡(luò)的原理和算法，并指出神經(jīng)網(wǎng)絡(luò)用于手寫數(shù)字識(shí)別的內(nèi)在機(jī)理和獨(dú)特優(yōu)勢(shì)。最后，通過(guò)本文提出的數(shù)字識(shí)別仿真系統(tǒng)對(duì)MNIST手寫數(shù)字圖像庫(kù)分別進(jìn)行了三種單分類器識(shí)別實(shí)驗(yàn)和多級(jí)分類器的若干融合方法實(shí)驗(yàn)。實(shí)驗(yàn)表明單分類器最好識(shí)別率為98.14％，而多分類器融合方法的識(shí)別性能均高于單分類器