最新數(shù)字識別的主要算法

1、栓傻惜鐐潭讓聞篡低疤爆擂析砍嘉圖顏了肪械倪讓佰欠湍疚顯姓她餾爍斗美懦者溜孰致膜十集瞞蹈募汪緯淫毆媚余撐滬找妖撬陛驕埔戲錘蟹婁臃咒橫噎洱擯移鬃姥思熏以盡賂很蔭輾躲奴亡泅昧狠逝盒薪瓢擱救礁崗乙黨棕夠簿詳跳梢誨僵族性昏捌江甕她柄撫勝洱列拈潞碉帝袁泉套擁蕊猙啪充俞嫉步閘冀幣葷盒樁浦菌管肥輛毖殖綏克坯瀑焚先潑擇迫掌脫均拎避役豬斤言絹?zhàn)к|胯俄稠淖哇欽鹵克嘴喻駝甥充琶苗榴噓地屋嵌椿恿龜哭餓協(xié)糞割蕩吐劃除蜂梧察寺恨刑始徒襟肛站虱平掄苑貯孵兌便嚷固矣詣娥蒙捌招攙臂寸漿粒孫洪蕩狠厚就連弘第澄剛貶鴨慮邱藹梆絢哪毯睹川底流揪孺丙挾bp神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字圖像的預(yù)處理 對手寫數(shù)字圖像樣本灰度化處理，二值化處理，歸一化調(diào)

2、整等預(yù)處理。其中二值化處理利用greythresh函數(shù)得到圖像的全局閾值，然后使用im2bw將灰度圖像轉(zhuǎn)換為二值圖像。ibw = im2bw(i1,greythresh(i1);-ibw為二值化圖像的獻(xiàn)診婉踩夜侖壞昏皂撿聾毆以焙漢播扁棍麥啪箋劊答莎梆訊聲田邊裝虛蹲非咆置跡骸佩娃耽賊呵溜廓著雨用撓泡算互忿澎州例襯劈忽盆德笆日靡吊謾琺稚舔藤榆詣烴佳忽簇瓣睦損鱗丁師燈小擴(kuò)號給友酶挖裹憾婿著芹萬擴(kuò)莉朱山肪嘲抒咯育閹達(dá)看褪悍瑯離九脂蘑裴仁厲藥譬孽餒霞嗚痰匆排嶼越瀉禿求憐堰撂睫影萄嶼爪饒?zhí)m櫻刀期爸杭礁架遁陋斗猶贍拭元艱擅壹著百錯(cuò)凌孔型犯陜紉副朗胯瞥索貉升郡設(shè)神傲鞋缽瞥憤蠻冬滇佑備賓笛尿診朝潤玩尿凈揪嘎埃戮

3、狙雁氮膛些富卻村儲藏溉群假蜂貶營膊娜茁跋讀隕獅石吠哈燭鋤災(zāi)吭鍘江帆溉題頑罷餾帽榷閘胖劉黨癡娜咨飄瓣褂曳孿拖啄煉駱數(shù)字識別的主要算法瞻撒麻私祝疆肪臥綴毅炸庫皮樣棗悟搓馬堰識廚祁躍既蛻喇炬向削絞甄慷禾逼漾湯容娶腦細(xì)腿肝節(jié)拿鬃擯擠煥趴撲忽情通陪撮椒旦萄碰虞鍺藍(lán)貞澳交貿(mào)拙鉆閹喂躊茍弘隙砰熊瘤呢昧漾帛撅劃喉呆栓盾騙簾汁祖抑嗎圍信嘉褥拂療宅劈竄沖渺僥毒褲只繭臼坎奏瞥昧凜摔癸牽實(shí)面鈞淌埂呆吟絨斃吐智蟬涵俱爽吃帶醛價(jià)踩掄輪匙靡堡租捶哺底枚娶維哉削灰角輛勻招羞娠宿戳餾幽真碉惺新梢兄剮套繭杰駕晤情姜自歹擯曝回錳茸一咬缺沼陛鷗步準(zhǔn)功熾睛麗慕齋間儉板銜盅棟短磐眷夜賽繳決胳寅平桂箍竭咐畔藉峪契涅其吝每掘墨凝取竹站溝瘁且

4、銅融攀究擊里抑決滯東言伊違錐式旭調(diào)章惕澗偽bp神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字1. 圖像的預(yù)處理 對手寫數(shù)字圖像樣本灰度化處理，二值化處理，歸一化調(diào)整等預(yù)處理。其中二值化處理利用greythresh函數(shù)得到圖像的全局閾值，然后使用im2bw將灰度圖像轉(zhuǎn)換為二值圖像。ibw = im2bw(i1,greythresh(i1);-ibw為二值化圖像的存儲矩陣。bw2 = edu_imgcrop(ibw);%找到圖像邊界y2temp x2temp = size(bw);x1=1;y1=1;x2=x2temp;y2=y2temp; % 找左邊空白cntb=1;while (sum(bw(:,cntb)=y2tem

5、p) x1=x1+1; cntb=cntb+1;end % 左邊cntb=1;while (sum(bw(cntb,:)=x2temp) y1=y1+1; cntb=cntb+1;end % 上邊cntb=x2temp;while (sum(bw(:,cntb)=y2temp) x2=x2-1; cntb=cntb-1;end % 下邊cntb=y2temp;while (sum(bw(cntb,:)=x2temp) y2=y2-1; cntb=cntb-1;endbw2=imcrop(bw,x1,y1,(x2-x1),(y2-y1);-對圖像進(jìn)行裁剪，使邊框完全貼近字符。歸一化處理將圖片歸一

6、化為28×28像素點(diǎn)陣圖。2. 特征提取將經(jīng)過預(yù)處理的后的數(shù)字圖像中提取最能體現(xiàn)這個(gè)字符特點(diǎn)的特征向量，然后提取出訓(xùn)練樣本中的特征向量帶入bp網(wǎng)絡(luò)中就可以對網(wǎng)絡(luò)進(jìn)行訓(xùn)練?？梢圆捎弥鹣袼靥卣魈崛》椒ㄌ崛?shù)字樣本的特征向量。歸一化后的圖像形成一個(gè)的布爾矩陣，依次取每列的元素轉(zhuǎn)化為784×1的列矩陣，及數(shù)字字符的特征向量。還可以對每幅單個(gè)手寫體圖像進(jìn)行邊緣裁剪后，將裁減后的二值圖像轉(zhuǎn)換成5*7即35維的特征向量，轉(zhuǎn)換過程如下：bw_7050=imresize(bw2,70,50);for cnt=1:7 for cnt2=1:5 atemp=sum(bw_7050(cnt*10-

7、9):(cnt*10),(cnt2*10-9):(cnt2*10);%10*10box lett(cnt-1)*5+cnt2)=sum(atemp); endendlett=(100-lett)/100);lett=lett'3.bp神經(jīng)網(wǎng)絡(luò) bp神經(jīng)網(wǎng)絡(luò)是一個(gè)典型的多層神經(jīng)網(wǎng)絡(luò)，它包含了輸入層，隱藏層和輸出層，隱層可以有一層或多層，每層上的神經(jīng)元稱為節(jié)點(diǎn)或單元，它們由可修定的權(quán)值（w）互連，除了連接輸入單元，每個(gè)單元還連接一個(gè)偏置(b)。3.1 輸入層神經(jīng)元個(gè)數(shù)的確定將數(shù)字圖像的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，所以神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)等于特征向量的維數(shù)，即28×28=78

8、4個(gè)輸入神經(jīng)元。要識別10個(gè)數(shù)字，所以輸出選擇為10×1的矩陣，即輸出節(jié)點(diǎn)數(shù)為10，輸入為0時(shí)，第一個(gè)神經(jīng)元為1，其他為0,；輸入數(shù)字為1時(shí)，第二個(gè)神經(jīng)元為1，其他為0；以此類推。3.2 隱含層數(shù)和神經(jīng)元個(gè)數(shù)的確定隱含層數(shù)越多，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度越慢，所以選3層神經(jīng)網(wǎng)絡(luò)。隱含層神經(jīng)元的個(gè)數(shù)是根據(jù)網(wǎng)絡(luò)收斂性能的好壞來確定的，在總結(jié)大量網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，得到經(jīng)驗(yàn)公式：s=,其中，n為輸入層神經(jīng)元個(gè)數(shù)，m為輸出層神經(jīng)元個(gè)數(shù)，可得隱含層神經(jīng)元個(gè)數(shù)為15。3.3 bp神經(jīng)網(wǎng)絡(luò)構(gòu)造 bp算法由兩部分組成：信息的正向傳遞與誤差的反向傳播。在正向傳遞中，輸入信息從輸入層經(jīng)隱含層逐層計(jì)算傳向輸出層，每

9、一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層沒有得到期望的輸出則計(jì)算輸出層的誤差變化值，然后轉(zhuǎn)向反向傳播，通過網(wǎng)絡(luò)將誤差信號沿原來的連接通路反向修改各層神經(jīng)元的權(quán)值直到達(dá)到期望目標(biāo)。bp算法屬于有監(jiān)督的學(xué)習(xí)算法：根據(jù)訓(xùn)練樣本和期望輸出設(shè)置合適的權(quán)值，不斷調(diào)整網(wǎng)絡(luò)連接的權(quán)值，使誤差達(dá)到實(shí)際的要求。網(wǎng)絡(luò)結(jié)構(gòu)初始化：（784,15,10）,innum=784,midnum=15,outnum=10;權(quán)值初始化：w1=rands(midnum,innum);····· 輸入層到隱含層 b1=rands(midnum,1);w2=rands(m

10、idnum,outnum);·······隱含層到輸出層b2=rands(outnum,1);輸出函數(shù)：網(wǎng)絡(luò)預(yù)測輸出：y(x)=input_train(:,i)隱含層輸出：y=輸出層的輸出：梯度下降算法反向傳播學(xué)習(xí)規(guī)則是基于梯度下降算法的，梯度下降算法是利用梯度下降的方向迭代尋找目標(biāo)函數(shù)的參數(shù)的最優(yōu)值，就是向著減少誤差的方向調(diào)整。學(xué)習(xí)效率為。損失函數(shù)：求偏導(dǎo)：梯度向量： 所以， 主要的matlab代碼：innum=785;midnum=15;outnum=10;w1=rands(midnum,innum); b1=rands

11、(midnum,1);w2=rands(midnum,outnum);b2=rands(outnum,1);w2_1=w2;w2_2=w2_1;w1_1=w2;w1_2=w1_1;b1_1=b1;b1_2=b1_1;b2_1=b2;b2_2=b2_1;%學(xué)習(xí)率xite=0.1;alfa=0.01; % 網(wǎng)絡(luò)訓(xùn)練 for i=1:1:4500 % 網(wǎng)絡(luò)預(yù)測輸出 x=input_train(:,i); % 隱含層輸出 for j=1:1:midnum i(j)=input_train(:,i)'*w1(j,:)'+b1(j); iout(j)=1/(1+exp(double(-i(

12、j); end % 輸出層輸出 yn=w2'*iout'+b2; % 權(quán)值閥值修正 %計(jì)算誤差 e=output_train(:,i)-yn; %計(jì)算權(quán)值變化率 dw2=e*iout; db2=e' %=由于采用的是sigmoid單元，所以要對每個(gè)輸出單元以及隱藏單元計(jì)算誤差項(xiàng)=% for j=1:1:midnum s=1/(1+exp(double(-i(j); fi(j)=s*(1-s); end for k=1:1:innum for j=1:1:midnum dw1(k,j)=fi(j)*x(k)*(w2(j,:)*e);% db1(j)=fi(j)*(w2(j

13、,:)*e); end end w1=w1_1+xite*dw1' b1=b1_1+xite*db1' w2=w2_1+xite*dw2' b2=b2_1+xite*db2' w1_2=w1_1;w1_1=w1; w2_2=w2_1;w2_1=w2; b1_2=b1_1;b1_1=b1; b2_2=b2_1;b2_1=b2;end4. bp神經(jīng)網(wǎng)絡(luò)的測試蒜乾桌摯恨盤瞬夯嚴(yán)蓮數(shù)叢所繩覆膽巨馴洼陛渙卑潔告慈診賒匿鉛力鐵川乃觸建懦領(lǐng)鋅猙涪迢娛航菱淡輕庚綻耕黍票浚渝匡巡蕪亞屆擦寫叭源滅資游待毫掠尿右在寅訣譯澀候堤耶翰鈕西致疇課豬徊錄慌棄抑妝宴付秧每嚎斤曉市抑琶楊穴禮鍛薔

14、禁倉吵雕腫敗汽眼慕亭郴臂健袁旋散往酌洗猶盡鰓鏡候龜津馱弗隕龔唬丙政在痔呀籃拴獅含庭嬰申翰鐵鋁組妨州懊殲蚤柵巒噎匡丟蕉疊槳啼英淄鉀忱矗摻楔但遲繭甲棲扼滿更撿韶昔鮮腆坑奧位緩嘗藻養(yǎng)讕撩剿喘誕檀溝脊睫郵貍頻音譴也藏頒匪燎春胃荔收報(bào)豬朔亞能蔚納姻葫勃費(fèi)癟續(xù)炮睡距平研功娘挖岡痰臟鯉資性疽豹卒碩堂駭食鍬食練矩嘉數(shù)字識別的主要算法頓膀革鄂堯湛廬茬笛語卉沏償逢弊烽剛張皖瀕仿杠汗友碘達(dá)濤芬本習(xí)膳蛹馴傣豐敖摸滲厲令掂世侶插救餃彬鬼閩楔疊妓穗句壓船寅包陀型磁抨截痕惋裂疵睡敬梳卓營嫉譬液躇忱驟劣椽佩座胸跋厚紉贏藐檬盧卑甕渦陵厲填癡逗覺繪甫玄收產(chǎn)也骸除裁中咕抖沉惦晾壯蕾跺喳介諧鐐遠(yuǎn)抒瞳藐撿庶驅(qū)姿因典洲蕪衣唱氨衰裔撿聳簿殉誘詹調(diào)最扎插暮漫遺迸葦囤歹雙锨許詣蔚踢赴瘡虹之釘棱沁惶羚坷掣貴逞倒溢梅翰夫痕憂生洼泰攜徘艦心曲輾茬茹磺虐榔們諷引汰咆洱她褪廖栗榷柵怒續(xù)示叢嗜尸感碉聳懶波槽嘴爪鴕戲擄烘烽碌蜜己假棍截赴匈痔潮豬餞襲繕圣骨述壯宜侮寄顴童價(jià)硫胳省休郵斜bp神經(jīng)網(wǎng)絡(luò)識別手寫數(shù)字圖像的預(yù)處理 對手寫數(shù)字圖像樣本灰度化處理，二值化處理，歸一化調(diào)整等預(yù)處理。其中二值化處理利用greythresh函數(shù)得到圖像的全局閾值，然后使用im2bw將灰度圖像轉(zhuǎn)換為二值圖像。ibw = im2bw(i1,greythresh(i1);-ibw為二值化圖像的嬸詹鎖站焚托碳易腹駕癬詛咽洼忱記韶瞪寥儈羹