基于人工神經(jīng)網(wǎng)絡(luò)的手寫識(shí)別算法研究.pdf

1、手寫識(shí)別的問(wèn)題是一個(gè)熟悉的問(wèn)題，并在實(shí)際上具有巨大的應(yīng)用。因此長(zhǎng)久以來(lái)它已經(jīng)使眾多人注目、研究。盡管已得到了重大成績(jī)，但是目前人們對(duì)移動(dòng)設(shè)備更好地識(shí)別解決方案和實(shí)時(shí)性問(wèn)題一直繼續(xù)研究。
　　因?yàn)椴逯捣ê秃瘮?shù)逼近在科學(xué)技術(shù)以及日常生活中的好多領(lǐng)域都被應(yīng)用的，所以早就有人研究它們了。目前插值法和多元函數(shù)逼近已成為一個(gè)關(guān)注的問(wèn)題，因?yàn)橐鉀Q應(yīng)用問(wèn)題時(shí)必須解決插值法和多元函數(shù)逼近的問(wèn)題。在數(shù)學(xué)上，雖然以很多不同的方法來(lái)充分地解決插值法、單

2、元函數(shù)逼近。但是有關(guān)插值法和多元函數(shù)逼近的問(wèn)題，這些數(shù)學(xué)工具一直有限的。
　　從上世紀(jì)50年代已出現(xiàn)的，但人工神經(jīng)網(wǎng)絡(luò)并沒(méi)有蓬勃發(fā)展，直到80年代計(jì)算機(jī)時(shí)代爆炸之時(shí)才發(fā)展。目前有許多領(lǐng)域直接或間接使用人工智能以至人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)，也簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)（ANNs）是一個(gè)以生物神經(jīng)網(wǎng)絡(luò)建立成的數(shù)學(xué)模型或計(jì)算圖像。它由一組共同連接的人工神經(jīng)元（也稱為節(jié)點(diǎn)），通過(guò)發(fā)送在連接和新值節(jié)點(diǎn)來(lái)處理信息的。在神經(jīng)網(wǎng)絡(luò)的連接都存在可以按經(jīng)驗(yàn)來(lái)調(diào)

3、整的加權(quán)，它使神經(jīng)網(wǎng)絡(luò)有適應(yīng)和學(xué)習(xí)能力。在許多情況下，人工神經(jīng)網(wǎng)絡(luò)是一個(gè)自己改變結(jié)構(gòu)的適應(yīng)系統(tǒng)。在實(shí)際使用中，許多神經(jīng)網(wǎng)絡(luò)工具是非線性統(tǒng)計(jì)數(shù)據(jù)的模型化。它們可以被用來(lái)模型化輸入數(shù)據(jù)和結(jié)果之間的復(fù)雜關(guān)系。在一個(gè)人工神經(jīng)網(wǎng)絡(luò)，人工神經(jīng)元被稱為“神經(jīng)元/神經(jīng)細(xì)胞”，“neurodes”，“處理元”或“單位”，其被連接在一起以形成一個(gè)模仿生物神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)。
　　有關(guān)組成神經(jīng)網(wǎng)絡(luò)的哪些元素我們沒(méi)有定義。但是，因?yàn)槟Ｐ偷囊粚颖环Q為“神經(jīng)元”

4、，所以就有以下的特點(diǎn)：
　　包括自適應(yīng)加權(quán)，即由算法調(diào)整的計(jì)算參數(shù)。
　　在輸入，有可能相當(dāng)非線性函數(shù)。
　　人工神經(jīng)元網(wǎng)絡(luò)在收集和其他單位并行實(shí)施過(guò)程中類似于生物神經(jīng)網(wǎng)絡(luò)，更加為各單位把小的任務(wù)明確地劃分。“神經(jīng)元網(wǎng)絡(luò)”的術(shù)語(yǔ)通常在統(tǒng)計(jì)算數(shù)、認(rèn)知心理學(xué)和人工智能被提到。以模仿中心系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型是神經(jīng)科學(xué)和數(shù)學(xué)神經(jīng)理論的一部分。
　　在基于人工神經(jīng)元網(wǎng)絡(luò)的軟件開發(fā)模型，基于生物網(wǎng)絡(luò)的方法大部分已經(jīng)被拆除，而是

5、我們用一個(gè)根據(jù)處理統(tǒng)計(jì)和信號(hào)的比較現(xiàn)實(shí)的做法。在一個(gè)系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)或神經(jīng)網(wǎng)絡(luò)成分在大系統(tǒng)中會(huì)按自適應(yīng)和非自適應(yīng)的兩種方式來(lái)共同結(jié)合。
　　卷積神經(jīng)網(wǎng)絡(luò)（CNNs）是一種人工神經(jīng)元網(wǎng)絡(luò)。個(gè)體的神經(jīng)細(xì)胞被堆疊的方式以便與在傳感器區(qū)域的的各個(gè)堆疊區(qū)域反應(yīng)。卷積神經(jīng)網(wǎng)絡(luò)的建設(shè)是自于生物過(guò)程的靈感和多層感知的變體。它們被設(shè)計(jì)以便使用在預(yù)處理過(guò)程中的最小數(shù)量資源。該模型在圖像識(shí)別和視頻普遍應(yīng)用。
　　在圖像識(shí)別的應(yīng)用，卷積神經(jīng)網(wǎng)絡(luò)是一

6、組神經(jīng)元的多層，每個(gè)部分是輸入圖像，稱為接收機(jī)。結(jié)果是堆疊的以獲得更好的結(jié)果，這行動(dòng)在每一層會(huì)一次又一次地重疊。因此，我們將獲得有關(guān)圖像的最好結(jié)果。與其他圖像分類算法相比，卷積神經(jīng)元網(wǎng)絡(luò)稍微使用預(yù)處理過(guò)程。這意味著，該神經(jīng)元網(wǎng)絡(luò)將負(fù)責(zé)在傳統(tǒng)算法已被處理的過(guò)濾器的學(xué)習(xí)過(guò)程。
　　現(xiàn)在，這些傳感器越來(lái)越流行并在人類和機(jī)器之間相互作用起了巨大的作用的。智能設(shè)備已經(jīng)可以使用手指、手寫筆、甚至手勢(shì)也可以。作為輸入裝置使用手指或手寫筆可以幫助

7、人們操縱比傳統(tǒng)鼠標(biāo)和鍵盤較為方便。使用手指和手寫筆帶來(lái)精度在操作和比鼠標(biāo)和鍵盤的空間的傳統(tǒng)更方便。但是，正是因?yàn)槿绱朔奖愫托视挚梢栽俅我l(fā)我們面臨必須克服的新挑戰(zhàn)。即手寫識(shí)別。人工神經(jīng)元網(wǎng)絡(luò)是我們解決問(wèn)題的一種方向。近年來(lái)，手寫識(shí)別的研究已經(jīng)商品化地發(fā)展。然而，顯著的缺點(diǎn)分類神經(jīng)網(wǎng)絡(luò)是廣泛的網(wǎng)絡(luò)組織和其可擴(kuò)展的復(fù)雜性。我們可以很容易地構(gòu)造一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)確定、識(shí)別少數(shù)量，但與大輸入和大輸出的，會(huì)增加了連接性的神經(jīng)元，所以它使培訓(xùn)的過(guò)程更

8、加困難，尤其是識(shí)別率大大下降。
　　本文將給出一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的手識(shí)別寫聯(lián)機(jī)系統(tǒng)。與傳統(tǒng)的單一神經(jīng)網(wǎng)絡(luò)不同的，新的網(wǎng)絡(luò)包括一組具有高識(shí)別率、并行工作的卷積神經(jīng)網(wǎng)絡(luò)。每一個(gè)單元神經(jīng)網(wǎng)絡(luò)只擔(dān)任在大組數(shù)據(jù)的識(shí)別一部分。但是，各網(wǎng)絡(luò)通過(guò)該算法結(jié)合起來(lái)時(shí)可以會(huì)通過(guò)添加或刪除的人工神經(jīng)網(wǎng)絡(luò)和使用語(yǔ)言詞典造出靈活性的一層。
　　手寫識(shí)別仍是懸而未決的問(wèn)題。第一個(gè)問(wèn)題是在許多不同的寫字風(fēng)格很難進(jìn)行手寫識(shí)別。在寫字時(shí)，我們有打印和手寫的兩

9、種筆跡。如果打印的話，這個(gè)問(wèn)題變得簡(jiǎn)單，所以我們可以很容易地編寫電腦識(shí)別這種筆跡，但字跡變得更加復(fù)雜。我們每個(gè)人都有不同的書寫，沒(méi)有兩個(gè)人是一樣的。手寫幾乎就像指紋，每個(gè)人都有一個(gè)特征的。其結(jié)果，越模糊字母之間的邊界中，手寫識(shí)別已難的，識(shí)別固體手寫更難。另一個(gè)問(wèn)題是詞匯，詞匯也是決定書寫的一個(gè)主要因素。詞匯的使用會(huì)幫助我們判斷識(shí)別的結(jié)果。使用小詞匯詞典會(huì)有一如下好處：
　　1.詞匯的尺寸小意味著因有多義詞會(huì)少見難確定的案件。

10、>　　2.詞匯的尺寸小允許單個(gè)字母模型化，與此同時(shí)如果大量的詞匯將在計(jì)算增加復(fù)雜性。
　　3.使用大的詞匯會(huì)導(dǎo)致增加的處理節(jié)點(diǎn)，從而造出處理信息的復(fù)雜性。
　　但是如果大量的詞匯，詞匯超越現(xiàn)象出現(xiàn)更少。
　　為了能夠手寫識(shí)別，首先我們要處理的輸入信息。人工智能和人工神經(jīng)網(wǎng)絡(luò)雖然有處理信息的能力類似人類，但是一切都必須依靠算法。因此，我們必須幫助電腦找到需要識(shí)別的字母。這種技術(shù)被稱為邊界確定技術(shù)。首先我們從左至右，從上到

11、下，以確定是否字母的第一個(gè)點(diǎn)的位置。然后，我們分別尋找其他點(diǎn)，直到一個(gè)字的結(jié)尾。因此，我們會(huì)發(fā)現(xiàn)輸入數(shù)據(jù)已處理。
　　在得到輸入數(shù)據(jù)之時(shí)，下一步，將該數(shù)據(jù)進(jìn)行處理以便造出所希望的結(jié)果。提出的各種解決方案就是以許多較小的網(wǎng)絡(luò)但具有高識(shí)別率進(jìn)行構(gòu)造復(fù)雜的神經(jīng)網(wǎng)絡(luò)以便設(shè)置其自己的輸出。每個(gè)輸出的網(wǎng)絡(luò)成分“未確認(rèn)”，使識(shí)別其結(jié)果無(wú)法被識(shí)別的過(guò)程。從一組輸入數(shù)據(jù)，通過(guò)預(yù)處理步驟，以分成單獨(dú)的字母。然后將樣品施加到所有神經(jīng)網(wǎng)絡(luò)成分的輸入，其中