BP神經網絡在模式識別中應用BP神經網絡在模式識別中的運用第1頁BP神經網絡在數字識別中應用數字字符識別技術在大規模數據統計，郵件分揀，汽車牌照、支票、財務、稅務、金融等相關數字編號識別方面得到廣泛應用，所以成為多年來研究一個熱點。BP神經網絡含有良好容錯能力、強大分類能力、自適應和自學習等特點，備受人們重視，在字符識別領域得到了廣泛應用。BP神經網絡在模式識別中的運用第2頁車牌識別車牌識別系統中很大一部分是數字識別BP神經網絡在模式識別中的運用第3頁郵件自動分揀系統郵件自動分揀系統主要利用郵政編碼數字識別BP神經網絡在模式識別中的運用第4頁BP神經網絡基本原理BP神經網絡是一個經典前饋神經網絡屬于有監督式學習算法，其主要思想是:輸入學習樣本，使用反向傳輸算法對網絡權值和偏差進行重復調整訓練，使輸出向量與期望向量盡可能地靠近，當網絡輸出層誤差平方和小于指定誤差時訓練完成，保留網絡權值和偏差。BP神經網絡在模式識別中的運用第5頁BP神經網絡機構圖BP神經網絡在模式識別中的運用第6頁數字識別基本思想數字圖像預處理特征提取神經網絡識別識別結果BP神經網絡在模式識別中的運用第7頁特征提取在模式識別中，特征選擇是一個關鍵問題。將經過預處理后數字圖像中提取最能表達這個字符特點特征向量。在本系統中歸一化后圖像形成一個36×20布爾矩陣，依次取每列元素轉化為720×1列矩陣，即數字字符特征向量。提取出訓練樣本中特征向量代入BP網絡之中就能夠對網絡進行訓練，提取出待識別樣本中特征向量代入訓練好BP網絡中，就能夠對數字字符進行識別。BP神經網絡在模式識別中的運用第8頁本系統BP神經網絡結構輸入層與輸出神經元個數確實定神經網絡輸入層神經元個數等于特征向量維數，即20×36=720個輸入神經元。輸出層神經元個數確實定因為要識別0—9共10個數字，所以輸出選擇為10×1矩陣，即輸出節點數為10。當數字圖像0—9輸入神經網絡后在輸出神經元對應位置上為1，其它位置為0。輸人數字0，第1個輸出神經元為1，其它為0；輸入數字1，第2個輸出神經元為1，其它為0；以這類推.....BP神經網絡在模式識別中的運用第9頁隱含層神經元個數確實定普通情況下，隱含層神經元個數是依據網絡收斂性能好壞來確定，在總結大量網絡結構基礎上，得出經驗公式：s=sqr(0．43nm+0.12m+2.54n+0.77m+0.35+0.51)其中n為輸人層神經元個數720，m為輸出層神經元個數10，依據以上公式，能夠得出隱含層神經元個數為70。BP神經網絡在模式識別中的運用第10頁BP神經網絡訓練 第1步，設置變量和參數，其中包含訓練樣本、權值矩陣、學習速率。 第2步，初始化，給各個權值矩陣一個較小隨機非零向量。 第3步，輸入隨機樣本。 第4步，對輸入樣本，前向計算BP網絡每層神經元輸入信號和輸出信號。 第5步，由實際輸出和期望輸出求得誤差。判斷是否滿足要求，若滿足要求轉第8步；不滿足要求轉第6步。 第6步，判斷是否已經到了最大迭代次數。若到，轉第8步，不然反向計算每層神經元局部梯度。 第7步，依據局部梯度修正各個矩陣權值。 第8步，判斷是否學習完全部樣本，“是”則結束，不然轉第3步。BP神經網絡在模式識別中的運用第11頁 使用BP網絡來進行數字識別流程 首先，利用大量訓練樣原來訓練網絡，以得到文件形式保留權值。訓練樣本為精心選擇能夠很好反應樣本可分性已知數據。在系統中采取訓練樣本圖片格式。將訓練樣本圖片進行特征提取后，就能夠送入BP網絡進行訓練。 其次，訓練完BP網絡后，就能夠用它對待識別數據進行識別了。識別有先要經過圖像預處理、特征提取，最終送入BP網絡識別，直接得到結果。在訓練之前，程序要求輸入訓練參數，如訓練誤差、步長等。BP神經網絡在模式識別中的運用第12頁數字識別流程訓練樣本圖片特征提取圖像預處理待識別數據BP神經網絡識別結果識別訓練BP神經網絡在模式識別中的運用第13頁基于vc++實現數字識別系統BP神經網絡在模式識別中的運用第14頁BP神經網絡在模式識別中的運用第15頁測試：步驟一圖像預處理BP神經網絡在模式識別中的運用第1