《Hopfield网络对手写体数字识别的改进方法.docx》由会员分享，可在线阅读，更多相关《Hopfield网络对手写体数字识别的改进方法.docx（3页珍藏版）》请在三一文库上搜索。
1、Hopfield网络对手写体数字识别的改进方法DOI：1 引言神经网络是应用很广的一门学科，是因为其有着自身的优越性：神经网络是自适应的1 ，它能从数据中自动地学习到解决问题的知识。神经网络具有容错性2 ，既能够处理与训练集中相同的数据，又能够处理不完整的数据。神经网络能够获取系统中复杂输入变量的相互关系。神经网络的识别方法可以看成是一种介于统计模式识别3 与结构模式识别 4 之间的方法，既具有统计模式识别的优点，又吸收了结构模式识别的长处。Hopfield神经网络的一个很重要的网络，本文主要研究其在手写体数字识别方面的作用。2 离散 Hopfield网络2.1离散 Hopfield网络的工作
2、原理Hopfield 网络是单层全反馈网络 5 。根据激活函数的不同，可分为离散型 Hopfield 网络和连续性 Hopfield 网络。本文用的是离散型 Hopfield 网络。它的激活函数为二值性函数，即ai=sgn （ ni ）， i=1 ，2， r 。输入输出为0 ， 1的网络，主要用于联想记忆。该网络为单层全反馈网络，所以每个神经元的输入和其他神经元的输出是相连的，所以，其输入数目和神经元的输出数目是相等的。即输入和输出都有 s 个。2.2离散 Hopfield网络的海布学习规则5在离散 Hopfield网络的训练过程中，运用的是海布调节规则：当神经元输入与输出节点的状态相同（即同
3、时兴奋或抑制）时，从第j 个神经元到第i 个神经元之间的连接强度增强，否则减弱。海布规则是一种无指导的学习算法。3 图片处理过程以及识别结果本文所用的手写体都是在 XP系统的画板里面输入的，且数字的像素是2828，也就是说， 每个手写体数字都是一个 2828 的矩阵。 3.1 图片处理前当我们不对图片进行处理的时候，用离散Hopfield网络，我们给出网络对手写体数字识别的正确情况。从上表可以看出，识别结果并不理想。数字3、8、9 不能被识别， 2、 3、0 的识别正确率也只有20%。3.2图片处理后本文中，这些手写体图片都是在电脑XP系统的画图工具人为输入的。图像的大小都是2828。由于输入
4、时，图片在所输入区域位置不一样，图片本身的大小也不一样，而这对识别的结果的好坏有直接的影响。所以，本文就这两方面做了改进。具体的做法是，先提取图片数字的边缘，即数字的最左、最右、最上、最下的边界点，这样我们就把图片中有数字的区域提取了出来，之后把提取的部分扩大成我们定义的标准尺寸。然后将扩大后的图片放在我们固定大小的模板上。这样经过处理后，图片的数字都在一定区域内。而且图片并不失真。对图片进行中心归一化后，我们用已经训练好的Hopfield网络检验识别情况，识别结果若下表4 结论我们对比表1 和表 2，可以看出，对图片进行归一中心化处理后，识别的正确率明显提高了，比未处理的图片各个数字的正确率都有提高，达到了我们的预期效果。