基于小波和BP神经网络的手写体数字识别方法

论文摘要

本文介绍了小波分析与神经网络的基础知识,阐述了手写体数字识别技术的基本原理,针对传统的手写体数字识别技术的存在的局限性,本文提出了基于Q-shitf小波和改进BP神经网络的手写体数字识别方法。在图像识别前,采用Q-shitf复小波和HGM模型对图像进行去噪处理。此外,针对经典BP算法收敛速度慢、易陷入局部极小等缺点和不足,本文修正了神经网络的输出层和隐含层、隐含层和输入层连接权值矩阵,加入了动量项,并调整了计算误差函数。利用小波较强的去噪功能以及改进后BP神经网络学习速度快等优点来解决手写体数字识别的问题。最后,应用MATLAB软件对经典BP神经网络算法及其改进BP神经网络算法进行了编程和仿真模拟实验对比,实验的结果表明,这些方法的使用对于BP算法的收敛性和易于陷入局部极小等缺陷有了很大程序的改善。同时,将改进的BP神经网络算法应用于手写体数字识别中,与传统的方法相比,该方法的识别正确率有了较大程度的提高。

论文目录

• 内容提要
• 第1章 绪论
• 1.1 概述
• 1.2 研究目的及意义
• 1.3 本文的主要工作
• 第2章 神经网络的基本原理
• 2.1 神经网络介绍
• 2.2 神经网络模型
• 2.2.1 生物神经元模型
• 2.2.2 人工神经元模型
• 2.3 神经网络的互连模式
• 2.4 神经网络的结构描述
• 2.5 神经网络的分类方式
• 2.6 神经网络的主要特征
• 2.7 神经网络的学习方式
• 2.8 本章小结
• 第3章 小波变换及其在图像处理中的应用
• 3.1 小波变换的理论基础
• 3.1.1 小波变换的基本概念
• 3.1.2 多分辨率分析
• 3.2 一维小波变换
• 3.3 快速小波变换算法
• 3.4 二维离散小波变换
• 3.5 小波分析在图像处理中的应用
• 3.6 本章小结
• 第4章 基于小波与BP 神经网络的手写体数字识别方法
• 4.1 手写体数字识别的传统方法
• 4.2 小波变换的图像降噪方法
• 4.2.1 小波降噪的基本原理
• 4.2.2 基于Q-shift 复小波和HGM 的图像降噪算法
• 4.3 BP 神经网络算法的改进
• 4.3.1 标准BP 神经网络算法
• 4.3.2 改进BP 神经网络算法
• 4.4 实验仿真
• 4.4.1 BP 神经网络算法对比
• 4.4.2 手写数字识别仿真实验
• 4.4.3 实验结果分析
• 4.5 本章小结
• 第5章 总结与展望
• 参考文献
• 致谢
• 摘要
• ABSTRACT