基于BP网络手写数字识别系统的VC++实现

论文摘要

模式识别属于当代高科技研究的重要领域,已经发展为一门独立的新学科。模式识别技术迅速发展,几乎遍及各个学科,广泛应用于人工智能、机器人、系统控制、遥感数据分析、生物医学工程、军事目标识别等领域,在国民经济、国防建设和社会发展等方面得到广泛应用,产生了深远影响。一般习惯将单隐层感知器称为三层感知器,所谓三层包括了输入层、隐层和输出层。本人采用这种三层感知器的BP网络。多层感知器训练后将所提取的样本对中的非线性映射关系存储在权值矩阵中,在其后的工作阶段,当向网络输入训练时未曾见过的非样本数据时,网络也能完成由输入空间向输出空间的正确映射。多层感知器的魅力还在于,允许输入样本中带有较大的误差甚至个别错误。因为对权矩阵的调整过程也是从大量的样本队中提取统计特性的过程,反映正确规律的知识来自全体样本,个别样本中的误差不能左右对权矩阵的调整。本人引入陡度因子,使其输出退出变换函数的饱和区,就可以改变误差函数的形状,从而使调整脱离平坦区。应用结果表明该方法对于提高BP算法的收敛速度十分有效。目前这套系统的识别率非常高,系统运行很稳定。

论文目录

• 提要
• 第1章 绪论
• 1.1 人工神经网络概述
• 1.1.1 人脑与计算机信息处理能力的比较
• 1.1.2 人脑与计算机信息处理机制的比较
• 1.1.3 什么是人工神经网络
• 1.2 神经网络的基本特点与功能
• 1.2.1 神经网络的基本特点
• 1.2.2 神经网络的基本功能
• 1.3 论文主要研究内容
• 第2章 本文所使用的关键技术
• 2.1 人工神经元模型
• 2.1.1 神经元的建模
• 2.1.2 神经元的数学模型
• 2.1.3 神经元的变换函数
• 2.2 人工神经网络模型
• 2.2.1 网络拓补结构类型
• 2.2.2 网络信息流向类型
• 2.3 神经网络学习
• 2.3.1 连续感知器学习规则
• 2.3.2 最小均方学习规则
• 2.3.3 相关学习规则
• 2.3.4 外星学习规则
• 第3章 基于BP网络手写数字识别系统的架构设计
• 3.1 单层感知器
• 3.1.1 感知器模型
• 3.1.2 感知器的功能
• 3.1.3 感知器的学习算法
• 3.2 误差反传算法
• 3.2.1 基于BP算法的多层感知器模型
• 3.2.2 BP学习算法
• 3.2.3 BP算法的程序实现
• 3.2.4 多层感知器的主要能力
• 第4章 基于BP网络手写数字识别系统的关键技术与实现
• 4.1 模式识别的基本概念
• 4.2 图像识别
• 4.3 位图基础
• 4.3.1 数字图像的基本概念
• 4.3.2 BMP文件结构
• 4.3.3 Cdib类库的建立
• 4.4 神经网络分类器的具体实现
• 第5章 论文工作总结
• 参考文献
• 摘要
• Abstract
• 致谢