1 简介
阿拉伯数字作为唯一一种世界各国的通用符号，为每个国家每个地区的研究人员提供了发挥智慧的平台，使他们在数据的搜集以及处理等方面更加方便快捷，促进各国合作，进行更深刻的理论研究。并且，它在许多方面都有着广泛的实践作用，例 如: 统计数据的报告，金融方面的报表，对信封上邮编的识别，对车牌号码的精确识别等方面。先前不少学者已经对神经网络做了大量的研讨，BP 神经网络也因此而备受青睐。人们调查其系统实时性，研究其识别效果，更改其初始的权值以加快其收敛速度，探索最佳隐层节点数以提高网络，利用 BP网络的优势正确地识别数字。论文主要分析的是 BP( Back Propagation) 神经网络运用于数字识别中处理问题的能力效果。研究其训练网络所用参数，进行分析比对，选用最合适、效果最好的参数进行最终测试，通过 MATLAB 这个强大的实验平台，对实验过程进行真实仿造和还原，从而验证 BP 网络运用于数字识别的可行性与有效性。
数字识别数字识别是字符识别的一种，这里主要是运用BP 神经网络对 0，1，2，3，4，5，6，7，8，9 这十个阿拉伯数字进行精确的识别。数字识别通常都会分为好几个过程，以便按部就班地进行，减少差错和失误，而数字识别在神经网络中的进程大致分为数字输入、预处理、特征提取、模式匹配、判决、识别 6 个过程。
问题描述设计一个适当的 BP 神经网络，要求可以正确识别 10 个阿拉伯数字，当它们在受到一定的噪声干扰影响时，也可以较好地进行识别。
2 部分代码
clear allm=input('请输入测试样本(F:\MyMATLAB\sjwl\try\):'); I=strcat('.\try\',int2str(m),'.jpg');U=imread(I);imtool(U); %通过键盘输入添加试验样本load ET51net net; %加载以训练好的BP神经网络p=zeros(900,1); %建立输入样本的空矩阵p1=ones(30,30); %建立临时存放样本的30*30的矩阵I1=im2bw(U,0.3); %对输入图像进行二值化处理 采用全局阈值0.3[m,n]=find(I1==0); rowmin=min(m);rowmax=max(m);colummin=min(n);colummax=max(n);I2=I1(rowmin:rowmax,colummin:colummax); %截取是入图像中的数字部分rate=30/max(size(I2)); I3=imresize(I2,rate); %对输入文件变尺寸处理[i,j]=size(I3);row=round((30-i)/2); for hh=1:30 p((hh-1)*30+1:(hh-1)*30+30,1)=p1(hh,1:30); end %将处理的源样本输入供神经网络训练的样本 x=sim(net,p); %测试网络x=round(x); %输出网络识别结果
3 仿真结果
4 参考文献
[1]罗莉. BP神经网络数字识别的Matlab实现[J]. 电子技术与软件工程, 2019(20):2.
