本文探讨了bp神经网络在字符识别中的应用，通过增设输入层与输出层之间的隐含层，尤其是将1层隐含层拆分为3层，并调整各层节点数，以增加训练通道和次数。实验表明，节点数目的调整能影响识别率，例如，隐含层各层32个节点时识别率为60.1576%，而48个节点时为59.9375%。要达到最佳识别效果，需要针对不同字符试验最佳节点数，并增大样本训练集的规模。
一、bp神经网络结构
- bp神经网络一共设置为三层，分别是输入层，隐含层，输出层，在本次识别字符改进中，将1层隐含层又细分为3层隐含层，目的在于增加输入量到输出量的训练通道，增加训练次数。
当三层隐含层都设为32个节点时，识别率为60.1576%
当三层隐含层都设为48个节点时，识别率为59.9375%
Mat layerSizes = (Mat_<int>(1, 5)
<< image_rows*image_cols, 48, 48, 48, class_mun);
- 总结发现，通过改变隐含层的节点数目可以提高字符的识别率，每种字符的最佳节点数目都是不同的，需要不断尝试找到最佳节点数目。同时，增加样本训练集的数目也是提高字符识别率之一。
扫一扫
2062
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
