手写数字识别的神经网络算法设计与实现预习报告

一、实验目的

        通过学习BP神经网络技术，对手写数字进行识别，基于结构的识别法及模板匹配法来提高识别率。

二、实验器材

        PC机     matlab软件

三、实验内容

       按照BP神经网络设计方法选用两层BP网络，构造训练样本集，并构成训练所需的输入矢量和目标向量，通过画图工具，获得数字原始图像，截取图像像素为0的最大矩形区域，经过集合变换，变成16*16的二值图像，再进行反色处理，其图像数据特征提取为神经网络的输入向量。通过实验证实，BP神经网络应用于手写数字识别具有较高的识别率和可靠性。

四、实验原理

       人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

        BP算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。

       BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。

五、实验步骤

       1、首先对手写数字图像进行预处理,包括二值化、去噪、倾斜校正、归一化和特征提取,生成BP神经网络的输入向量m和目标向量target. 其中m选取40×10的矩阵,第1列到第10列代表0～9的数字.target为9×10的单位矩阵,每个数字在其所排顺序位置输出1,其他位置输出0.

       2、然后神经网络的训练过程是识别字符的基础，直接关系到识别率的高低。输送训练样本至BP神经网络训练, 在梯度方向上反复调整权值使网络平方和误差最小。学习方法采用最速下降方法，输入结点数为16*16=256，隐层传输函数为sigmoid函数(logsig)，一个输出结点，输出传输函数为pureline(purelin),隐层结点数为sqrt(256+1)+a(a=1~10),取为25。训练完毕, 把待识别数字送BP神经网络中进行仿真测试。

       分析运行结果

六、实验具体过程

            1. 构造训练样本集。也构成训练输入样本和目标矢量。通过画图工具，获得数字0~9的图像：（0，10，20，30，40，50 ，60，70，80，90）.bmp中存放0的不同写法，（1，11，21，31，41，51