Hopfield網(wǎng)絡(luò)對手寫體數(shù)字識別的改進方法

王曉娟,楊永昕（.四川外國語大學 重慶南方翻譯學院,重慶 400；. 中國兵器工業(yè)北方勘察設(shè)計研究院有限公司,石家莊 0500）

?

Hopfield網(wǎng)絡(luò)對手寫體數(shù)字識別的改進方法

王曉娟1,楊永昕2
（1.四川外國語大學 重慶南方翻譯學院,重慶 401120；2. 中國兵器工業(yè)北方勘察設(shè)計研究院有限公司,石家莊 050011）

摘 要：計算機的功能非常強大，在處理圖片方面也具有很好的性質(zhì)。手寫體圖片的研究，在考古等方面有著重要的作用。本文的手寫體圖片是經(jīng)多數(shù)人書寫，保證了樣本的差異性。在圖片識別處理時，選用了識別性能較強的離散Hopfield網(wǎng)絡(luò)，并針對Hopfield網(wǎng)絡(luò)的特點，對手寫體圖片的進行中心歸一化處理的改進，提高了識別效率。

關(guān)鍵詞：中心歸一化；Hopfield網(wǎng)絡(luò)；圖像識別

1 引言

神經(jīng)網(wǎng)絡(luò)是應用很廣的一門學科，是因為其有著自身的優(yōu)越性：神經(jīng)網(wǎng)絡(luò)是自適應的［1］，它能從數(shù)據(jù)中自動地學習到解決問題的知識。神經(jīng)網(wǎng)絡(luò)具有容錯性［2］，既能夠處理與訓練集中相同的數(shù)據(jù)，又能夠處理不完整的數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)能夠獲取系統(tǒng)中復雜輸入變量的相互關(guān)系。神經(jīng)網(wǎng)絡(luò)的識別方法可以看成是一種介于統(tǒng)計模式識別［3］與結(jié)構(gòu)模式識別［4］之間的方法，既具有統(tǒng)計模式識別的優(yōu)點，又吸收了結(jié)構(gòu)模式識別的長處。Hopfield神經(jīng)網(wǎng)絡(luò)的一個很重要的網(wǎng)絡(luò)，本文主要研究其在手寫體數(shù)字識別方面的作用。

2 離散Hopfield網(wǎng)絡(luò)

2.1 離散 Hopfield網(wǎng)絡(luò)的工作原理

Hopfield網(wǎng)絡(luò)是單層全反饋網(wǎng)絡(luò)［5］。根據(jù)激活函數(shù)的不同，可分為離散型Hopfield網(wǎng)絡(luò)和連續(xù)性Hopfield網(wǎng)絡(luò)。本文用的是離散型Hopfield網(wǎng)絡(luò)。它的激活函數(shù)為二值性函數(shù)，即ai=sgn（ni），i=1,2,…r。輸入輸出為｛0,1｝的網(wǎng)絡(luò)，主要用于聯(lián)想記憶。該網(wǎng)絡(luò)為單層全反饋網(wǎng)絡(luò)，所以每個神經(jīng)元的輸入和其他神經(jīng)元的輸出是相連的，所以，其輸入數(shù)目和神經(jīng)元的輸出數(shù)目是相等的。即輸入和輸出都有s個。

2.2 離散Hopfield網(wǎng)絡(luò)的海布學習規(guī)則［5］

在離散Hopfield網(wǎng)絡(luò)的訓練過程中，運用的是海布調(diào)節(jié)規(guī)則：當神經(jīng)元輸入與輸出節(jié)點的狀態(tài)相同（即同時興奮或抑制）時，從第j個神經(jīng)元到第i個神經(jīng)元之間的連接強度增強，否則減弱。海布規(guī)則是一種無指導的學習算法。

3 圖片處理過程以及識別結(jié)果

本文所用的手寫體都是在XP系統(tǒng)的畫板里面輸入的，且數(shù)字的像素是28×28，也就是說，每個手寫體數(shù)字都是一個28×28的矩陣。

3.1 圖片處理前

當我們不對圖片進行處理的時候，用離散Hopfield網(wǎng)絡(luò)，我們給出網(wǎng)絡(luò)對手寫體數(shù)字識別的正確情況。

表1 Hopfield網(wǎng)絡(luò)各個數(shù)字的識別正確率

從上表可以看出，識別結(jié)果并不理想。數(shù)字3、8、9不能被識別，2、3、0的識別正確率也只有20%。

3.2 圖片處理后

本文中，這些手寫體圖片都是在電腦XP系統(tǒng)的畫圖工具人為輸入的。圖像的大小都是28×28。由于輸入時，圖片在所輸入?yún)^(qū)域位置不一樣，圖片本身的大小也不一樣，而這對識別的結(jié)果的好壞有直接的影響。所以，本文就這兩方面做了改進。具體的做法是，先提取圖片數(shù)字的邊緣，即數(shù)字的最左、最右、最上、最下的邊界點，這樣我們就把圖片中有數(shù)字的區(qū)域提取了出來，之后把提取的部分擴大成我們定義的標準尺寸。然后將擴大后的圖片放在我們固定大小的模板上。這樣經(jīng)過處理后，圖片的數(shù)字都在一定區(qū)域內(nèi)。而且圖片并不失真。

對圖片進行中心歸一化后，我們用已經(jīng)訓練好的Hopfield網(wǎng)絡(luò)檢驗識別情況，識別結(jié)果若下表

表2 Hopfield網(wǎng)絡(luò)各個數(shù)字的識別正確率

4 結(jié)論

我們對比表1和表2，可以看出，對圖片進行歸一中心化處理后，識別的正確率明顯提高了，比未處理的圖片各個數(shù)字的正確率都有提高，達到了我們的預期效果。

參考文獻：

［1］蔡慧娟,范志宏.基于神經(jīng)網(wǎng)絡(luò)的自適應控制［J］.電子科學期刊，2008.

［2］張濤.人工神經(jīng)網(wǎng)絡(luò)容錯性分析與設(shè)計的理論和應用［D］.清華大學,1999.

［3］Chi Hau Chen,PeiGee Peter Ho. Statistical pattern recogni tion in remote sensing ［J］.Pattern Recognition,2008.

［4］譚建榮,岳小莉,陸國棟.圖形相似的基本原理、方法及其在結(jié)構(gòu)模式識別中的應用［J］.計算機學報,2002.

［5］從爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應用（3版）［M］.合肥：中國科學技術(shù)大學出版社,2003：118,160.

DOI：10.16640/j.cnki.37-1222/t.2016.12.118

作者簡介：王曉娟（1985-），女，河北張家口人，研究生，助教，研究方向：神經(jīng)網(wǎng)絡(luò)。