基于離散Hopfield神經(jīng)網(wǎng)絡(luò)的數(shù)字模式識(shí)別

任東紅　林鵬　袁清萍

[摘 要] 離散Hopfield神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶功能，可以較好地應(yīng)用在模式識(shí)別問題中，因此針對常見的數(shù)字識(shí)別問題，建立Hopfield神經(jīng)網(wǎng)絡(luò)識(shí)別模型。模型輸出的穩(wěn)定點(diǎn)為0-9個(gè)10*10的數(shù)字矩陣，通過向模型輸入帶有隨機(jī)噪聲的數(shù)字對模型進(jìn)行測試，測試結(jié)果顯示，模型能夠準(zhǔn)確識(shí)別帶有一定隨機(jī)噪聲的數(shù)字，具有一定的應(yīng)用性。

[關(guān) 鍵 詞] 離散Hopfield網(wǎng)絡(luò)；數(shù)字識(shí)別；噪聲；測試

[中圖分類號] TP183 [文獻(xiàn)標(biāo)志碼] A [文章編號] 2096-0603（2018）14-0062-01

數(shù)字識(shí)別在現(xiàn)代科學(xué)發(fā)展中有著重要的意義。特別是在車輛牌照的自動(dòng)識(shí)別、表格數(shù)字的識(shí)別、證件數(shù)字的掃描識(shí)別中有廣泛的應(yīng)用。當(dāng)由于人為或者自然因素導(dǎo)致數(shù)據(jù)缺損或變形時(shí)，將會(huì)對數(shù)字提取帶來一定的困難，對技術(shù)要求也較高，此時(shí)需要采用智能的提取方法去除干擾。當(dāng)前數(shù)字識(shí)別常用的方法是首先把所需識(shí)別的數(shù)字從圖像中提取出來，再把多個(gè)數(shù)字組成的數(shù)字串分解成單個(gè)字符，最后利用分類器進(jìn)行識(shí)別[1]。根據(jù)人工神經(jīng)網(wǎng)絡(luò)方法設(shè)計(jì)的分類方法是人工智能分類方法的一種，其具有高度識(shí)別的功能，能夠識(shí)別字符較集中的字符串，識(shí)別誤差較小，應(yīng)用較廣。Hopfield神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶功能，能夠在干擾的情況下對數(shù)字進(jìn)行準(zhǔn)確的識(shí)別，因此被廣泛應(yīng)用于圖像識(shí)別、語聲處理、信號處理、數(shù)據(jù)查詢、模式分類等[2][3]。

一、離散Hopfield網(wǎng)絡(luò)模型

離散Hopfield神經(jīng)網(wǎng)絡(luò)第0層并不是真正的神經(jīng)元，其無計(jì)算功能僅僅作為網(wǎng)絡(luò)的輸入層。神經(jīng)網(wǎng)絡(luò)中第1層的神經(jīng)元具有對信息進(jìn)行計(jì)算處理的功能，是真正的神經(jīng)元，其首先對輸入層神經(jīng)元信息進(jìn)行加權(quán)求和，然后再經(jīng)過神經(jīng)元的作用函數(shù)處理產(chǎn)生輸出。

離散Hopfield網(wǎng)絡(luò)輸出端信息反饋到輸入端，因此是一種典型的反饋神經(jīng)網(wǎng)絡(luò)；當(dāng)給定神經(jīng)網(wǎng)絡(luò)輸入值后，Hopfield神經(jīng)網(wǎng)絡(luò)產(chǎn)生輸出信息，輸出信息會(huì)反饋到輸入端，經(jīng)過處理，得到新的輸出，信息處理過程將一直進(jìn)行下去，直到輸出信息不再變化，即系統(tǒng)達(dá)到穩(wěn)定，此時(shí)Hopfield網(wǎng)絡(luò)就會(huì)輸出一個(gè)穩(wěn)定的恒值。對于建立一個(gè)Hopfield網(wǎng)絡(luò)來說，關(guān)鍵是在于確定它在穩(wěn)定條件下的權(quán)系數(shù)。

二、數(shù)字識(shí)別模型建立

離散Hopfield神經(jīng)網(wǎng)絡(luò)模型的確立，最重要的是要找到輸出穩(wěn)定時(shí)的網(wǎng)絡(luò)權(quán)值。其具體過程如下：

神經(jīng)網(wǎng)絡(luò)模型為離散的Hopfield神經(jīng)網(wǎng)絡(luò)，其輸出狀態(tài)是所有輸出神經(jīng)元輸出信息的集合。

按照動(dòng)力學(xué)方式，神經(jīng)元將不斷演變其狀態(tài)，從初始的距離目標(biāo)較遠(yuǎn)，一步步接近目標(biāo)，即按照“能量”的減小方向迭代，直到達(dá)到穩(wěn)定的狀態(tài)，此時(shí)的穩(wěn)定狀態(tài)即為神經(jīng)網(wǎng)絡(luò)的期望輸出。

三、Hopfield神經(jīng)網(wǎng)絡(luò)數(shù)字模式識(shí)別

文中將利用離散Hopfield神經(jīng)網(wǎng)絡(luò)的特質(zhì)，識(shí)別帶有隨機(jī)噪聲的0，1，2，3，4，5，6，7，8，9十個(gè)數(shù)字。假設(shè)網(wǎng)絡(luò)由0～9這10個(gè)數(shù)字穩(wěn)態(tài)構(gòu)成，每個(gè)穩(wěn)態(tài)用10*10的矩陣表示，網(wǎng)絡(luò)對這10個(gè)數(shù)字的穩(wěn)態(tài)具有聯(lián)想記憶的功能，當(dāng)帶噪聲的數(shù)字出現(xiàn)時(shí)，可以通過實(shí)驗(yàn)測試網(wǎng)絡(luò)模型的識(shí)別功能。文中選用噪聲的方法是通過編寫MATLAB程序?qū)?shù)字1，2，3產(chǎn)生隨機(jī)噪聲，查看當(dāng)噪聲點(diǎn)數(shù)不同時(shí)網(wǎng)絡(luò)的識(shí)別能力[4]。

實(shí)驗(yàn)采用MATLAB工具箱自帶的Hopfield函數(shù)建立基本的模型。噪聲點(diǎn)數(shù)為20%時(shí)，結(jié)果顯示模型具有一定的數(shù)字識(shí)別能力，可以較準(zhǔn)確地識(shí)別帶噪聲的數(shù)字，識(shí)別率達(dá)到80%。下圖顯示的是當(dāng)噪聲點(diǎn)數(shù)達(dá)到40%時(shí)的測試結(jié)果，從結(jié)果可以看出Hopfield神經(jīng)網(wǎng)絡(luò)模型此時(shí)基本無法準(zhǔn)確去除噪聲，對數(shù)字的識(shí)別能力較差。

四、結(jié)論

離散Hopfield神經(jīng)網(wǎng)絡(luò)具有一定的聯(lián)想記憶功能，優(yōu)勢明顯，可應(yīng)用于數(shù)字識(shí)別系統(tǒng)中。文中根據(jù)離散Hopfield神經(jīng)網(wǎng)絡(luò)獨(dú)有的優(yōu)勢構(gòu)建數(shù)字識(shí)別模型，識(shí)別帶有隨機(jī)噪聲的0～9十個(gè)數(shù)字。實(shí)驗(yàn)結(jié)果顯示，模型識(shí)別帶有20%以下隨機(jī)噪聲點(diǎn)時(shí)，模型具有較強(qiáng)的數(shù)字識(shí)別能力，但是隨著噪聲的增加，識(shí)別能力減弱。當(dāng)識(shí)別帶有40%以上的噪聲點(diǎn)時(shí)，模型已無法準(zhǔn)確識(shí)別數(shù)字，此時(shí)模型已經(jīng)失效。因此，對噪聲較高的數(shù)字識(shí)別問題將是后期研究的重點(diǎn)問題。

參考文獻(xiàn)：

[1]張偉，王克儉，秦臻.基于神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別的研究[J].微電子學(xué)與計(jì)算機(jī)，2006，23（8）：206-208.

[2]喬俊飛，李榮，韓紅桂.基于貢獻(xiàn)率的離散Hopfied結(jié)構(gòu)優(yōu)化[J].控制與決策，2015，30（11）.

[3]賈花萍.Hopfield神經(jīng)網(wǎng)絡(luò)在車牌照字符識(shí)別中的應(yīng)用[J].計(jì)算機(jī)與數(shù)字工程，2012，40（4）：85-87.

[4]王小川.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京航空航天大學(xué)出版社，2013：74-82.