BP神經網絡探析脫機手寫漢字識別

余聶芳

摘 要：神經網絡是一種新型的信息處理模型，通過對生物神經系統的模擬，憑借自適應學習以及自動處理等功能，可達到預期目的。脫機手寫漢字識別難度較大，為提高識別速度和精確度，采用了建立在反向傳播法基礎上的神經網絡模型，對脫機手寫漢字進行識別。以小字符集漢字識別為例，針對反向傳播法中存在的缺陷，如收斂速度過慢，易陷入局部最小點等，對其算法進行了改進，取得了較好的效果。

關鍵詞：BP神經網絡 BP算法改進 脫機手寫漢字識別 誤差函數

中圖分類號：TP183 文獻標識碼：A 文章編號：1674-098X（2014）01（b）-0047-01

漢字識別有兩種，一種是印刷體漢字，因比較規范，容易識別；第二種是手寫漢字，分聯機手寫和脫機手寫兩類，前者準確率較高，后者則偏低，是當前的研究重點。作為模式識別的重要組成部分，漢字識別技術應用廣泛，但由于涉及圖像處理、人工智能、計算機、數字信號處理等多種技術，加上漢字的復雜繁多，使得漢字識別存在著很大困難，如尤其是相似字，使得識別更為困難，如“裸”和“祼”、“壺”和“壸”、“禪”和“褝”等，極易出現錯誤。

1 神經網絡和BP神經網絡

1.1 神經網絡

神經網絡是在現代神經科研成果的基礎上提出并發展起來的，通過對生物大腦神經的模擬建立的一種信息處理系統，由許多簡單元件連接構成，具有非線性和容錯性，從能力特征來講，具有自適應和自組織性。其優勢主要體現在：能夠模仿人腦進行聯想記憶；對存儲的信息進行分類識別；能夠自動總結歸納經驗。在長期的實踐發展中，神經網絡技術不斷完善，在語音處理、機器人研究、模式識別等諸多領域都有廣泛應用。

1.2 BP神經網絡

用于文字識別的神經網絡模型有很多，BP神經網絡是其中較為常用的一種，該網絡模型是以BP算法（即反向傳播算法）為基礎的，除了函數逼近功能，還具有良好的機器學習能力。

BP神經網絡屬于多層前向網絡，能夠進行反向傳遞、修正誤差，通過結構和權值將頗為復雜的非線性映射關系表達出來。多由輸入層、輸出層以及隱含層組成，每層都有若干神經元，前向網絡是指其計算過程呈單向型，即由輸入層到中間層，再到輸出層。

BP算法有兩個階段，一是正向傳播，二是反向傳播，在第一個階段，將信號輸進系統的輸入層，由其內部神經元進行處理，主要是加權求和、激勵函數等，而后傳遞到中間層（即隱含層），在經過內部逐層處理，傳到輸出層，將實際的輸出值和預期值相比，若超過了規定的誤差范圍，就開始反向傳播，把誤差值從輸出層輸入，向中間層和輸入層傳遞，求得每層內各單元的誤差，將相應的權值進行修改，經不斷的調整，直至誤差值符合要求。

2 BP網絡神經在小字符集漢字識別中的實際應用

2.1 缺陷

（1）站在數學的角度看，BP網絡神經所使用的梯度下降法屬于非線性優化算法的一種，以至于局部極小值大的問題很難得到解決，在實際計算中，BP算法能夠將網絡權值進行收斂，但收斂值為局部極小解的可能性較大，是否是全局的最小解則沒有可靠的保證。若解決的問題比較復雜，很容易致使誤差函數陷入局部的極小區域。

（3）中間層的結點

在確定訓練集之后，輸入層和輸出層的結點數目也相應的確定下來，然而中間層及選取層內結點時，缺乏足夠的理論作指導，中間層的結點數直接影響著網絡的學習效率和復雜程度，因此，在選取中間層變得結點時，也應做一定的改進，積極建立相關的指導理論。

3 結語

針對脫機手寫漢字識別技術存在的難度，可運用BP神經網絡技術，而實際應用中，收斂速度過慢以及局部最小點問題對BP神經網絡技術影響較大，為此，需從初始權值的選取、激勵函數、誤差函數等方面對其算法加以改進，以達到提升脫機手寫漢字識別速度和精確度的目的。

參考文獻

[1] 張中.漢字識別技術綜述[J].語言文學應用，2007，26（22）：77一86.

[2] 余華，曹亮，李啟元.BP神經網絡算法的改進及其在手寫體漢字識別中的應用[J].江西師范大學學報，2009，33（5）：598-603.endprint

摘 要：神經網絡是一種新型的信息處理模型，通過對生物神經系統的模擬，憑借自適應學習以及自動處理等功能，可達到預期目的。脫機手寫漢字識別難度較大，為提高識別速度和精確度，采用了建立在反向傳播法基礎上的神經網絡模型，對脫機手寫漢字進行識別。以小字符集漢字識別為例，針對反向傳播法中存在的缺陷，如收斂速度過慢，易陷入局部最小點等，對其算法進行了改進，取得了較好的效果。

關鍵詞：BP神經網絡 BP算法改進 脫機手寫漢字識別 誤差函數

中圖分類號：TP183 文獻標識碼：A 文章編號：1674-098X（2014）01（b）-0047-01

漢字識別有兩種，一種是印刷體漢字，因比較規范，容易識別；第二種是手寫漢字，分聯機手寫和脫機手寫兩類，前者準確率較高，后者則偏低，是當前的研究重點。作為模式識別的重要組成部分，漢字識別技術應用廣泛，但由于涉及圖像處理、人工智能、計算機、數字信號處理等多種技術，加上漢字的復雜繁多，使得漢字識別存在著很大困難，如尤其是相似字，使得識別更為困難，如“裸”和“祼”、“壺”和“壸”、“禪”和“褝”等，極易出現錯誤。

1 神經網絡和BP神經網絡

1.1 神經網絡

神經網絡是在現代神經科研成果的基礎上提出并發展起來的，通過對生物大腦神經的模擬建立的一種信息處理系統，由許多簡單元件連接構成，具有非線性和容錯性，從能力特征來講，具有自適應和自組織性。其優勢主要體現在：能夠模仿人腦進行聯想記憶；對存儲的信息進行分類識別；能夠自動總結歸納經驗。在長期的實踐發展中，神經網絡技術不斷完善，在語音處理、機器人研究、模式識別等諸多領域都有廣泛應用。

1.2 BP神經網絡

用于文字識別的神經網絡模型有很多，BP神經網絡是其中較為常用的一種，該網絡模型是以BP算法（即反向傳播算法）為基礎的，除了函數逼近功能，還具有良好的機器學習能力。

BP神經網絡屬于多層前向網絡，能夠進行反向傳遞、修正誤差，通過結構和權值將頗為復雜的非線性映射關系表達出來。多由輸入層、輸出層以及隱含層組成，每層都有若干神經元，前向網絡是指其計算過程呈單向型，即由輸入層到中間層，再到輸出層。

BP算法有兩個階段，一是正向傳播，二是反向傳播，在第一個階段，將信號輸進系統的輸入層，由其內部神經元進行處理，主要是加權求和、激勵函數等，而后傳遞到中間層（即隱含層），在經過內部逐層處理，傳到輸出層，將實際的輸出值和預期值相比，若超過了規定的誤差范圍，就開始反向傳播，把誤差值從輸出層輸入，向中間層和輸入層傳遞，求得每層內各單元的誤差，將相應的權值進行修改，經不斷的調整，直至誤差值符合要求。

2 BP網絡神經在小字符集漢字識別中的實際應用

2.1 缺陷

（1）站在數學的角度看，BP網絡神經所使用的梯度下降法屬于非線性優化算法的一種，以至于局部極小值大的問題很難得到解決，在實際計算中，BP算法能夠將網絡權值進行收斂，但收斂值為局部極小解的可能性較大，是否是全局的最小解則沒有可靠的保證。若解決的問題比較復雜，很容易致使誤差函數陷入局部的極小區域。

（3）中間層的結點

在確定訓練集之后，輸入層和輸出層的結點數目也相應的確定下來，然而中間層及選取層內結點時，缺乏足夠的理論作指導，中間層的結點數直接影響著網絡的學習效率和復雜程度，因此，在選取中間層變得結點時，也應做一定的改進，積極建立相關的指導理論。

3 結語

針對脫機手寫漢字識別技術存在的難度，可運用BP神經網絡技術，而實際應用中，收斂速度過慢以及局部最小點問題對BP神經網絡技術影響較大，為此，需從初始權值的選取、激勵函數、誤差函數等方面對其算法加以改進，以達到提升脫機手寫漢字識別速度和精確度的目的。

參考文獻

[1] 張中.漢字識別技術綜述[J].語言文學應用，2007，26（22）：77一86.

[2] 余華，曹亮，李啟元.BP神經網絡算法的改進及其在手寫體漢字識別中的應用[J].江西師范大學學報，2009，33（5）：598-603.endprint

摘 要：神經網絡是一種新型的信息處理模型，通過對生物神經系統的模擬，憑借自適應學習以及自動處理等功能，可達到預期目的。脫機手寫漢字識別難度較大，為提高識別速度和精確度，采用了建立在反向傳播法基礎上的神經網絡模型，對脫機手寫漢字進行識別。以小字符集漢字識別為例，針對反向傳播法中存在的缺陷，如收斂速度過慢，易陷入局部最小點等，對其算法進行了改進，取得了較好的效果。

關鍵詞：BP神經網絡 BP算法改進 脫機手寫漢字識別 誤差函數

中圖分類號：TP183 文獻標識碼：A 文章編號：1674-098X（2014）01（b）-0047-01

漢字識別有兩種，一種是印刷體漢字，因比較規范，容易識別；第二種是手寫漢字，分聯機手寫和脫機手寫兩類，前者準確率較高，后者則偏低，是當前的研究重點。作為模式識別的重要組成部分，漢字識別技術應用廣泛，但由于涉及圖像處理、人工智能、計算機、數字信號處理等多種技術，加上漢字的復雜繁多，使得漢字識別存在著很大困難，如尤其是相似字，使得識別更為困難，如“裸”和“祼”、“壺”和“壸”、“禪”和“褝”等，極易出現錯誤。

1 神經網絡和BP神經網絡

1.1 神經網絡

神經網絡是在現代神經科研成果的基礎上提出并發展起來的，通過對生物大腦神經的模擬建立的一種信息處理系統，由許多簡單元件連接構成，具有非線性和容錯性，從能力特征來講，具有自適應和自組織性。其優勢主要體現在：能夠模仿人腦進行聯想記憶；對存儲的信息進行分類識別；能夠自動總結歸納經驗。在長期的實踐發展中，神經網絡技術不斷完善，在語音處理、機器人研究、模式識別等諸多領域都有廣泛應用。

1.2 BP神經網絡

用于文字識別的神經網絡模型有很多，BP神經網絡是其中較為常用的一種，該網絡模型是以BP算法（即反向傳播算法）為基礎的，除了函數逼近功能，還具有良好的機器學習能力。

BP神經網絡屬于多層前向網絡，能夠進行反向傳遞、修正誤差，通過結構和權值將頗為復雜的非線性映射關系表達出來。多由輸入層、輸出層以及隱含層組成，每層都有若干神經元，前向網絡是指其計算過程呈單向型，即由輸入層到中間層，再到輸出層。

BP算法有兩個階段，一是正向傳播，二是反向傳播，在第一個階段，將信號輸進系統的輸入層，由其內部神經元進行處理，主要是加權求和、激勵函數等，而后傳遞到中間層（即隱含層），在經過內部逐層處理，傳到輸出層，將實際的輸出值和預期值相比，若超過了規定的誤差范圍，就開始反向傳播，把誤差值從輸出層輸入，向中間層和輸入層傳遞，求得每層內各單元的誤差，將相應的權值進行修改，經不斷的調整，直至誤差值符合要求。

2 BP網絡神經在小字符集漢字識別中的實際應用

2.1 缺陷

（1）站在數學的角度看，BP網絡神經所使用的梯度下降法屬于非線性優化算法的一種，以至于局部極小值大的問題很難得到解決，在實際計算中，BP算法能夠將網絡權值進行收斂，但收斂值為局部極小解的可能性較大，是否是全局的最小解則沒有可靠的保證。若解決的問題比較復雜，很容易致使誤差函數陷入局部的極小區域。

（3）中間層的結點

在確定訓練集之后，輸入層和輸出層的結點數目也相應的確定下來，然而中間層及選取層內結點時，缺乏足夠的理論作指導，中間層的結點數直接影響著網絡的學習效率和復雜程度，因此，在選取中間層變得結點時，也應做一定的改進，積極建立相關的指導理論。

3 結語

針對脫機手寫漢字識別技術存在的難度，可運用BP神經網絡技術，而實際應用中，收斂速度過慢以及局部最小點問題對BP神經網絡技術影響較大，為此，需從初始權值的選取、激勵函數、誤差函數等方面對其算法加以改進，以達到提升脫機手寫漢字識別速度和精確度的目的。

參考文獻

[1] 張中.漢字識別技術綜述[J].語言文學應用，2007，26（22）：77一86.

[2] 余華，曹亮，李啟元.BP神經網絡算法的改進及其在手寫體漢字識別中的應用[J].江西師范大學學報，2009，33（5）：598-603.endprint