[发明专利]一种基于模块神经网络SN9701矩阵列的手写体数字自动识别方法

说明书

技术领域  本发明涉及手写体数字自动识别系统，特别涉及一种基于模块神经网络SN9701矩阵列的手写体数字自动识别方法。

背景技术  手写体数字识别研究的对象是：如何利用电子计算机自动辨认人手写在纸张上的阿拉伯数字。手写体数字识别系统的应用领域主要包括：邮政编码、统计报表、财务报表、银行票据等等。这几年来我国开始大力推广的“三金”工程在很大程度上要依赖数据信息的输入，如果能通过手写数字识别技术实现信息的自动录入，无疑会促进这一事业的进展。因此，手写数字的识别研究有着重大的现实意义，一旦研究成功并投入应用，将产生巨大的社会和经济效益。

在实际应用中，对数字识别单字识别正确率的要求要比文字要苛刻得多。这是因为，数字没有上下文关系，每个单字的识别都事关重要，而且数字识别经常涉及的财会、金融领域其严格性更是不言而喻的。此外，目前一些常见的手写体数字的标准训练库如美国国家标准与技术局NIST数据库、美国邮政服务数据库(USPS)等都包含有大量的训练样本，大批量数据处理对系统学习速度又有相当的要求，许多理论上很完美但速度过低的方法是行不通的。因此，研究高性能的手写数字识别算法是一个挑战性的任务。

在过去的四十年中，人们想出了很多办法获取手写字符的关键特征。这些手段分两大类：全局分析和结构分析。对前者，可以使用模板匹配、象素密度、矩、特征点、数学变换等技术。这类的特征常常和统计分类方法一起使用。对后者，多半需要从字符的轮廓或骨架上提取字符形状的基本特征，包括：圈、端点、节点、弧、突起、凹陷、笔画等等，与这些结构特征配合使用的往往是句法的分类方法。多年的研究实践表明，对于完全没有限制的手写数字，几乎可以肯定：没有一种简单的方案能达到很高的识别率和识别精度。因此，最近这方面的努力向着更为成熟、复杂、综合的方向发展。一方面，研究工作者努力把新的方法运用到预处理，特征提取当中，而另一方面，研究工作者努力设计新型高效的分类器，来对数字字符的十个类别进行分类。本发明正是针对后者设计的。

作为模式识别中一种非常重要的分类器，神经网络技术由于其高精度、并行性、自学习、自适应等特性已经被广泛应用于手写体数字识别系统。当神经网络面对的是大规模训练样本集时，受到硬件发展的限制，它的学习速度和推广能力往往不能令人满意。解决此问题的一个重要途径就是将问题“分而治之”，许多学者已经提出了基于各种任务分解方法的模块神经网络模型来解决复杂分类问题。模块神经网络将一个复杂任务分解成较简单的一系列子任务，每个子任务用一个神经网络(子模块)来完成加工，完成子任务合作进行的次序不一定是串行的，而可能是串行并行兼有之。因此，模块神经网络比单个神经网络有更快的学习速度，而且系统中单个网络的规模也不会很大。One-against-others[N.J.Nilsson，Learning Machines：Foundations of Trainable Pattern-Classifying Systems.New York：McGraw-Hill，1965]是标准的K类问题的任务分解方法，它将一个K类问题分解为K个比原分类任务简单的两类子任务，每个子任务复杂将某个类别同其它所有K-1个类别区分开。因此，需要设计K个两类分类器，分别为f₁，...，f_K，每个分类器的输出都是一个范围[0，1]内的一维值。对于一个新样本，计算所有分类器f₁，...，f_K对该样本的输出值，输出值最高的分类器序号就是整个模块神经网络对该样本的分类类别号。此模块神经网络能够取得比单个神经网络好的分类和泛化能力。