[发明专利]手写数字识别方法及装置

说明书

本申请提出手写数字识别方法。包括：A、确定神经网络的拓扑结构；获取神经网络的手写数字训练样本；根据设定的GWO算法的狼群规模N，随机产生N匹狼，每匹狼的位置对应神经网络模型的一组权值和阈值；B、对于每匹狼，从手写数字训练样本中依次选择训练样本，对该匹狼当前对应的神经网络模型进行训练；当每匹狼对应的本轮神经网络训练结束时，计算每匹狼对应的适应度；根据适应度最高的三匹狼的位置信息采用GWO算法更新其它狼的位置信息；C、判断是否满足GWO算法的结束条件，若是，将当前适应度最高的狼对应的BP神经网络模型作为最优神经网络起始模型继续进行训练；否则，返回步骤B。本申请提高了手写数字识别的准确度。

技术领域

本发明涉及数字识别技术领域，尤其涉及手写数字识别方法及装置。

背景技术

手写数字识别技术是一种可以让计算机自动辨识出手写的阿拉伯数字的技术。手写数字识别作为图像识别应用中的重要分支，在生产生活中发挥着越来越重要的作用，手写数字识别可以读取邮政编码信息、银行支票信息、账单、发票等各种单据信息。同时这种技术也可以轻而易举地应用到车牌识别、身份证号码识别等应用领域。

手写识别技术的主要难点在于：第一，某些数字型差不大，让机器区分这些数字存在难度；第二，手写数字虽然只有10种，但同一数字不同人写出来的却千差万别，由于书写者的因素，字符图像的随意性很大，如手写体的倾斜度、笔画的粗细、局部扭曲变形等。

目前手写字体识别的方法有很多，如神经网络、支持向量机、逻辑特征法等，其中应用最多的是神经网络。对手写数字进行图像处理后，将图像像素点经处理后作为神经网络的输入。

采用神经网络识别手写数字时，神经网络的权值和阈值不易训练，网络易陷入局部极值，导致手写数字识别模型训练时间长、识别精度低。

发明内容

本发明提供手写数字识别方法及装置，以提高手写数字识别的准确度。

本发明的技术方案是这样实现的：

一种手写数字识别方法，该方法包括：

A、确定神经网络的拓扑结构；获取神经网络的手写数字训练样本；设定灰狼优化GWO算法的狼群规模N；根据设定的GWO算法的狼群规模N，随机产生N匹狼，其中，每匹狼的位置对应神经网络模型的一组权值和阈值；

B、对于每匹狼，从所述手写数字训练样本中依次选择训练样本，对该匹狼当前对应的神经网络模型采用选择的训练样本进行训练；当每匹狼对应的本轮神经网络训练结束时，计算本轮神经网络训练每匹狼对应的适应度；当计算得到所有狼的适应度后，选择适应度最高的三匹狼，根据该三匹狼的位置信息采用GWO算法更新其它狼的位置信息；

C、判断是否满足GWO算法的结束条件，若是，将当前适应度最高的狼对应的神经网络模型作为最优神经网络起始模型，在该最优神经网络起始模型的基础上采用手写数字训练样本进行训练，将训练得到的神经网络模型作为最终使用的用于识别手写数字的神经网络模型；否则，返回步骤B。

所述计算本轮神经网络训练每匹狼对应的适应度为：

对于每匹狼，将验证样本集中的验证样本依次输入对该匹狼当前神经网络训练结束得到的神经网络模型中，根据神经网络的输出采用下述公式得到本轮神经网络训练该匹狼对应的模型损失值loos(t):

其中，y为神经网络神经元的期望输出值，z为神经网络神经元的实际输出值，K是验证样本集的大小，X_k表示第k个验证样本，t表示GWO算法的迭代次数，t为大于0的整数；

且，一匹狼对应的模型损失值越小，表示该匹狼对应的适应度越高。

所述根据该三匹狼的位置信息采用GWO算法更新其它狼的位置信息包括：

计算：