文獻(xiàn)標(biāo)識碼： A
文章編號： 0258-7998(2015)03-0120-03
0 引言
目前，在字符識別的研究中,，最常見的識別方法就是先建立字符庫,，或儲存字符信息模板，或存儲字符特征信息,，在進(jìn)行識別時,，將待識別字符與字符庫中的信息進(jìn)行逐個比對，進(jìn)而識別出待識別字符,。由此衍生出來算法有兩種：基于模板匹配的字符識別法,、基于特征統(tǒng)計(jì)匹配的字符識別法[1-3]。模板匹配算法的高速識別和特征統(tǒng)計(jì)匹配識別算法的簡單原理,，讓這兩種算法得以廣泛應(yīng)用,，然而當(dāng)面對批量圖書文字、字體種類繁多,、識別字體模糊等問題時,，以上兩種算法在識別準(zhǔn)確率、程序魯棒性,、適應(yīng)性上都顯得不夠理想,。
由此，本文運(yùn)用一種新方法解決以上問題——基于感知機(jī)神經(jīng)網(wǎng)絡(luò)的字符識別法,。通過仿真實(shí)驗(yàn),，對算法進(jìn)行改良、數(shù)據(jù)分析與比較,，驗(yàn)證了全新算法較目前常規(guī)算法的卓越性能優(yōu)勢,。
1 字符識別器的設(shè)計(jì)
1.1 感知機(jī)網(wǎng)絡(luò)模型
感知機(jī)神經(jīng)網(wǎng)絡(luò)現(xiàn)在仍處于發(fā)展階段，主要應(yīng)用在模糊識別領(lǐng)域中,。在識別字符時,，神經(jīng)元網(wǎng)絡(luò)先對待識別字符進(jìn)行特征提取,，然后用所獲得的特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。它的優(yōu)點(diǎn)是識別器自身可進(jìn)行學(xué)習(xí)訓(xùn)練,，識別器的容錯能力強(qiáng),，識別率高。
其基本思想是將一些類似生物神經(jīng)元的處理單元構(gòu)成一個計(jì)算網(wǎng)絡(luò),，該網(wǎng)絡(luò)能夠自動學(xué)習(xí)如何對“模式”進(jìn)行識別和分類,。
感知機(jī)模型是一種具有權(quán)值元素的前饋網(wǎng)絡(luò)，通常由感知層S（Sensory）,、連接層A（Association）和反應(yīng)層R（Response）構(gòu)成[4],。
1.2 感知機(jī)網(wǎng)絡(luò)的學(xué)習(xí)過程
如圖1所示，當(dāng)輸入X時,，經(jīng)過神經(jīng)元的計(jì)算,，得出實(shí)際輸出值。這個實(shí)際輸出值與期望輸出值進(jìn)行比較,，并進(jìn)行誤差計(jì)算,，如果誤差為0，則輸出,；如果誤差不為0,，則進(jìn)行學(xué)習(xí)，修改閾值t,，其算法為e(t,，0)[5]。
閾值被修改后,，重復(fù)進(jìn)行以上工作，直至實(shí)際輸出數(shù)據(jù)與期望輸出數(shù)據(jù)相同,，學(xué)習(xí)結(jié)束,。
2 字符識別器的實(shí)現(xiàn)
2.1 實(shí)例
設(shè)計(jì)并訓(xùn)練一個印刷字符分類器。如圖2所示,，用位圖形式表示的L和I印刷字符分別用白色和黑色象素表示0和1,。分類器用一個離散雙極型感知機(jī)構(gòu)成，有10個輸入權(quán)值,，包括閾值在內(nèi),。
2.2 字符識別器的學(xué)習(xí)步驟
(1)初始化
初始化突觸權(quán)值w，在連到神經(jīng)元k的突觸j上的輸入信號xj被乘以k的突觸權(quán)值wkj,。突觸權(quán)值wkj在[-1,，1]隨機(jī)產(chǎn)生，產(chǎn)生后固定不變,。將A層至R層的連接權(quán)向量Wi及輸出單元的閾值t賦予[-1,，+1]區(qū)間的隨機(jī)值[5],。
初始化印刷字符L和I的輸入值：
x1=[1 0 0 0；1 0 0 0,；1 0 0 0,；1 1 1 1]；
//用矩陣x1表示印刷字符L
x2=[0 1 0 0,；0 1 0 0,；0 1 0 0；0 1 0 0,；],；
//用矩陣x2表示印刷字符I
初始化期望值：
y1=1；
y2=1,；//變量y為程序希望輸出的值
初始化學(xué)習(xí)率：
a1=0.100000,；
a2=0.100000；//a為程序每次學(xué)習(xí)的學(xué)習(xí)率
初始化連接權(quán)W：
r1=rand(3),；//隨機(jī)矩陣[0,，1]
w=2*r1-1；//隨機(jī)矩陣[-1,1],；A～R層的權(quán)值,；w隨
機(jī)產(chǎn)生，產(chǎn)生后固定不變
初始化閾值t：
r1=rand,；//產(chǎn)生隨機(jī)數(shù)
t=r1*2-1,；//閾值(隨機(jī)產(chǎn)生)；t 隨機(jī)產(chǎn)生,，產(chǎn)生后隨
學(xué)習(xí)而被修正
(2)隨機(jī)選取一輸入模式uk加到網(wǎng)絡(luò)的輸入端,，用于求輸入信號被神經(jīng)元的相應(yīng)突觸加權(quán)的和uk。這個操作構(gòu)成一個線性組合器,，如式(1)所示[6]：
(3)計(jì)算網(wǎng)絡(luò)的實(shí)際輸出：
式中,，uki為第i次uk輸入；f(x)為雙極階函數(shù)(激活函數(shù)),，用來限制神經(jīng)元輸出振幅,。由于它將輸出信號壓制到允許范圍之內(nèi)的一定值，故而激活函數(shù)也稱為壓制函數(shù),。通常,，一個神經(jīng)元輸出的正常幅度范圍可寫成單位閉區(qū)間[-1，+1]：
(4)計(jì)算輸出層單元的期望輸出與實(shí)際輸出之間的誤差：
dk=yk-y(4)
(5)修正A層各單元與輸出層R之間的連接權(quán)與閾值：
式中dk,；i=1,，2，3…n,；N為學(xué)習(xí)次數(shù),；α,、β為正常數(shù)，稱學(xué)習(xí)率（0<α<1,，0<β<1）,。
(6)返回第(2)步，直到m個輸入模式全部計(jì)算完,。
(7)返回第(2)步,，反復(fù)學(xué)習(xí)，直到誤差 dk（k=1,，2,，…，m）趨于零或小于預(yù)先給定的誤差,。
(8)學(xué)習(xí)結(jié)束,。學(xué)習(xí)結(jié)束后網(wǎng)絡(luò)將學(xué)習(xí)模式分布記憶在連接權(quán)之中，當(dāng)再給網(wǎng)絡(luò)提供已記憶的輸入模式時,，網(wǎng)絡(luò)將計(jì)算出期望的輸出yk值,，并可根據(jù)yk為+1或-1判斷出這一輸入模式屬于記憶中的哪種或接近于哪一種模式[7]。
3 仿真實(shí)驗(yàn)與分析
3.1 實(shí)驗(yàn)環(huán)境
實(shí)驗(yàn)環(huán)境見表1,。
3.2 實(shí)驗(yàn)結(jié)果
(1)第1次學(xué)習(xí)
連接權(quán)w：-0.384 5-0.339 0-0.548 2
-0.197 50.888 6-0.658 6
0.141 8-0.210 5-0.344 7
閾值(第1次被修正)：t=0.271 4,；誤差(第1次被修正)：d1=2；誤差(第1次被修正)：d2=2,。
(2)第2次學(xué)習(xí)
連接權(quán)w：-0.184 5-0.339 0-0.548 2
0.002 50.888 6-0.658 6
0.341 8-0.010 5-0.144 7
閾值(第2次被修正)：t=0.471 4,；誤差(第2次被修正)：d1=2；誤差(第2次被修正)：d2=0,。
(3)第3次學(xué)習(xí)
連接權(quán)w：0.015 5-0.339 0-0.548 2
0.202 50.888 6-0.658 6
0.541 80.189 50.055 3
閾值(第3次被修正)：t=0.671 4,；誤差(第3次被修正)：d1=2；誤差(第3次被修正)：d2=0,。
(4)第4次學(xué)習(xí)
連接權(quán)w：0.015 5-0.339 0-0.548 2
0.202 50.888 6-0.658 6
0.541 80.189 50.055 3
閾值(第4次被修正)：t=0.671 4,；誤差(第4次被修正)：d1=0；誤差(第4次被修正)：d2=0,。
學(xué)習(xí)總次數(shù)為4次，最終確定的連接權(quán)矩陣W：
0.015 5-0.339 0-0.548 2
0.202 50.888 6-0.658 6
0.541 80.189 5 0.055 3
閾值：t=0.671 4,；誤差：d1=0,；誤差：d2=0。
程序每次執(zhí)行結(jié)果都不一樣,，這是因?yàn)椴襟E(1)中w初始值不同,。以上只是其中一種情況。
3.3 實(shí)驗(yàn)分析
上述實(shí)驗(yàn)經(jīng)過了4次學(xué)習(xí)之后,，兩個印刷字符的閾值被鎖定為0.671 4,，此時兩圖的學(xué)習(xí)誤差均為0,，結(jié)果符合預(yù)期要求。
實(shí)驗(yàn)結(jié)果表明,，程序會根據(jù)隨機(jī)產(chǎn)生的連接權(quán)進(jìn)行計(jì)算,，通過有導(dǎo)師學(xué)習(xí)逐步改變閾值，并計(jì)算出每次學(xué)習(xí)的誤差,，直到學(xué)習(xí)誤差為0時結(jié)束,。
為了驗(yàn)證這個實(shí)驗(yàn)的準(zhǔn)確性，本文對程序進(jìn)行了4 000次的隨機(jī)測試,，并對數(shù)據(jù)進(jìn)行抽樣記錄,。
根據(jù)統(tǒng)計(jì)可以看出，要識別出這兩個字符,，最多進(jìn)行10次學(xué)習(xí),，最少只需學(xué)習(xí)4次，平均學(xué)習(xí)6.95次,。忽略兩極分布情況,，大部分學(xué)習(xí)次數(shù)為[5，8],，數(shù)據(jù)波動小,，穩(wěn)定性較好。
在源代碼中,，加入時間統(tǒng)計(jì)代碼“tic,；toc；”,，便可精確計(jì)算每次學(xué)習(xí)的運(yùn)行時間,，大部分實(shí)驗(yàn)耗時0.004～0.09 s之間，平均耗時0.006 812 56 s,。
根據(jù)實(shí)驗(yàn)數(shù)據(jù)可以看出,，感知機(jī)字符識別器要想識別兩個字符，平均學(xué)習(xí)6.95次,，耗時0.006 8 s,，每識別出一個字符，需耗時0.003 4 s,。按此數(shù)據(jù)推算,，完成一段字?jǐn)?shù)為8 000字的文章字符識別，只需要耗時27.201 6 s,。據(jù)統(tǒng)計(jì),，國人對漢字閱讀速度一般為400字/min[8]，想要完成8 000字的閱讀,，需耗時20 min,，而掌握“速讀”技巧的人能以4 000字/min的速度閱讀書籍和資料,，完成8 000字的閱讀也需要耗費(fèi)2 min。通過對比得知,，基于感知機(jī)網(wǎng)絡(luò)的字符識別器的識別速度是普通人的32.64倍數(shù),，是頂尖閱讀學(xué)者的3.26倍，從識別速度的角度的來看,，識別器完全達(dá)到了實(shí)際應(yīng)用的要求,。
通過實(shí)驗(yàn)可以看出，基于神經(jīng)元網(wǎng)絡(luò)的字符識別器具有自我學(xué)習(xí)的能力,，在每次的學(xué)習(xí)過程中,，識別器會進(jìn)行自我糾正；在實(shí)際的應(yīng)用中,，該識別器不需要預(yù)先建立數(shù)據(jù)庫,，可以減少程序的體積；對字符的噪音,、不完整,、傾斜等都具有較強(qiáng)的適應(yīng)能力，容錯能力和魯棒性都要優(yōu)于另外兩種常用方法,；具有較高的并行分布能力和聯(lián)想存儲能力,，大大提高了字符識別器的識別效率。
4 總結(jié)
本文詳細(xì)分析了基于神經(jīng)元網(wǎng)絡(luò)模型的字符識別器,，并對這個識別器進(jìn)行了4 000次的實(shí)驗(yàn)與分析,，通過與人腦閱讀速度相比，得出識別器的識別速度是普通人的32.64倍,，是專業(yè)學(xué)者的3.62倍數(shù),。從識別率與識別速度兩方面來看，本次試驗(yàn)達(dá)到了設(shè)計(jì)的要求,。
在未來,，字符識別它能大大提高信息采集的速度，減輕人們的工作強(qiáng)度?，F(xiàn)在市面上已經(jīng)有越來越多基于字符識別的產(chǎn)品出現(xiàn),，例如：步步高點(diǎn)讀機(jī)等。隨著網(wǎng)絡(luò)的普及,，大數(shù)據(jù)時代的來臨,，字符識別技術(shù)在簽名識別、手寫體和印刷體字符識別,、目標(biāo)檢測與識別、車牌識別等領(lǐng)域都將會揮下重彩濃墨的一筆,。
參考文獻(xiàn)
[1] 高慶一,，逯鵬,，劉馳，等.模擬視覺機(jī)制的隱蔽目標(biāo)識別算法研究[J].儀器儀表學(xué)報(bào),，2012,，33(2)：11-15.
[2] 何灝，羅慶生,，羅霄.基于強(qiáng)分類器的神經(jīng)網(wǎng)絡(luò)三維目標(biāo)識別[J].計(jì)算機(jī)測量與控制,，2012，20(7)：26-32.
[3] 曹步清,，金毆,，賀建飚.基于BP神經(jīng)網(wǎng)絡(luò)的貨幣識別算法設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)測量與控制，2007,，15(4)：20-30.
[4] 韓英莉,，顏云輝.基于BP神經(jīng)網(wǎng)絡(luò)的帶鋼表面缺陷的識別與分類[J].儀器儀表學(xué)報(bào)，2006,，27(12)：12-21.
[5] EBERLIN L S,，DILL A L，IFA D R,，et al.Cholesterol sulfateimaging in human prostate cancer tissue by desorption electrospray ionization mass spectrometry[J].Analytical Chemistry,，2010，82(9)：3430-3434.
[6] 張建華,，祁力鈞,，冀榮華，等.基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的棉花病害識別[J].農(nóng)業(yè)工程學(xué)報(bào),，2012,，28(7)：33-39.
[7] 陳蕾，黃賢武,，仲興榮,，等.基于改進(jìn)BP算法的數(shù)字字符識別[J].微電子學(xué)與計(jì)算機(jī)，2004,，21(12)：4-10.
[8] 黃志斌,，陳鍛生.支持向量機(jī)在車牌字符識別中的應(yīng)用[J].計(jì)算機(jī)工程，2003,，29(5)：21-25.