0 引言

　　目前,，在字符識(shí)別的研究中,，最常見(jiàn)的識(shí)別方法就是先建立字符庫(kù)，或儲(chǔ)存字符信息模板,，或存儲(chǔ)字符特征信息,，在進(jìn)行識(shí)別時(shí)，將待識(shí)別字符與字符庫(kù)中的信息進(jìn)行逐個(gè)比對(duì),，進(jìn)而識(shí)別出待識(shí)別字符,。由此衍生出來(lái)算法有兩種：基于模板匹配的字符識(shí)別法、基于特征統(tǒng)計(jì)匹配的字符識(shí)別法[1-3],。模板匹配算法的高速識(shí)別和特征統(tǒng)計(jì)匹配識(shí)別算法的簡(jiǎn)單原理,，讓這兩種算法得以廣泛應(yīng)用，然而當(dāng)面對(duì)批量圖書(shū)文字,、字體種類繁多,、識(shí)別字體模糊等問(wèn)題時(shí)，以上兩種算法在識(shí)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(wèn)題——基于感知機(jī)神經(jīng)網(wǎng)絡(luò)的字符識(shí)別法,。通過(guò)仿真實(shí)驗(yàn)，對(duì)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(shì)。

1 字符識(shí)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(shí)別領(lǐng)域中,。在識(shí)別字符時(shí)，神經(jīng)元網(wǎng)絡(luò)先對(duì)待識(shí)別字符進(jìn)行特征提取,，然后用所獲得的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器,。它的優(yōu)點(diǎn)是識(shí)別器自身可進(jìn)行學(xué)習(xí)訓(xùn)練，識(shí)別器的容錯(cuò)能力強(qiáng),，識(shí)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(gè)計(jì)算網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)如何對(duì)“模式”進(jìn)行識(shí)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(guò)程

　　如圖1所示,，當(dāng)輸入X時(shí),，經(jīng)過(guò)神經(jīng)元的計(jì)算，得出實(shí)際輸出值,。這個(gè)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(shí)別器的實(shí)現(xiàn)

2.1 實(shí)例

　　設(shè)計(jì)并訓(xùn)練一個(gè)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(gè)離散雙極型感知機(jī)構(gòu)成,，有10個(gè)輸入權(quán)值,，包括閾值在內(nèi)。

　　2.2 字符識(shí)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(hào)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(hào)被神經(jīng)元的相應(yīng)突觸加權(quán)的和uk,。這個(gè)操作構(gòu)成一個(gè)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(lái)限制神經(jīng)元輸出振幅。由于它將輸出信號(hào)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(gè)神經(jīng)元輸出的正常幅度范圍可寫(xiě)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(gè)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(shí),，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(jiàn)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(guò)了4次學(xué)習(xí)之后,，兩個(gè)印刷字符的閾值被鎖定為0.671 4，此時(shí)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(huì)根據(jù)隨機(jī)產(chǎn)生的連接權(quán)進(jìn)行計(jì)算,，通過(guò)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(shí)結(jié)束。

　　為了驗(yàn)證這個(gè)實(shí)驗(yàn)的準(zhǔn)確性,，本文對(duì)程序進(jìn)行了4 000次的隨機(jī)測(cè)試,，并對(duì)數(shù)據(jù)進(jìn)行抽樣記錄。

　　根據(jù)統(tǒng)計(jì)可以看出,，要識(shí)別出這兩個(gè)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(dòng)小，穩(wěn)定性較好,。

　　在源代碼中,，加入時(shí)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(shí)間，大部分實(shí)驗(yàn)耗時(shí)0.004～0.09 s之間,，平均耗時(shí)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(shí)別器要想識(shí)別兩個(gè)字符,，平均學(xué)習(xí)6.95次,，耗時(shí)0.006 8 s，每識(shí)別出一個(gè)字符,，需耗時(shí)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(shí)別,，只需要耗時(shí)27.201 6 s,。據(jù)統(tǒng)計(jì)，國(guó)人對(duì)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(shí)20 min，而掌握“速讀”技巧的人能以4 000字/min的速度閱讀書(shū)籍和資料,，完成8 000字的閱讀也需要耗費(fèi)2 min,。通過(guò)對(duì)比得知，基于感知機(jī)網(wǎng)絡(luò)的字符識(shí)別器的識(shí)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(shí)別速度的角度的來(lái)看，識(shí)別器完全達(dá)到了實(shí)際應(yīng)用的要求。

　　通過(guò)實(shí)驗(yàn)可以看出,，基于神經(jīng)元網(wǎng)絡(luò)的字符識(shí)別器具有自我學(xué)習(xí)的能力,，在每次的學(xué)習(xí)過(guò)程中，識(shí)別器會(huì)進(jìn)行自我糾正,；在實(shí)際的應(yīng)用中,，該識(shí)別器不需要預(yù)先建立數(shù)據(jù)庫(kù)，可以減少程序的體積,；對(duì)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(cuò)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(chǔ)能力，大大提高了字符識(shí)別器的識(shí)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(shí)別器,，并對(duì)這個(gè)識(shí)別器進(jìn)行了4 000次的實(shí)驗(yàn)與分析，通過(guò)與人腦閱讀速度相比,，得出識(shí)別器的識(shí)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(shí)別率與識(shí)別速度兩方面來(lái)看,，本次試驗(yàn)達(dá)到了設(shè)計(jì)的要求,。

　　在未來(lái)，字符識(shí)別它能大大提高信息采集的速度,，減輕人們的工作強(qiáng)度。現(xiàn)在市面上已經(jīng)有越來(lái)越多基于字符識(shí)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(shí)代的來(lái)臨,，字符識(shí)別技術(shù)在簽名識(shí)別,、手寫(xiě)體和印刷體字符識(shí)別、目標(biāo)檢測(cè)與識(shí)別,、車牌識(shí)別等領(lǐng)域都將會(huì)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(jué)機(jī)制的隱蔽目標(biāo)識(shí)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(shí)別[J].計(jì)算機(jī)測(cè)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(shí)別算法設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)測(cè)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(shí)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(shí)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(shí)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(shí)別中的應(yīng)用[J].計(jì)算機(jī)工程,，2003,，29(5)：21-25.