摘要:数字识别是图像处理和模式识别领域中的重要研究课题之一，是多年来研究的一个热点，在有关数字编号识别如大规模数据统计，邮件分拣 ，汽车牌照 、支票、财务、税务、金融等方面有着广泛应用．

　　　人工神经网络在现在取得巨大进步，是一个高度并行的，非线性的，具有高程度的冗余系统，其结构特点使知识的表达与存储以及对模式信息的处理，与传统的方法非常不同，因此一些至少是目前尚无法用计算理论表达清楚的外部世界模型能够用此方法进行表达．同时，具有自学习，自组织能力的神经网络使我们能在与外部世界的交互作用下，实现当前的计算理论无法表达清楚的功能；神经网络对于那些无法建立精确数学模型的系统有着独特的优势．

　　　数字识别难以建立起精确的数字模型，而且人工神经网络具有的自学习、自组织、强大的容错和分类能力，使得人工神经网络在数字领域有着广泛应用．

　　　本课题主要研究基于BP神经网络的方法来实现数字识别．传统的方法将不同字体的数字加入样本库，提取出的训练样本中的特征向量代入BP网络中就对设计BP网络进行训练，提取出待识别的样本中特征向量代入训练好的BP网络中就可以进行识别．但实验证明这样的方法对于字体和字号与训练样本集不同的测试样本，正确率不高，并且对于带有噪声的数字，运行程序的实验结果非常不理想．所以本文提取最基本无干扰数字图片特征向量输入有噪音信号和无噪音信号神经网络中进行训练，实验证明此种方法网络的抗干扰性能好，识别率高．

关键词：数字识别；人工神经网络；预处理；特征向量

目录

摘要

ABSTRACT

第1章 绪论-1

1.1研究背景及意义-1

1.2本课题在国内外的发展概况及存在的问题-1

1.3课题研究内容-2

1.4 章节安排-2

第2章  人工神经网络的概述-5

2.1人工神经网络概念-5

2.2人工神经网络的特点-5

2.3人工神经网络的发展简史-6

2.4神经元-7

2.4 BP神经网络-9

2.4.1 BP神经网络介绍-9

2.4.2 基本BP算法公式推导-9

2.5 本章小结-13

第3章 图像预处理-14

3.1  图像灰度化-15

3.1.1  灰度的概念-15

3.1.2  图像灰度化介绍-15

3.1.3  图像灰度化的常用方法-15

3.2  图像二值化-16

3.2.1  图像二值化介绍-16

3.2.2  图像二值化常用方法-16

3.2  图像增强-17

3.2.1  灰度变换-18

3.2.2  直方图变换-19

3.3  图像平滑去噪-20

3.3.1  图像噪声-20

3.5 归一化调整-20

3.6特征提取-21

3.7 本章小结-21

第4章 MATLAB 神经网络部分-21

4.1 MATLAB 神经网络工具箱函数介绍-22

4.2 BP 神经网络的几种重要函数和基本功能-22

4.2.1 MATLAB 神经网络工具箱的运用-22

4.2.2 BP 神经网络中的重要函数和基本功能-22

4.3 BP 神经网络几种重要函数的介绍-22

4.3.1 BP 学习规则函数learnbp（）-23

4.3.2 含动量项规则的BP 学习规则函数learnbpm（）-23

4.3.3 BP 神经网络初始化函数initff（）-23

4.3.4 利用BP 算法训练前后网络函数trainbp（）-23

4.3.5 利用快速BP 算法训练前向网络函数trainbpx（）-24

4.3.6 BP神经网络仿真函数simuff（）-24

4.4 本章小结-24

第5章程序设计及仿真结果-24

5.1 神经网络的设计-25

5.1.1输入层的设计-25

5.1.2 隐含层的设计-25

5.1.3输出层的设计-25

5.2 程序设计-26

5.2.1 使用函数newff创建一个两层网络．-26

5.2.2 无噪声的训练-26

5.2.3 含有噪声信号的训练-27

5.2.4 再次对无噪声信号训练-27

5.2.4 对污染的数字进行识别-27

5.3仿真结果-28

5.4本章小结-33

第6章 结论与展望-34

参考文献-35

致  谢-36

附录-37