一种基于模块神经网络的手写体数字自动识别方法

摘要

本发明提供的是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，该方法包括四个步骤：(1)手写体数字图像预处理；(2)训练集的类空间划分，K均值聚类法或亲合力传播聚类法；(3)分类器设计，模块神经网络SN9701矩阵列；(4)分类决策，改进的均值集成法。该方法中的分类器模块用于类空间划分和任务分解的矩阵模块神经网络学，能大大提高分类器的学速度和手写体数字分类的精度。

主权项

1、一种基于模块神经网络的手写体数字自动识别方法，其特征是：从CCD图像传感器获取手写体数字样本，以CPLD作为图像采集系统的控制中心得到初始图像数据，以DSP作为图像处理单元，实现图像自动采集处理，完成了图像快速采集和存储，然后对数字图像进行一系列预处理；所述对数字图像进行一系列预处理是对图像进行二值化、平滑、分割、规范化，获得输入信号，当获得字符16*16像素的灰度图像后，将得到的所有训练用灰度图像矩阵拉直变为256维列向量，组成训练用输入向量集合χ_k，其中k＝1，2，...，10表示十个类别标号；判断输入样本是训练样本还是测试样本如是训练样本则依次进行训练集的类空间划分和分类器设计，所述的训练集的类空间划分，是将输入向量集合χ_k划分为D_k个子簇χ_d^(k)，d＝1，2，...，D_k，所有子簇组成个子簇对每个子簇对能够作为一个两类分类器的训练输入；如果是测试样本，则进行分类决策，分类器包含两个组成部分：一个神经网络SN9701矩阵列和一个集成计算机，其中神经网络SN9701矩阵列由多个SN9701芯片构成，它是多输入单输出的神经网络集成模块，其内部主要由切比雪夫多项式霰成电路、特征权值调整电路、性能指标判断电路以及函数形成电路组成；所述集成计算机由一个加法器和一个除法器构成，输入向量经过神经网络SN9701矩阵列产生一个神经网络输出矩阵，再根据这个神经网络输出矩阵由集成计算机产生最终的分类决策；所述集成计算机中的加法器和除法器用于计算下面公式(1)的平均值，来估计输入样本x属于第i类中第di个子簇的后验概率$=\frac{1}{D-D_i}\underset{\underset{j\ne i}{j=1}}{\overset{K}{\Sigma }}\underset{\mathrm{dj}=1}{\overset{D_j}{\Sigma }}{o}_{{\mathrm{di}}^{\left(i\right)}{\mathrm{dj}}^{\left(j\right)}}/\underset{k=1}{\overset{K}{\Sigma }}\underset{\mathrm{dk}=1}{\overset{D_k}{\Sigma }}\left(\frac{1}{{D-D}_k}\underset{\underset{j\ne i}{j=1}}{\overset{K}{\Sigma }}\underset{\mathrm{dj}=1}{\overset{D_j}{\Sigma }}{o}_{{\mathrm{dk}}^{\left(k\right)}{\mathrm{dj}}^{\left(j\right)}}\right)---\left(1\right)$其中M是神经网络SN9701矩阵列，是神经网络元素SN9701芯片的输出值由SN9701芯片的第7端口OUT输出，则最终的分类判决依据是：ign  x→c_k′，