神經網絡大作業(yè)報告

1、應用 BP 神經網絡的數字識別神經網絡大作業(yè)15066081一、目的數字識別有很多的應用，同時也是文字識別中比較基礎的一類工作。在此基礎上，可以進一步再擴大研究范圍，對比字母的識別，進而是中文識別的方法。本次實驗的目的是為了了解并實現對中數字識別的原理和方法。二、方法1、數據集與數據預處理本文選擇了兩個數據集。大數據集：從 0-9寫體5000 張，每個數字 500 張。40 張，分四種字體，每個數字各 4 張。小數據集：從 0-9 的電腦輸入按大小數據集的不同組合和搭配進行具體實驗和結果比對。2、選擇語言與工具主要使用的神經網絡工具箱進行神經網絡的搭建。3、關鍵步驟與過程（1）建立樣本：循環(huán)讀

2、入全部樣本用二值化方法處理。，根據經驗，將灰度閾值設為 0.3。把分為 30*30 的矩陣進行處理。截取中的數字部分，建立矩陣。再把全部樣本轉為矩陣數據。（2）訓練網絡：設置基本 BP 神經網絡參數，本實驗中根據實際情況，對 3 中設置參數進行了比對，詳見第三部分。（3）測試輸出：為了方便人工比對直觀效果，加入了人工隨意選擇測試后把選擇的和網絡輸出結果同時顯示，以判斷結果。的代碼（鍵盤輸入），然三 ，結果1、計算機錄入的不同字體的數字（1）實驗 1.1對小數據集 40 個樣本進行訓練和測試，識別結果可達到 100%。（2）實驗 1.2以 40 個計算機輸入為訓練集，以 5000 個手寫為測試集

3、。測試效率很低，識別結果低于 20%，為此次實驗效果最低的組合。2、手寫識別（1）實驗 2.1以 5000 個手寫為訓練集，以 40 個計算機輸入為測試集。在隱藏層設置了 25 個神經元，迭代上限 9000 次。效果如圖 1 所示。訓練時間為 28 分 23 秒。（2）實驗 2.2以 5000 個手寫為訓練集，以 40 個計算機輸入為測試集。在隱藏層設置了 200 個神經元，迭代上限 5000 次。效果如圖 2 所示。訓練時間為 48 分 44 秒。圖 1實驗 2.1 效果圖圖 2實驗 2.2 效果圖（3）實驗 2.3以 5000 個手寫個組成訓練集。為數據集，每個數字抽取 50 個組成 50

4、0 個圖的測試集。其余 4500在隱藏層設置了 100 個神經元，迭代上限 3000 次。效果如圖 3 所示。訓練時間為 25 分 06 秒。圖 3實驗 2.3 效果圖圖 4實驗 2.3 訓練圖 performance圖 5實驗 2.3 訓練圖 training sus圖 6實驗 2.3 訓練圖 regres四、結論實驗 1.1 的圖形雖然字體不同，但由于是計算機輸入，整體差別較小，所以識別率很高。實驗 1.2 的圖形由于是計算機輸入和手寫整體差別較大，所以識別率很低。實驗 2.1-2.2 的識別效果在 70%左右，實驗 2.3 識別效果與的差異性有很大關系。如能加大訓練的次數和時間，識別結果的效率應該會的精度，肯定會有助于識別率的提高。很多。而且，加大分析時此次實驗感受，對于數據的預處理是