BP神经网络探析脱机手写汉字识别

余聂芳

摘 要：神经网络是一种新型的信息处理模型，通过对生物神经系统的模拟，凭借自适应学习以及自动处理等功能，可达到预期目的。脱机手写汉字识别难度较大，为提高识别速度和精确度，采用了建立在反向传播法基础上的神经网络模型，对脱机手写汉字进行识别。以小字符集汉字识别为例，针对反向传播法中存在的缺陷，如收敛速度过慢，易陷入局部最小点等，对其算法进行了改进，取得了较好的效果。

关键词：BP神经网络 BP算法改进 脱机手写汉字识别 误差函数

中图分类号：TP183 文献标识码：A 文章编号：1674-098X（2014）01（b）-0047-01

汉字识别有两种，一种是印刷体汉字，因比较规范，容易识别；第二种是手写汉字，分联机手写和脱机手写两类，前者准确率较高，后者则偏低，是当前的研究重点。作为模式识别的重要组成部分，汉字识别技术应用广泛，但由于涉及图像处理、人工智能、计算机、数字信号处理等多种技术，加上汉字的复杂繁多，使得汉字识别存在着很大困难，如尤其是相似字，使得识别更为困难，如“裸”和“祼”、“壶”和“壸”、“禅”和“褝”等，极易出现错误。

1 神经网络和BP神经网络

1.1 神经网络

神经网络是在现代神经科研成果的基础上提出并发展起来的，通过对生物大脑神经的模拟建立的一种信息处理系统，由许多简单元件连接构成，具有非线性和容错性，从能力特征来讲，具有自适应和自组织性。其优势主要体现在：能够模仿人脑进行联想记忆；对存储的信息进行分类识别；能够自动总结归纳经验。在长期的实践发展中，神经网络技术不断完善，在语音处理、机器人研究、模式识别等诸多领域都有广泛应用。

1.2 BP神经网络

用于文字识别的神经网络模型有很多，BP神经网络是其中较为常用的一种，该网络模型是以BP算法（即反向传播算法）为基础的，除了函数逼近功能，还具有良好的机器学习能力。

BP神经网络属于多层前向网络，能够进行反向传递、修正误差，通过结构和权值将颇为复杂的非线性映射关系表达出来。多由输入层、输出层以及隐含层组成，每层都有若干神经元，前向网络是指其计算过程呈单向型，即由输入层到中间层，再到输出层。

BP算法有两个阶段，一是正向传播，二是反向传播，在第一个阶段，将信号输进系统的输入层，由其内部神经元进行处理，主要是加权求和、激励函数等，而后传递到中间层（即隐含层），在经过内部逐层处理，传到输出层，将实际的输出值和预期值相比，若超过了规定的误差范围，就开始反向传播，把误差值从输出层输入，向中间层和输入层传递，求得每层内各单元的误差，将相应的权值进行修改，经不断的调整，直至误差值符合要求。

2 BP网络神经在小字符集汉字识别中的实际应用

2.1 缺陷

（1）站在数学的角度看，BP网络神经所使用的梯度下降法属于非线性优化算法的一种，以至于局部极小值大的问题很难得到解决，在实际计算中，BP算法能够将网络权值进行收敛，但收敛值为局部极小解的可能性较大，是否是全局的最小解则没有可靠的保证。若解决的问题比较复杂，很容易致使误差函数陷入局部的极小区域。

（3）中间层的结点

在确定训练集之后，输入层和输出层的结点数目也相应的确定下来，然而中间层及选取层内结点时，缺乏足够的理论作指导，中间层的结点数直接影响着网络的学习效率和复杂程度，因此，在选取中间层变得结点时，也应做一定的改进，积极建立相关的指导理论。

3 结语

针对脱机手写汉字识别技术存在的难度，可运用BP神经网络技术，而实际应用中，收敛速度过慢以及局部最小点问题对BP神经网络技术影响较大，为此，需从初始权值的选取、激励函数、误差函数等方面对其算法加以改进，以达到提升脱机手写汉字识别速度和精确度的目的。

参考文献

[1] 张中.汉字识别技术综述[J].语言文学应用，2007，26（22）：77一86.

[2] 余华，曹亮，李启元.BP神经网络算法的改进及其在手写体汉字识别中的应用[J].江西师范大学学报，2009，33（5）：598-603.endprint

摘 要：神经网络是一种新型的信息处理模型，通过对生物神经系统的模拟，凭借自适应学习以及自动处理等功能，可达到预期目的。脱机手写汉字识别难度较大，为提高识别速度和精确度，采用了建立在反向传播法基础上的神经网络模型，对脱机手写汉字进行识别。以小字符集汉字识别为例，针对反向传播法中存在的缺陷，如收敛速度过慢，易陷入局部最小点等，对其算法进行了改进，取得了较好的效果。

关键词：BP神经网络 BP算法改进 脱机手写汉字识别 误差函数

中图分类号：TP183 文献标识码：A 文章编号：1674-098X（2014）01（b）-0047-01

汉字识别有两种，一种是印刷体汉字，因比较规范，容易识别；第二种是手写汉字，分联机手写和脱机手写两类，前者准确率较高，后者则偏低，是当前的研究重点。作为模式识别的重要组成部分，汉字识别技术应用广泛，但由于涉及图像处理、人工智能、计算机、数字信号处理等多种技术，加上汉字的复杂繁多，使得汉字识别存在着很大困难，如尤其是相似字，使得识别更为困难，如“裸”和“祼”、“壶”和“壸”、“禅”和“褝”等，极易出现错误。

1 神经网络和BP神经网络

1.1 神经网络

神经网络是在现代神经科研成果的基础上提出并发展起来的，通过对生物大脑神经的模拟建立的一种信息处理系统，由许多简单元件连接构成，具有非线性和容错性，从能力特征来讲，具有自适应和自组织性。其优势主要体现在：能够模仿人脑进行联想记忆；对存储的信息进行分类识别；能够自动总结归纳经验。在长期的实践发展中，神经网络技术不断完善，在语音处理、机器人研究、模式识别等诸多领域都有广泛应用。

1.2 BP神经网络

用于文字识别的神经网络模型有很多，BP神经网络是其中较为常用的一种，该网络模型是以BP算法（即反向传播算法）为基础的，除了函数逼近功能，还具有良好的机器学习能力。

BP神经网络属于多层前向网络，能够进行反向传递、修正误差，通过结构和权值将颇为复杂的非线性映射关系表达出来。多由输入层、输出层以及隐含层组成，每层都有若干神经元，前向网络是指其计算过程呈单向型，即由输入层到中间层，再到输出层。

BP算法有两个阶段，一是正向传播，二是反向传播，在第一个阶段，将信号输进系统的输入层，由其内部神经元进行处理，主要是加权求和、激励函数等，而后传递到中间层（即隐含层），在经过内部逐层处理，传到输出层，将实际的输出值和预期值相比，若超过了规定的误差范围，就开始反向传播，把误差值从输出层输入，向中间层和输入层传递，求得每层内各单元的误差，将相应的权值进行修改，经不断的调整，直至误差值符合要求。

2 BP网络神经在小字符集汉字识别中的实际应用

2.1 缺陷

（1）站在数学的角度看，BP网络神经所使用的梯度下降法属于非线性优化算法的一种，以至于局部极小值大的问题很难得到解决，在实际计算中，BP算法能够将网络权值进行收敛，但收敛值为局部极小解的可能性较大，是否是全局的最小解则没有可靠的保证。若解决的问题比较复杂，很容易致使误差函数陷入局部的极小区域。

（3）中间层的结点

在确定训练集之后，输入层和输出层的结点数目也相应的确定下来，然而中间层及选取层内结点时，缺乏足够的理论作指导，中间层的结点数直接影响着网络的学习效率和复杂程度，因此，在选取中间层变得结点时，也应做一定的改进，积极建立相关的指导理论。

3 结语

针对脱机手写汉字识别技术存在的难度，可运用BP神经网络技术，而实际应用中，收敛速度过慢以及局部最小点问题对BP神经网络技术影响较大，为此，需从初始权值的选取、激励函数、误差函数等方面对其算法加以改进，以达到提升脱机手写汉字识别速度和精确度的目的。

参考文献

[1] 张中.汉字识别技术综述[J].语言文学应用，2007，26（22）：77一86.

[2] 余华，曹亮，李启元.BP神经网络算法的改进及其在手写体汉字识别中的应用[J].江西师范大学学报，2009，33（5）：598-603.endprint

摘 要：神经网络是一种新型的信息处理模型，通过对生物神经系统的模拟，凭借自适应学习以及自动处理等功能，可达到预期目的。脱机手写汉字识别难度较大，为提高识别速度和精确度，采用了建立在反向传播法基础上的神经网络模型，对脱机手写汉字进行识别。以小字符集汉字识别为例，针对反向传播法中存在的缺陷，如收敛速度过慢，易陷入局部最小点等，对其算法进行了改进，取得了较好的效果。

关键词：BP神经网络 BP算法改进 脱机手写汉字识别 误差函数

中图分类号：TP183 文献标识码：A 文章编号：1674-098X（2014）01（b）-0047-01

汉字识别有两种，一种是印刷体汉字，因比较规范，容易识别；第二种是手写汉字，分联机手写和脱机手写两类，前者准确率较高，后者则偏低，是当前的研究重点。作为模式识别的重要组成部分，汉字识别技术应用广泛，但由于涉及图像处理、人工智能、计算机、数字信号处理等多种技术，加上汉字的复杂繁多，使得汉字识别存在着很大困难，如尤其是相似字，使得识别更为困难，如“裸”和“祼”、“壶”和“壸”、“禅”和“褝”等，极易出现错误。

1 神经网络和BP神经网络

1.1 神经网络

神经网络是在现代神经科研成果的基础上提出并发展起来的，通过对生物大脑神经的模拟建立的一种信息处理系统，由许多简单元件连接构成，具有非线性和容错性，从能力特征来讲，具有自适应和自组织性。其优势主要体现在：能够模仿人脑进行联想记忆；对存储的信息进行分类识别；能够自动总结归纳经验。在长期的实践发展中，神经网络技术不断完善，在语音处理、机器人研究、模式识别等诸多领域都有广泛应用。

1.2 BP神经网络

用于文字识别的神经网络模型有很多，BP神经网络是其中较为常用的一种，该网络模型是以BP算法（即反向传播算法）为基础的，除了函数逼近功能，还具有良好的机器学习能力。

BP神经网络属于多层前向网络，能够进行反向传递、修正误差，通过结构和权值将颇为复杂的非线性映射关系表达出来。多由输入层、输出层以及隐含层组成，每层都有若干神经元，前向网络是指其计算过程呈单向型，即由输入层到中间层，再到输出层。

BP算法有两个阶段，一是正向传播，二是反向传播，在第一个阶段，将信号输进系统的输入层，由其内部神经元进行处理，主要是加权求和、激励函数等，而后传递到中间层（即隐含层），在经过内部逐层处理，传到输出层，将实际的输出值和预期值相比，若超过了规定的误差范围，就开始反向传播，把误差值从输出层输入，向中间层和输入层传递，求得每层内各单元的误差，将相应的权值进行修改，经不断的调整，直至误差值符合要求。

2 BP网络神经在小字符集汉字识别中的实际应用

2.1 缺陷

（1）站在数学的角度看，BP网络神经所使用的梯度下降法属于非线性优化算法的一种，以至于局部极小值大的问题很难得到解决，在实际计算中，BP算法能够将网络权值进行收敛，但收敛值为局部极小解的可能性较大，是否是全局的最小解则没有可靠的保证。若解决的问题比较复杂，很容易致使误差函数陷入局部的极小区域。

（3）中间层的结点

在确定训练集之后，输入层和输出层的结点数目也相应的确定下来，然而中间层及选取层内结点时，缺乏足够的理论作指导，中间层的结点数直接影响着网络的学习效率和复杂程度，因此，在选取中间层变得结点时，也应做一定的改进，积极建立相关的指导理论。

3 结语

针对脱机手写汉字识别技术存在的难度，可运用BP神经网络技术，而实际应用中，收敛速度过慢以及局部最小点问题对BP神经网络技术影响较大，为此，需从初始权值的选取、激励函数、误差函数等方面对其算法加以改进，以达到提升脱机手写汉字识别速度和精确度的目的。

参考文献

[1] 张中.汉字识别技术综述[J].语言文学应用，2007，26（22）：77一86.

[2] 余华，曹亮，李启元.BP神经网络算法的改进及其在手写体汉字识别中的应用[J].江西师范大学学报，2009，33（5）：598-603.endprint