基于离散Hopfield神经网络的数字模式识别

任东红　林鹏　袁清萍

[摘 要] 离散Hopfield神经网络具有联想记忆功能，可以较好地应用在模式识别问题中，因此针对常见的数字识别问题，建立Hopfield神经网络识别模型。模型输出的稳定点为0-9个10*10的数字矩阵，通过向模型输入带有随机噪声的数字对模型进行测试，测试结果显示，模型能够准确识别带有一定随机噪声的数字，具有一定的应用性。

[关 键 词] 离散Hopfield网络；数字识别；噪声；测试

[中图分类号] TP183 [文献标志码] A [文章编号] 2096-0603（2018）14-0062-01

数字识别在现代科学发展中有着重要的意义。特别是在车辆牌照的自动识别、表格数字的识别、证件数字的扫描识别中有广泛的应用。当由于人为或者自然因素导致数据缺损或变形时，将会对数字提取带来一定的困难，对技术要求也较高，此时需要采用智能的提取方法去除干扰。当前数字识别常用的方法是首先把所需识别的数字从图像中提取出来，再把多个数字组成的数字串分解成单个字符，最后利用分类器进行识别[1]。根据人工神经网络方法设计的分类方法是人工智能分类方法的一种，其具有高度识别的功能，能够识别字符较集中的字符串，识别误差较小，应用较广。Hopfield神经网络具有联想记忆功能，能够在干扰的情况下对数字进行准确的识别，因此被广泛应用于图像识别、语声处理、信号处理、数据查询、模式分类等[2][3]。

一、离散Hopfield网络模型

离散Hopfield神经网络第0层并不是真正的神经元，其无计算功能仅仅作为网络的输入层。神经网络中第1层的神经元具有对信息进行计算处理的功能，是真正的神经元，其首先对输入层神经元信息进行加权求和，然后再经过神经元的作用函数处理产生输出。

离散Hopfield网络输出端信息反馈到输入端，因此是一种典型的反馈神经网络；当给定神经网络输入值后，Hopfield神经网络产生输出信息，输出信息会反馈到输入端，经过处理，得到新的输出，信息处理过程将一直进行下去，直到输出信息不再变化，即系统达到稳定，此时Hopfield网络就会输出一个稳定的恒值。对于建立一个Hopfield网络来说，关键是在于确定它在稳定条件下的权系数。

二、数字识别模型建立

离散Hopfield神经网络模型的确立，最重要的是要找到输出稳定时的网络权值。其具体过程如下：

神经网络模型为离散的Hopfield神经网络，其输出状态是所有输出神经元输出信息的集合。

按照动力学方式，神经元将不断演变其状态，从初始的距离目标较远，一步步接近目标，即按照“能量”的减小方向迭代，直到达到稳定的状态，此时的稳定状态即为神经网络的期望输出。

三、Hopfield神经网络数字模式识别

文中将利用离散Hopfield神经网络的特质，识别带有随机噪声的0，1，2，3，4，5，6，7，8，9十个数字。假设网络由0～9这10个数字稳态构成，每个稳态用10*10的矩阵表示，网络对这10个数字的稳态具有联想记忆的功能，当带噪声的数字出现时，可以通过实验测试网络模型的识别功能。文中选用噪声的方法是通过编写MATLAB程序對数字1，2，3产生随机噪声，查看当噪声点数不同时网络的识别能力[4]。

实验采用MATLAB工具箱自带的Hopfield函数建立基本的模型。噪声点数为20%时，结果显示模型具有一定的数字识别能力，可以较准确地识别带噪声的数字，识别率达到80%。下图显示的是当噪声点数达到40%时的测试结果，从结果可以看出Hopfield神经网络模型此时基本无法准确去除噪声，对数字的识别能力较差。

四、结论

离散Hopfield神经网络具有一定的联想记忆功能，优势明显，可应用于数字识别系统中。文中根据离散Hopfield神经网络独有的优势构建数字识别模型，识别带有随机噪声的0～9十个数字。实验结果显示，模型识别带有20%以下随机噪声点时，模型具有较强的数字识别能力，但是随着噪声的增加，识别能力减弱。当识别带有40%以上的噪声点时，模型已无法准确识别数字，此时模型已经失效。因此，对噪声较高的数字识别问题将是后期研究的重点问题。

参考文献：

[1]张伟，王克俭，秦臻.基于神经网络的数字识别的研究[J].微电子学与计算机，2006，23（8）：206-208.

[2]乔俊飞，李荣，韩红桂.基于贡献率的离散Hopfied结构优化[J].控制与决策，2015，30（11）.

[3]贾花萍.Hopfield神经网络在车牌照字符识别中的应用[J].计算机与数字工程，2012，40（4）：85-87.

[4]王小川.MATLAB神经网络43个案例分析[M].北京航空航天大学出版社，2013：74-82.