基于改进遗传算法的神经网络手写体数字识别

2012-08-15 02:02:14魏衡华中国科学技术大学自动化系安徽合肥230027
网络安全与数据管理 2012年18期

魏衡华,彭 飞(中国科学技术大学 自动化系,安徽 合肥230027)

数字识别前景广阔,广泛应用于邮政编码的识别、汽车牌照的识别以及个人成绩单的识别。相对于印刷体数字识别,无约束手写体的识别是模式识别领域的难点,也是目前的一个研究热点。近几年来众多学者对手写体进行了较多的研究,提出了多种算法,不过当前运用较好的主流算法还是以统计、神经网络、聚类分析的识别算法为主。

神经网络具有很强的学习性和自适应性,对于解决目标识别和模式分类具有较大的潜力。其中BP模型被广泛地应用于模式分类、模式识别等方面,但BP算法收敛速度慢,且很容易陷入局部极小点。遗传算法具有并行搜索、效率高、不存在局部收敛问题等优点而被广泛应用。然而传统的遗传算法带有一定程度的随机性和盲从性,且有过早收敛的现象。为了克服遗传算法的这些缺点,本文采用正交遗传算法,克服了初始种群的盲目性,并对选择过程做了改进,不再单纯地淘汰劣势个体,以保证种群的多样性。最后,本文将改进的遗传算法应用到BP网络中,提出遗传BP神经网络,通过遗传算法的全局优化能力提高BP神经网络对手写数字样本训练的速度。

1 BP神经网络

BP网络是一种典型的前向神经网络,主要由输入层、隐含层、输出层组成,它的基本结构如图1所示。隐含层可以是单层或多层。每一层由一个或者多个节点组成,同一层的节点之间没有连接,而层与层之间的节点是全连接的,即每一层的节点与前面一层的所有节点都有连接。……

登录APP查看全文