徐 力

（四川大學(xué)錦江學(xué)院，眉山 620000）

字符識(shí)別研究中最普通的手段是光學(xué)字符識(shí)別（OCR（Optical Characters Recognition）），作為模式辨認(rèn)的一個(gè)支系，字符識(shí)別具有很有效的理論指導(dǎo)和廣泛的應(yīng)用遠(yuǎn)景。特征提取，探索和計(jì)算等方面，統(tǒng)計(jì)模式識(shí)別方法著重于量化特征，然而，在這個(gè)方法中，將字符當(dāng)做一個(gè)具有隨機(jī)性的二維點(diǎn)陣而非結(jié)構(gòu)性的信息框架，所以，這種手段具有識(shí)別性，她可以根據(jù)不同種類的字體辨別，實(shí)驗(yàn)驗(yàn)證可以得知該手段對(duì)單個(gè)字符進(jìn)行辨別更加有效果。

手寫郵政編碼在字符識(shí)別方面具有特征性、適應(yīng)性以及抗干擾性，在字符識(shí)別的時(shí)候可以根據(jù)周圍的有效字符進(jìn)行抗干擾數(shù)字分割，一般而言，主要有統(tǒng)計(jì)模式識(shí)別以及結(jié)構(gòu)模式識(shí)別。在傳統(tǒng)的觀念中，郵編手寫識(shí)別它并不能夠完善解決相同數(shù)字在不同位置的識(shí)別，尤其是一些筆畫較少的數(shù)字字符，在很多在字形與筆畫這兩方面差距較小的字符，區(qū)別上具有一定困難，因此，將人工智能引進(jìn)專家系統(tǒng)方法以及人工神經(jīng)網(wǎng)絡(luò)的方法到手寫郵編的識(shí)別碼中，將神經(jīng)網(wǎng)絡(luò)與不同種類的技術(shù)相融合，意義非凡。

1 粗網(wǎng)格特征提取和數(shù)值化

特征提取在手寫郵編識(shí)別系統(tǒng)中發(fā)揮著重要的角色。從二十世紀(jì)八十年代起，手寫郵編的識(shí)別系統(tǒng)一直將特征提取作為重點(diǎn)研究對(duì)象，其實(shí)現(xiàn)途徑具有簡(jiǎn)便性。與此同時(shí)，數(shù)字的本質(zhì)特征在寫作中具有隨機(jī)性以及漸變性，因此，在數(shù)字識(shí)別之前，首先將信封上的郵政編號(hào)轉(zhuǎn)換為具有灰度值f（i，j）（i=1，2，，，32 ；j=1，2，，，32）的32×32點(diǎn)陣 光學(xué)掃描儀和信封上的A/轉(zhuǎn)換。通過以下公式將兩個(gè)公式轉(zhuǎn)換為0或1的32或32點(diǎn)陣。

式中，T是門檻。32×32點(diǎn)陣直接作為神經(jīng)網(wǎng)絡(luò)的輸入，由于其具有數(shù)據(jù)量大以及網(wǎng)絡(luò)時(shí)間長(zhǎng)的特點(diǎn)，只有將粗網(wǎng)絡(luò)特征提取的手段來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的輸入減少，這樣才能實(shí)現(xiàn)網(wǎng)絡(luò)速度加快并且同時(shí)不會(huì)減緩數(shù)字的識(shí)別能力。即將32×32點(diǎn)陣數(shù)據(jù)分為64×4 *從左到右，上下4個(gè)區(qū)域。該方法以每個(gè)單元的點(diǎn)陣密度為描述特征，即4 * 4點(diǎn)陣數(shù)/10與16的比值為特征數(shù)據(jù)，8 * 8的特征數(shù)據(jù)矩陣可以為獲得。該數(shù)據(jù)矩陣被用作神經(jīng)網(wǎng)絡(luò)的輸入。

2 基于 LM 算法的 BP 神經(jīng)網(wǎng)絡(luò)

2.1 BP 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

本文選擇經(jīng)典的三層BP神經(jīng)網(wǎng)絡(luò)。模型的輸入節(jié)點(diǎn)數(shù)為64，即從上到下8×8特征數(shù)據(jù)矩陣，從左到右從0到1為64；輸出層節(jié)點(diǎn)數(shù)為4，0000～1001表示/00～900阿拉伯?dāng)?shù)字。由于隱層節(jié)點(diǎn)數(shù)量在選擇上具有復(fù)雜性，加上數(shù)量過大，網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過長(zhǎng)，網(wǎng)絡(luò)泛華能力會(huì)漸漸減緩。然而反過來，如果數(shù)字節(jié)點(diǎn)過少，網(wǎng)絡(luò)在建立上就會(huì)存在識(shí)別性的判斷性事失誤，其網(wǎng)絡(luò)被訓(xùn)練能力也會(huì)隨之下降，或者呈現(xiàn)出網(wǎng)絡(luò)不強(qiáng)的特征。當(dāng)前，學(xué)者們還沒有研制出影響數(shù)量節(jié)點(diǎn)隱藏層的數(shù)量節(jié)點(diǎn)選擇特征的原因。

2.2 LM 算法

BP算法可以將樣本以非線性優(yōu)化的辦法實(shí)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)，通過梯度算法，可以將網(wǎng)絡(luò)權(quán)值問題以迭代式算法進(jìn)行實(shí)現(xiàn)。針對(duì)以上問題，很多學(xué)者應(yīng)用不同算法進(jìn)行BP算法改進(jìn)。然而，由于迭代算法在計(jì)算上容易造成局部最小的現(xiàn)狀，想要實(shí)現(xiàn)整體優(yōu)化不容易實(shí)現(xiàn)，這是向非線性梯度的優(yōu)化算法的缺點(diǎn)，然而，在進(jìn)行網(wǎng)絡(luò)權(quán)值的計(jì)算時(shí)，應(yīng)該采用LM算法，該算法是通過改進(jìn)高斯牛頓法而來，以達(dá)到提升計(jì)算精確度，提升學(xué)習(xí)效率等等目的。在本文中，我們應(yīng)用LM（Levernberg Marquardt）算法來調(diào)整網(wǎng)絡(luò)權(quán)重。以下是LM算法的簡(jiǎn)要說明。樣本P中L（l>1）層神經(jīng)元I的輸出如下：

式中，wij為前一層神經(jīng)元j到l層神經(jīng)元i的網(wǎng)絡(luò)連接權(quán)值；是輸入向量；Hi為神經(jīng)元的閥值；f（·）為節(jié)點(diǎn)的激活函數(shù)。給定P組訓(xùn)練樣本，定義網(wǎng)絡(luò)輸出誤差函數(shù)為：

式中，ep（w）=然后根據(jù)不同的學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò)權(quán)值，以最小化網(wǎng)絡(luò)輸出誤差，即：

令J（w）為e（w）的Jacobian矩陣，則E（w）的梯度為：

E（w）的Hesse矩陣為：

從而提出了LM（Levernberg-Marquardt）算法：

式中，Z是單位矩陣；L是一個(gè)控制向量。當(dāng)L較大時(shí)，LM算法與小步長(zhǎng)梯度算法關(guān)系更為密切。當(dāng)L很小時(shí)，LM算法變成一個(gè)近似Hessian矩陣的Newton方法。在迭代過程中，如果訓(xùn)練成功，則L的值將減小。如果訓(xùn)練失敗，L值將會(huì)增加。

3 網(wǎng)絡(luò)訓(xùn)練及其識(shí)別結(jié)果

此研究和測(cè)試樣本是U CI，這是加利福尼亞大學(xué)的機(jī)器學(xué)習(xí)數(shù)據(jù)庫。整個(gè)數(shù)據(jù)庫由3723個(gè)訓(xùn)練樣本和1797個(gè)訓(xùn)練樣本組成，如圖1所示。從隨機(jī)選取/00到900個(gè)阿拉伯?dāng)?shù)字作為20個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，我們使用改進(jìn)的粗網(wǎng)格特征提取方法，然后隨機(jī)地 選擇/00至/90×10個(gè)測(cè)試樣本作為神經(jīng)網(wǎng)絡(luò)，并且獲得一組簡(jiǎn)化的64位0，1數(shù)據(jù)，例如表1，用于每個(gè)訓(xùn)練和測(cè)試樣本，其被用作神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)64位輸入。

圖1 32×32的數(shù)字6點(diǎn)正數(shù)據(jù)

網(wǎng)絡(luò)性能具有收斂性以及穩(wěn)定性，在計(jì)算方面，它可以形成最初的網(wǎng)絡(luò)權(quán)值的篩選，本事次計(jì)算總共包括五組，采用LM算法對(duì)兩百個(gè)訓(xùn)練樣本進(jìn)行穩(wěn)定性網(wǎng)絡(luò)權(quán)重，再從其中篩選出一百個(gè)樣本進(jìn)行測(cè)試識(shí)別，得出的識(shí)別率是百分之九十二。200個(gè)訓(xùn)練樣本用不同的改進(jìn)的BP算法訓(xùn)練。訓(xùn)練精度為10-5。隱層激活函數(shù)采用雙曲正切S傳遞函數(shù)，輸出層激活函數(shù)采用對(duì)數(shù)S傳遞函數(shù)。通過LM算法的13次迭代計(jì)算得出訓(xùn)練的結(jié)果，可以發(fā)現(xiàn)LM算法比BP算法識(shí)別性更高，對(duì)手寫郵編的識(shí)別更加有效。

4 結(jié)束語

本文通過研究了手寫郵編的因域差異性。在研究中由于優(yōu)化后的粗網(wǎng)格特征提取辦法可以有效幫助手寫郵編的識(shí)別，對(duì)于神經(jīng)網(wǎng)絡(luò)的有效性也直接通過穩(wěn)定性得以解決。LM算法對(duì)于BP神經(jīng)網(wǎng)絡(luò)的權(quán)值具有篩選性，通過一組權(quán)值的計(jì)算將以數(shù)據(jù)驗(yàn)證神經(jīng)網(wǎng)絡(luò)具有自主學(xué)習(xí)型以及抗干擾性，智能性和處理高效性，證明對(duì)手寫郵政編碼識(shí)別具有實(shí)踐意義。

[1] 左云波，張懷存.一種改進(jìn)的 BP 網(wǎng)絡(luò)快速算法[J].北京機(jī)械工業(yè)學(xué)院學(xué)報(bào)，2005，20（1）：31-34.