基于極限學習機的手寫體字符識別方法研究.pdf

1、隨著科技的發(fā)展，人們生活和工作產生大量的手寫體字符信息，考慮到這些字符所要表達信息的安全性和隱私性，讓機器實現快速、準確的手寫體字符自動識別技術勢在必行。手寫體字符識別方法主要是光學字符識別，但因其識別率低、成本高等問題，還未能廣泛推廣使用。目前包括模板匹配、神經網絡和支持向量機等模式識別的方法已經投入到手寫體字符的識別研究。本文針對傳統(tǒng)的字符識別方法實時性差、成本高等問題，提出采用極限學習機算法實現手寫體字符識別。
　　論文首先

2、對模式識別的定義、基本組成系統(tǒng)和基本方法進行了介紹和討論，引出了利用神經網絡進行模式識別的方法，對神經網絡的工作原理和特點進行了分析和研究；然后提出用極限學習機實現手寫體字符識別方法，針對原始極限學習機存在的結構風險和經驗風險不平衡這一問題，提出使用正則極限學習機和傅里葉變換優(yōu)化極限學習機實現手寫體字符識別。設計基于BP神經網絡、極限學習機、正則極限學習機和傅里葉變換優(yōu)化極限學習機四種算法實現手寫體字符識別的方法，包括預處理、特征選擇和

3、降維等具體過程。手寫體字符識別算法仿真的訓練樣本為MINIST樣本庫的10000個數字樣本，測試樣本數量為1000個，除采用BP神經網絡、極限學習機、正則極限學習機和傅里葉變換優(yōu)化極限學習機四種算法實現手寫體字符的識別結果外，還設計實驗分析隱含層神經元個數對仿真結果的影響。
　　通過對算法仿真結果的對比分析，BP網絡作為最經典的神經網絡算法，在手寫體數字識別結果的精度上達到了較高的水準。極限學習機算法較BP神經網絡在訓練時間上表現