0 引言

　　目前，在字符識別的研究中，最常見的識別方法就是先建立字符庫，或儲存字符信息模板，或存儲字符特征信息，在進行識別時，將待識別字符與字符庫中的信息進行逐個比對，進而識別出待識別字符。由此衍生出來算法有兩種：基于模板匹配的字符識別法、基于特征統計匹配的字符識別法[1-3]。模板匹配算法的高速識別和特征統計匹配識別算法的簡單原理，讓這兩種算法得以廣泛應用，然而當面對批量圖書文字、字體種類繁多、識別字體模糊等問題時，以上兩種算法在識別準確率、程序魯棒性、適應性上都顯得不夠理想。

　　由此，本文運用一種新方法解決以上問題——基于感知機神經網絡的字符識別法。通過仿真實驗，對算法進行改良、數據分析與比較，驗證了全新算法較目前常規算法的卓越性能優勢。

1 字符識別器的設計

　　1.1 感知機網絡模型

　　感知機神經網絡現在仍處于發展階段，主要應用在模糊識別領域中。在識別字符時，神經元網絡先對待識別字符進行特征提取，然后用所獲得的特征來訓練神經網絡分類器。它的優點是識別器自身可進行學習訓練，識別器的容錯能力強，識別率高。

　　其基本思想是將一些類似生物神經元的處理單元構成一個計算網絡，該網絡能夠自動學習如何對“模式”進行識別和分類。

　　感知機模型是一種具有權值元素的前饋網絡，通常由感知層S（Sensory）、連接層A（Association）和反應層R（Response）構成[4]。

　　1.2 感知機網絡的學習過程

　　如圖1所示，當輸入X時，經過神經元的計算，得出實際輸出值。這個實際輸出值與期望輸出值進行比較，并進行誤差計算，如果誤差為0，則輸出；如果誤差不為0，則進行學習，修改閾值t，其算法為e(t，0)[5]。

　　閾值被修改后，重復進行以上工作，直至實際輸出數據與期望輸出數據相同，學習結束。

2 字符識別器的實現

2.1 實例

　　設計并訓練一個印刷字符分類器。如圖2所示，用位圖形式表示的L和I印刷字符分別用白色和黑色象素表示0和1。分類器用一個離散雙極型感知機構成，有10個輸入權值，包括閾值在內。

　　2.2 字符識別器的學習步驟

　　(1)初始化

　　初始化突觸權值w，在連到神經元k的突觸j上的輸入信號xj被乘以k的突觸權值wkj。突觸權值wkj在[-1，1]隨機產生，產生后固定不變。將A層至R層的連接權向量Wi及輸出單元的閾值t賦予[-1，+1]區間的隨機值[5]。

　　初始化印刷字符L和I的輸入值：

　　x1=[1 0 0 0；1 0 0 0；1 0 0 0；1 1 1 1]；

　　//用矩陣x1表示印刷字符L

　　x2=[0 1 0 0；0 1 0 0；0 1 0 0；0 1 0 0；]；

　　//用矩陣x2表示印刷字符I

　　初始化期望值：

　　y1=1；

　　y2=1；//變量y為程序希望輸出的值

　　初始化學習率：

　　a1=0.100000；

　　a2=0.100000；//a為程序每次學習的學習率

　　初始化連接權W：

　　r1=rand(3)；//隨機矩陣[0，1]

　　w=2*r1-1；//隨機矩陣[-1,1]；A～R層的權值；w隨

　　機產生，產生后固定不變

　　初始化閾值t：

　　r1=rand；//產生隨機數

　　t=r1*2-1；//閾值(隨機產生)；t 隨機產生，產生后隨

　　學習而被修正

　　(2)隨機選取一輸入模式uk加到網絡的輸入端，用于求輸入信號被神經元的相應突觸加權的和uk。這個操作構成一個線性組合器，如式(1)所示[6]：

　　(3)計算網絡的實際輸出：

　　式中，uki為第i次uk輸入；f(x)為雙極階函數(激活函數)，用來限制神經元輸出振幅。由于它將輸出信號壓制到允許范圍之內的一定值，故而激活函數也稱為壓制函數。通常，一個神經元輸出的正常幅度范圍可寫成單位閉區間[-1，+1]：

　　(4)計算輸出層單元的期望輸出與實際輸出之間的誤差：

　　dk=yk-y(4)

　　(5)修正A層各單元與輸出層R之間的連接權與閾值：

　　式中dk；i=1，2，3…n；N為學習次數；α、β為正常數，稱學習率（0<α<1，0<β<1）。

　　(6)返回第(2)步，直到m個輸入模式全部計算完。

　　(7)返回第(2)步，反復學習，直到誤差 dk（k=1，2，…，m）趨于零或小于預先給定的誤差。

　　(8)學習結束。學習結束后網絡將學習模式分布記憶在連接權之中，當再給網絡提供已記憶的輸入模式時，網絡將計算出期望的輸出yk值，并可根據yk為+1或-1判斷出這一輸入模式屬于記憶中的哪種或接近于哪一種模式[7]。

3 仿真實驗與分析

　　3.1 實驗環境

　　實驗環境見表1。

　　3.2 實驗結果

　　(1)第1次學習

　　連接權w：-0.384 5-0.339 0-0.548 2

　　         -0.197 50.888 6-0.658 6

　　          0.141 8-0.210 5-0.344 7

　　閾值(第1次被修正)：t=0.271 4；誤差(第1次被修正)：d1=2；誤差(第1次被修正)：d2=2。

　　(2)第2次學習

　　連接權w：-0.184 5-0.339 0-0.548 2

　　          0.002 50.888 6-0.658 6

　　          0.341 8-0.010 5-0.144 7

　　閾值(第2次被修正)：t=0.471 4；誤差(第2次被修正)：d1=2；誤差(第2次被修正)：d2=0。

　　(3)第3次學習

　　連接權w：0.015 5-0.339 0-0.548 2

　　         0.202 50.888 6-0.658 6

　　         0.541 80.189 50.055 3

　　閾值(第3次被修正)：t=0.671 4；誤差(第3次被修正)：d1=2；誤差(第3次被修正)：d2=0。

　　(4)第4次學習

　　連接權w：0.015 5-0.339 0-0.548 2

　　         0.202 50.888 6-0.658 6

　　         0.541 80.189 50.055 3

　　閾值(第4次被修正)：t=0.671 4；誤差(第4次被修正)：d1=0；誤差(第4次被修正)：d2=0。

　　學習總次數為4次，最終確定的連接權矩陣W：

　　          0.015 5-0.339 0-0.548 2

　　          0.202 50.888 6-0.658 6

　　          0.541 80.189 5 0.055 3

　　閾值：t=0.671 4；誤差：d1=0；誤差：d2=0。

　　程序每次執行結果都不一樣，這是因為步驟(1)中w初始值不同。以上只是其中一種情況。

　　3.3 實驗分析

　　上述實驗經過了4次學習之后，兩個印刷字符的閾值被鎖定為0.671 4，此時兩圖的學習誤差均為0，結果符合預期要求。

　　實驗結果表明，程序會根據隨機產生的連接權進行計算，通過有導師學習逐步改變閾值，并計算出每次學習的誤差，直到學習誤差為0時結束。

　　為了驗證這個實驗的準確性，本文對程序進行了4 000次的隨機測試，并對數據進行抽樣記錄。

　　根據統計可以看出，要識別出這兩個字符，最多進行10次學習，最少只需學習4次，平均學習6.95次。忽略兩極分布情況，大部分學習次數為[5，8]，數據波動小，穩定性較好。

　　在源代碼中，加入時間統計代碼“tic；toc；”，便可精確計算每次學習的運行時間，大部分實驗耗時0.004～0.09 s之間，平均耗時0.006 812 56 s。

　　根據實驗數據可以看出，感知機字符識別器要想識別兩個字符，平均學習6.95次，耗時0.006 8 s，每識別出一個字符，需耗時0.003 4 s。按此數據推算，完成一段字數為8 000字的文章字符識別，只需要耗時27.201 6 s。據統計，國人對漢字閱讀速度一般為400字/min[8]，想要完成8 000字的閱讀，需耗時20 min，而掌握“速讀”技巧的人能以4 000字/min的速度閱讀書籍和資料，完成8 000字的閱讀也需要耗費2 min。通過對比得知，基于感知機網絡的字符識別器的識別速度是普通人的32.64倍數，是頂尖閱讀學者的3.26倍，從識別速度的角度的來看，識別器完全達到了實際應用的要求。

　　通過實驗可以看出，基于神經元網絡的字符識別器具有自我學習的能力，在每次的學習過程中，識別器會進行自我糾正；在實際的應用中，該識別器不需要預先建立數據庫，可以減少程序的體積；對字符的噪音、不完整、傾斜等都具有較強的適應能力，容錯能力和魯棒性都要優于另外兩種常用方法；具有較高的并行分布能力和聯想存儲能力，大大提高了字符識別器的識別效率。

4 總結

　　本文詳細分析了基于神經元網絡模型的字符識別器，并對這個識別器進行了4 000次的實驗與分析，通過與人腦閱讀速度相比，得出識別器的識別速度是普通人的32.64倍，是專業學者的3.62倍數。從識別率與識別速度兩方面來看，本次試驗達到了設計的要求。

　　在未來，字符識別它能大大提高信息采集的速度，減輕人們的工作強度。現在市面上已經有越來越多基于字符識別的產品出現，例如：步步高點讀機等。隨著網絡的普及，大數據時代的來臨，字符識別技術在簽名識別、手寫體和印刷體字符識別、目標檢測與識別、車牌識別等領域都將會揮下重彩濃墨的一筆。

　　參考文獻

　　[1] 高慶一，逯鵬，劉馳，等.模擬視覺機制的隱蔽目標識別算法研究[J].儀器儀表學報，2012，33(2)：11-15.

　　[2] 何灝，羅慶生，羅霄.基于強分類器的神經網絡三維目標識別[J].計算機測量與控制，2012，20(7)：26-32.

　　[3] 曹步清，金毆，賀建飚.基于BP神經網絡的貨幣識別算法設計與實現[J].計算機測量與控制，2007，15(4)：20-30.

　　[4] 韓英莉，顏云輝.基于BP神經網絡的帶鋼表面缺陷的識別與分類[J].儀器儀表學報，2006，27(12)：12-21.

　　[5] EBERLIN L S，DILL A L，IFA D R，et al.Cholesterol sulfateimaging in human prostate cancer tissue by desorption electrospray ionization mass spectrometry[J].Analytical Chemistry，2010，82(9)：3430-3434.

　　[6] 張建華，祁力鈞，冀榮華，等.基于粗糙集和BP神經網絡的棉花病害識別[J].農業工程學報，2012，28(7)：33-39.

　　[7] 陳蕾，黃賢武，仲興榮，等.基于改進BP算法的數字字符識別[J].微電子學與計算機，2004，21(12)：4-10.

　　[8] 黃志斌，陳鍛生.支持向量機在車牌字符識別中的應用[J].計算機工程，2003，29(5)：21-25.