试议神经网络Hopfield神经网络在字符识别中运用前言

摘要： 文章介绍了离散Hopfield神经网络的基本概念及其原理，以Matlab为工具，根据Hopfield神经网络的相关知识，设计了一个具有联想记忆功能的离散型Hopfield神经网络。首先提取照片的像素值，通过对照片的灰度处理，得到灰度像素矩阵。由于对单个字符进行识别的效果比多个字符整体识别的效果好，故对不同的字符进行分割，然后运用OSTU算法求得最佳阈值，通过数据替换得到该字符的二值矩阵。用原图片的二值矩阵作为训练样本，生成Hopfield神经网络。然后分别在不同噪声强度的情况下，以噪声图像的二值矩阵作为测试样本，观察网络的输出效果，并计算出相应的识别率。通过测试发现，噪声强度在较小范围0.1左右时，该网络可达到很好的识别效果，此时识别率接近1；随着噪声强度的增大，识别效果变差；当噪声强度达到0.4时，该网络已无法进行识别。
关键词： Hopfield神经网络； 二值矩阵； OSTU算法；识别率
1009-3044（2013）21-4925-04

1 原理概述

1.1 Hopfield网络的拓扑结构

Hopfield最早提出的网络是二值神经网络，神经元的输出只取1和-1，所以也称离散神经网络（DHNN，Discrete Hopfield Neural Network）。在离散Hopfield网络中，所采用的神经元是二值神经元，因此，所输出的离散值1和-1分别表示神经元处于激活和抑制状态。

5 结束语

本文在前人研究成果的基础上改进了对字符进行识别的算法，通过对大量随机图的仿真计算，最终的实验结果表明，离散型Hopfield神经元网络能有效地进行字符识别，并且识别速度快，自适应性能好，分辨率较高。通过实验验证，本算法达到了一定的识别率，能在实际生活中得到应用，但也存在一些缺点和不足，如对训练样本和识别样本有一定的限制（尽管是为了方便训练和识别），且神经网络的设计方法在理论上还不是很完善，因此，还有待提取出新的方法，进一步提高识别率，识别系统的性能关键与瓶颈仍然在于字符识别的核心算法性能上，最终目标是研究零误识率和低拒识率的高速识别算法。当然，我们也可以把此神经网络的原理运用在其他的领域，以检验其算法的有效性。
参考文献：
Matlab中文论坛.MATLAB神经网络30个案例分析[M].北京航空航天大学出版社，2009.
许录平.数字图像处理[M].科学出版社，2007

源于：期刊论文www.udooo.com

.[3] 张良均，曹晶，蒋世忠.神经网络实用教程[M].机械工业出版社，2008.[4] 张宏林.数字图像模式识别技术及工程实践[M].人民邮电出版社，2004.[5] 邓丽华，崔志强，张静.基于人工神经网络的手写体数字识别[J].三峡大学学报，2005（6）：255-256.
[6] 孙兆林.matlab6.x 图像处理[M].清华大学出版社，2002.[7] 付德胜，张学勇.基于hopfield神经网络噪声数字的识别[J].通信技术，2010.6：126-129.
[8] 李晶皎，赵丽红，王爱侠.模式识别[M].电子工业出版社，2010.