手寫(xiě)體數(shù)字識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

1、大 學(xué) 生 研 究 計(jì) 劃 項(xiàng) 目論 文 報(bào) 告項(xiàng)目名稱：_手寫(xiě)體數(shù)字識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)負(fù)責(zé)人：_ _學(xué)院/專業(yè)：_ _學(xué)號(hào)：_ _申請(qǐng)經(jīng)費(fèi)：_ _指導(dǎo)教師：_ _項(xiàng)目起止時(shí)間：2011年6月-2012年3月摘要手寫(xiě)體數(shù)字識(shí)別系統(tǒng)依托計(jì)算機(jī)應(yīng)用軟件為載體，利用C+程序設(shè)計(jì)的相關(guān)知識(shí)，運(yùn)用模塊設(shè)計(jì)等相關(guān)技術(shù)，最終完成手寫(xiě)體設(shè)計(jì)系統(tǒng)的程序綜合設(shè)計(jì)。關(guān)鍵字：手寫(xiě)體 數(shù)字處理 模式識(shí)別 程序設(shè)計(jì)一、論題概述 模式識(shí)別是六十年代初迅速發(fā)展起來(lái)的一門(mén)學(xué)科。由于它研究的是如何用機(jī)器來(lái)實(shí)現(xiàn)人(及某些動(dòng)物)對(duì)事物的學(xué)習(xí)、識(shí)別和判斷能力，因而受到了很多科技領(lǐng)域研究人員的注意，成為人工智能研究的一個(gè)重要方面。字符

2、識(shí)別是模式識(shí)別的一個(gè)傳統(tǒng)研究領(lǐng)域。從50年代開(kāi)始，許多的研究者就在這一研究領(lǐng)域開(kāi)展了廣泛的探索，并為模式識(shí)別的發(fā)展產(chǎn)生了積極的影響。字符識(shí)別一般可以分為兩類(lèi):1.聯(lián)機(jī)字符識(shí)別;2.光學(xué)字符識(shí)別(Optical Chara- cter Recognition，OCR)或稱離線字符識(shí)別。在聯(lián)機(jī)字符識(shí)別中，計(jì)算機(jī)能夠通過(guò)與計(jì)算機(jī)相連的輸入設(shè)備獲得輸入字符筆劃的順序、筆劃的方向以及字符的形狀，所以相對(duì)OCR來(lái)說(shuō)它更容易識(shí)別一些。但聯(lián)機(jī)字符識(shí)別有一個(gè)重要的不足就是要求輸入者必須在指定的設(shè)備上書(shū)寫(xiě)，然而人們?cè)谏钪写蟛糠值臅?shū)寫(xiě)情況是不滿足這一要求的，比如人們填寫(xiě)各種表格資料，開(kāi)具支票等。如果需要計(jì)算機(jī)去認(rèn)

3、識(shí)這些己經(jīng)成為文字的東西，就需要OCR技術(shù)。比起聯(lián)機(jī)字符識(shí)別來(lái)，OCR不要求書(shū)寫(xiě)者在特定輸入設(shè)備上書(shū)寫(xiě)，它可以與平常一樣書(shū)寫(xiě)，所以O(shè)CR的應(yīng)用更為廣泛。OCR所使用的輸入設(shè)備可以是任何一種圖像采集設(shè)備，如CCD、掃描儀、數(shù)字相機(jī)等。通過(guò)使用這類(lèi)采集設(shè)備，OCR系統(tǒng)將書(shū)寫(xiě)者已寫(xiě)好的文字作為圖像輸入到計(jì)算機(jī)中，然后由計(jì)算機(jī)去識(shí)別。由于OCR的輸入只是簡(jiǎn)單的一副圖像，它就不能像聯(lián)機(jī)輸入那樣比較容易的從物理特性上獲得字符筆劃的順序信息，因此OCR是一個(gè)更具挑戰(zhàn)性的問(wèn)題。數(shù)字識(shí)別是多年來(lái)的研究熱點(diǎn)，也是字符識(shí)別中的一個(gè)特別問(wèn)題，它是本文研究的重點(diǎn)。數(shù)字識(shí)別在特定的環(huán)境下應(yīng)用特別廣泛，如郵政編碼自動(dòng)識(shí)別系

4、統(tǒng)，稅表和銀行支票自動(dòng)處理系統(tǒng)等。一般情況下，當(dāng)涉及到數(shù)字識(shí)別時(shí)，人們往往要求識(shí)別器有很高的識(shí)別可靠性，特別是有關(guān)金額的數(shù)字識(shí)別時(shí)，如支票中填寫(xiě)的金額部分，更是如此。因此針對(duì)這類(lèi)問(wèn)題的處理系統(tǒng)設(shè)計(jì)的關(guān)鍵環(huán)節(jié)之一就是設(shè)計(jì)出高可靠性和高識(shí)別率的數(shù)字識(shí)別方法。然而可以說(shuō)還沒(méi)有哪個(gè)數(shù)字識(shí)別器達(dá)到完美的識(shí)別效果。在過(guò)去的數(shù)十年中，研究者們提出了許許多多的識(shí)別方法。按使用的特征不同，這些方法可以分為兩類(lèi):基于結(jié)構(gòu)特征的方法和基于統(tǒng)計(jì)特征的方法。結(jié)構(gòu)特征通常包括圓、端點(diǎn)、交叉點(diǎn)、筆劃、輪廓等，統(tǒng)計(jì)特征通常包括點(diǎn)密度的測(cè)量、矩、特征區(qū)域等，一般來(lái)說(shuō)，兩類(lèi)特征各有優(yōu)勢(shì)。例如，使用統(tǒng)計(jì)特征的分類(lèi)器易于訓(xùn)練，而且對(duì)

5、于使用統(tǒng)計(jì)特征的分類(lèi)器，在給定的訓(xùn)練集上能夠得到相對(duì)較高的識(shí)別率，而結(jié)構(gòu)特征的主要優(yōu)點(diǎn)之一是能描述字符的結(jié)構(gòu)，在識(shí)別過(guò)程中能有效地結(jié)合幾何和結(jié)構(gòu)的知識(shí)，因此能夠得到可靠性較高的識(shí)別結(jié)果。二、模式識(shí)別與BP神經(jīng)網(wǎng)絡(luò)在觀察各種事物或接受各種客觀現(xiàn)象時(shí)，人們總是不斷地進(jìn)行模式識(shí)別。各種具有相似的特征又不完全相同的事物和現(xiàn)象組成不同的類(lèi)別。在同一類(lèi)別中，事物和現(xiàn)象不盡相同，但它們總是表現(xiàn)出某些方面的相近之處。例如，每個(gè)人寫(xiě)出來(lái)的數(shù)字“8”可能千差萬(wàn)別，但它們的共同之處在于，它們都屬于數(shù)字，“8”這個(gè)范疇。也就是說(shuō)，這些千差萬(wàn)別的數(shù)字“8”的共性是它們具有相同的屬性特征。人的思維可以對(duì)初次見(jiàn)到的事物進(jìn)行

6、分類(lèi)。比如，即使人們初到一個(gè)城市，也可以輕易地辨認(rèn)出“街道”、“房屋”、“汽車(chē)”這樣的事物。同樣，看到另外一種寫(xiě)法的“8”，人們?nèi)匀豢梢郧宄刂浪暮x。正是人腦的這種推廣能力，使得人們利用見(jiàn)到過(guò)的有限事物和現(xiàn)象，形成各種事物類(lèi)別的概念。這些有限的、個(gè)別的事物和現(xiàn)象就可以稱為模式，而整個(gè)類(lèi)別的現(xiàn)象和事物則可以稱為模式類(lèi)，或者簡(jiǎn)稱為類(lèi)。人們根據(jù)所見(jiàn)模式的特性，將其劃歸為某一類(lèi)的過(guò)程，實(shí)際上就是模式識(shí)別的過(guò)程。模式識(shí)別這個(gè)詞既可以是指人對(duì)事物的，一個(gè)分析、描述、判斷和識(shí)別的過(guò)程，也可以是指利用計(jì)算機(jī)對(duì)某些物理對(duì)象進(jìn)行分類(lèi)的這門(mén)學(xué)科。模式和集合的概念是分不開(kāi)的，模式可以看作是集合論中的元素，而類(lèi)則

7、可以看作是子集。神經(jīng)網(wǎng)絡(luò)的概念、原理和設(shè)計(jì)是受生物、特別是人腦神經(jīng)系統(tǒng)的啟發(fā)提出的. 神經(jīng)網(wǎng)絡(luò)由大量簡(jiǎn)單的處理單元來(lái)模擬真實(shí)人腦神經(jīng)網(wǎng)絡(luò)的機(jī)構(gòu)和功能以及若干基本特性,是一個(gè)高度復(fù)雜的非線性自適應(yīng)動(dòng)態(tài)處理系統(tǒng).BP網(wǎng)絡(luò)是1986年由Rinehart和McCelland為首的科學(xué)家小組提出,是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一. BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入- 輸出模式映射關(guān)系,而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程. 它的學(xué)習(xí)規(guī)則是使用最速下降法,通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差平方和最小. BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入( in

8、put) 、隱層( hide layer)和輸出層(output layer) ,如圖1所示：三、基于BP神經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù)字識(shí)別（一）輸入向量與目標(biāo)向量首先對(duì)手寫(xiě)數(shù)字圖像進(jìn)行預(yù)處理,包括二值化、去噪、傾斜校正、歸一化和特征提取,生成BP神經(jīng)網(wǎng)絡(luò)的輸入向量Alphabet和目標(biāo)向量Tar2get. 其中Alphabet選取40 ×10的矩陣,第1列到第10列代表09的數(shù)字. Target為10 ×10的單位矩陣,每個(gè)數(shù)字在其所排順序位置輸出1,其他位置輸出0.（二）BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建BP算法由數(shù)據(jù)流的前向計(jì)算(正向傳播)和誤差信號(hào)的反向傳播兩個(gè)過(guò)程構(gòu)成. 正向傳播時(shí),傳播方向

9、為輸入層隱層輸出層,每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元. 若在輸出層得不到期望的輸出,則轉(zhuǎn)向誤差信號(hào)的反向傳播流程. 通過(guò)這兩個(gè)過(guò)程的交替進(jìn)行,在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略,動(dòng)態(tài)迭代搜索一組權(quán)向量,使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值,從而完成信息提取和記憶過(guò)程.首先考慮正向傳播,設(shè)輸入層有n個(gè)節(jié)點(diǎn),隱層有p個(gè)節(jié)點(diǎn),輸出層有q個(gè)節(jié)點(diǎn). 輸入層與隱層之間的權(quán)值為vk i, 隱層與輸出層之間的權(quán)值為w jk. 隱層的傳遞函數(shù)為f1 ( x) ,輸出層的傳遞函數(shù)為f2 ( x) ,則隱層節(jié)點(diǎn)的輸出為輸出層節(jié)點(diǎn)的輸出為通過(guò)式(1) 和(2) 可得BP神經(jīng)網(wǎng)絡(luò)完成n維到q維的映射. 其次考慮反向傳播. 在反

10、向傳播中,需要對(duì)不理想的權(quán)值進(jìn)行調(diào)整, B P神經(jīng)網(wǎng)絡(luò)的核心要?jiǎng)?wù)即在于調(diào)權(quán). 定義誤差函數(shù), 設(shè)輸入P個(gè)學(xué)習(xí)樣本,用x1 , x2 , , xp 來(lái)表示. 第p個(gè)樣本輸入網(wǎng)絡(luò)得到輸出ypj ( j = 1, 2, , q) ,其誤差為式中為期望輸出. P個(gè)樣本的全局誤差為將式(3) 代入得輸出層權(quán)值的變化采用累計(jì)誤差BP算法調(diào)整wjk 使全局誤差E變小,即式(5) 中為學(xué)習(xí)率. 現(xiàn)定義誤差信號(hào)為將式(3) 代入可得第一項(xiàng)為第二項(xiàng)為輸出層傳遞函數(shù)f2 ( x) 的偏微分將式(7) 和(8) 代入可得誤差信號(hào)為則輸出層各神經(jīng)元權(quán)值wjk 調(diào)整公式將式(9)代入可定義為在得到輸出層權(quán)值調(diào)整公式后,

11、需要定義隱層權(quán)值vk i 調(diào)整公式根據(jù)輸出層各神經(jīng)元權(quán)值wjk 調(diào)整公式推導(dǎo)過(guò)程,可得vk i 為四、數(shù)字識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)（一）設(shè)計(jì)基本原理程序設(shè)計(jì)過(guò)程，將整個(gè)系統(tǒng)問(wèn)題分割成若干個(gè)子問(wèn)題來(lái)做，主要包括圖像數(shù)據(jù)輸入模塊GetDIB()、二值化模塊Threshold()、平滑濾波模塊Smooth()、分割模塊divide()、字符切分模塊CharSegment()、字符識(shí)別模塊CharRecognition()。首先分別對(duì)每個(gè)模塊進(jìn)行單元測(cè)試分析和模塊測(cè)試，然后再組合成系統(tǒng)，進(jìn)行系統(tǒng)測(cè)試。圖 4-1 系統(tǒng)邏輯模型流程圖此圖為系統(tǒng)邏輯模型流程圖，其中細(xì)箭頭代表程序的進(jìn)程，整個(gè)程序就是按上圖所示流

12、程編寫(xiě)的。（一）數(shù)字識(shí)別中的圖像預(yù)處理神經(jīng)網(wǎng)絡(luò)為數(shù)字識(shí)別提供一個(gè)強(qiáng)有力的手段。目前，在神經(jīng)網(wǎng)絡(luò)模式識(shí)別中根據(jù)對(duì)輸入樣本的表達(dá)方式的選擇有下面兩大類(lèi):一類(lèi)是直接將數(shù)字圖像經(jīng)數(shù)值化處理之后得到的像素點(diǎn)原始樣本作為神經(jīng)網(wǎng)絡(luò)的輸入;另一類(lèi)則是對(duì)這種原始像素點(diǎn)構(gòu)成的原始輸入樣本再作進(jìn)一步的預(yù)處理或變換。雖然，在某些情況下，人們采用第一類(lèi)樣本表達(dá)獲得了較好的識(shí)別結(jié)果，但這種輸入方式，通常使得網(wǎng)絡(luò)分類(lèi)器結(jié)構(gòu)的復(fù)雜程度大大增加，所以，對(duì)原始樣本進(jìn)行預(yù)處理，已成為神經(jīng)網(wǎng)絡(luò)模式識(shí)別成功的一個(gè)很重要的方面。對(duì)于數(shù)字的預(yù)處理，人們己作了許多工作，但歸根結(jié)底有下面幾步:首先是將數(shù)字轉(zhuǎn)化為n*n像素點(diǎn)矩陣形式，再經(jīng)二值化

13、處理，可以得到原始的輸入表達(dá)方式。接下來(lái)，對(duì)原始樣本表達(dá)進(jìn)行一些常規(guī)變換，包括平滑、銳化、規(guī)格化和細(xì)化。而本文是通過(guò)大量的樣本訓(xùn)練網(wǎng)絡(luò)，以達(dá)到預(yù)期的識(shí)別率。1.數(shù)值化數(shù)字識(shí)別時(shí)，首先將印在紙上的數(shù)字經(jīng)過(guò)光電掃描產(chǎn)生模擬信號(hào),再通過(guò)模數(shù)轉(zhuǎn)換變成表示灰度值的數(shù)字信號(hào)輸入計(jì)算機(jī)。紙張薄厚、潔白度、光潔度、書(shū)寫(xiě)力度和筆劃質(zhì)量都要造成字形的變化，產(chǎn)生污點(diǎn)、飛白、斷筆、交連等干擾。因此，一般由掃描得到的數(shù)值化的字符還需要多種進(jìn)一步的處理。2.二值化二值化處理是將數(shù)字圖像轉(zhuǎn)化為由0和1表示的值像素矩陣形式，最簡(jiǎn)單也是最原始的作法是將整個(gè)數(shù)字所在區(qū)域用n*n網(wǎng)格劃分，然后將數(shù)字筆劃通過(guò)的網(wǎng)格內(nèi)填1，不通過(guò)的網(wǎng)

14、格內(nèi)填0，這樣就將整個(gè)數(shù)字變?yōu)橐粋€(gè)由二值構(gòu)成的矩陣。而在采用光電掃描儀對(duì)數(shù)字進(jìn)行掃描輸入時(shí)，通常是將數(shù)字轉(zhuǎn)換為帶灰度值的數(shù)字信號(hào)輸入計(jì)算機(jī)。因而，二值化的工作不再是簡(jiǎn)單的筆劃通過(guò)與否。3. 平滑實(shí)際獲得的圖像在形成、傳輸、接受和處理的過(guò)程中，不可避免地存在著外部干擾和內(nèi)部干擾，如光點(diǎn)轉(zhuǎn)換過(guò)程中敏感元件靈敏度的不均勻性，數(shù)字化過(guò)程的量化噪聲，傳輸過(guò)程中的誤差以及人為因素等，均會(huì)使圖像質(zhì)量變差，使圖像模糊。因此，消除噪聲，恢復(fù)原始圖像是圖像處理中的一個(gè)重要內(nèi)容。圖像平滑的目的有兩個(gè)：改善圖像的質(zhì)量和抽出對(duì)象的特征。平滑的辦法有中值濾波,均值濾波等很多方法,本設(shè)計(jì)選擇的平滑技術(shù)是中值濾波法。4. 銳

15、化圖像的銳化處理主要用于增強(qiáng)圖像中的輪廓邊緣，細(xì)化以及灰度跳變部分，形成完整的物體邊界，達(dá)到將物體從圖像中分離出來(lái)或?qū)⒈硎就晃矬w表面的區(qū)域檢測(cè)出來(lái)的目的。它是早期視覺(jué)理論和算法中的基本問(wèn)題，也是中期和后期視覺(jué)成敗的重要因素之一。與圖像的平滑處理一樣，圖像的銳化也有很多處理方法，如針對(duì)平均或積分運(yùn)算使圖像模糊，可逆其道而采取微分運(yùn)算,使用高通濾波器優(yōu)化高頻分量，抑制低頻分量，提高圖像邊界清晰度等。在設(shè)計(jì)中選擇使用了梯度銳化法.梯度幅度比例于相鄰像素的灰度級(jí)差值。在灰度陡變區(qū)域，梯度值大；在灰度相似區(qū)域，梯度值小；在灰度級(jí)為常數(shù)的區(qū)域，梯度為0。熟悉梯度的這些性質(zhì)，根據(jù)不同的目的選擇不同的算法，

16、就能獲得滿意的銳化效果。5. 字符切分?jǐn)?shù)字識(shí)別常用于郵政編碼的自動(dòng)識(shí)別和支票的檢驗(yàn)等。在這些應(yīng)用中，給出的數(shù)字往往是互相牽連，并且常帶有覆蓋相交叉，所以為了獲得可以進(jìn)行識(shí)別的輸入樣本表達(dá)，必須進(jìn)行數(shù)字之間的分離，消除不必要的記號(hào)和符號(hào)。經(jīng)過(guò)文字切分得到的一個(gè)個(gè)獨(dú)立的樣本，可以用于進(jìn)一步的處理。通常可以依據(jù)兩種原則進(jìn)行分割。一是依據(jù)各個(gè)象素點(diǎn)的灰度不連續(xù)性進(jìn)行分割;一是依據(jù)同一區(qū)域具有相似的灰度(或組織特性)這一特征，尋求不同區(qū)域之邊界。前者稱為基于點(diǎn)相關(guān)的分割技術(shù)，后者稱為基于區(qū)域相關(guān)的分割技術(shù)。本設(shè)計(jì)中選擇使用基于灰度閾值的全局閾值化方法.這是一種最常用、同時(shí)也是最簡(jiǎn)單的分割方法，它特別適用

17、于對(duì)象和背景占據(jù)不同灰度級(jí)范圍這類(lèi)圖像。此時(shí)，我們只要選取一個(gè)適當(dāng)?shù)幕叶燃?jí)閾值，然后將每個(gè)象素灰度和它進(jìn)行比較。超過(guò)閾值的重新分配以最大灰度(例如255),低于閾值的分配以最小灰度(例如0)，那么，我們就可以組成一個(gè)新的二值圖像，并成功地把對(duì)象從背景中顯露出來(lái)。在分割之前進(jìn)行背景平滑和噪聲消除，常常能改善分割的性能。6. 規(guī)格化由于樣本數(shù)字大小不一，為了便于提取數(shù)字特征，需要對(duì)樣本進(jìn)行尺寸大小規(guī)一化，或者說(shuō)是將數(shù)字的長(zhǎng)度和寬度都調(diào)整到充滿整個(gè)n*n的網(wǎng)格之中。7. 細(xì)化在傳統(tǒng)的模式識(shí)別中，對(duì)于數(shù)字的特征提取往往是從字形結(jié)構(gòu)的提取入手。因而人們認(rèn)為在二值化的字符圖像中，對(duì)識(shí)別有價(jià)值的字符特征主要

18、集中在字符的輪廓或者骨架上。基于這種認(rèn)識(shí)，在經(jīng)過(guò)以上幾個(gè)步驟的處理，得到干凈、平滑、規(guī)范的樣本集合之后，往往要進(jìn)行細(xì)化。即將字符中的粗細(xì)不等的筆劃變換成只有一層像素點(diǎn)構(gòu)成的統(tǒng)一的筆劃。細(xì)化的基本原理都是從字的邊界開(kāi)始逐層移去黑點(diǎn)，直到尋找到一個(gè)集合，此集合與其邊界相重合，這種方法被稱為脫殼算法。關(guān)于細(xì)化及快速細(xì)化的算法有許多，比如快速細(xì)化算法QA,Rutorit算法(簡(jiǎn)稱RA),Hildith算法(簡(jiǎn)稱HA)等。經(jīng)過(guò)上面幾個(gè)步驟的預(yù)處理變換，則可以獲得一種簡(jiǎn)單像素點(diǎn)輸入樣本表達(dá)。對(duì)傳統(tǒng)的識(shí)別系統(tǒng)，這種樣本不能直接進(jìn)行識(shí)別，以上的步驟只是為特征提取選擇打下基礎(chǔ)。而對(duì)于神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)，這種簡(jiǎn)單樣

19、本表達(dá)可以直接輸入進(jìn)行模式識(shí)別。但是，這種簡(jiǎn)單的原始二值表達(dá)式在代表數(shù)字時(shí)有下面幾點(diǎn)不足:1、樣本維數(shù)很大，而中間許多特征不一定有用;2、沒(méi)有將那些真正反映數(shù)字特點(diǎn)的特征突出出來(lái);3、對(duì)于不同數(shù)字的外圍或邊緣及主干特征并沒(méi)有考慮進(jìn)去，這樣對(duì)一些有相似部分的數(shù)字容易出現(xiàn)誤識(shí)。由于上面三方面的原因，在神經(jīng)網(wǎng)絡(luò)模式識(shí)別中，我們要用帶污染的輸入量去訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其具有一定的抗干擾能力，這樣對(duì)所要識(shí)別的數(shù)字，能達(dá)到更好的識(shí)別率。（二）BP網(wǎng)絡(luò)在數(shù)字識(shí)別中的應(yīng)用設(shè)計(jì)初始化給定輸入向量和目標(biāo)輸出求隱層、輸出層各單元輸出求實(shí)際輸出與目標(biāo)值的偏差ee滿足要求？計(jì)算隱層誤差單元求梯度誤差權(quán)值調(diào)整全部e滿足？結(jié)束

20、BP算法的流程圖如下圖所示。（三）程序設(shè)計(jì)編寫(xiě)以VC+為手段，在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行編程以實(shí)現(xiàn)手寫(xiě)數(shù)字的識(shí)別，以下是部分實(shí)驗(yàn)代碼：/patternView.h:interface of the CPatternView class/#if !defined(AFX_PATTERNVIEW_H_696AB6FA_20EF_46BB_B9DE_8654C84DC5DE_INCLUDED_)#define AFX_PATTERNVIEW_H_696AB6FA_20EF_46BB_B9DE_8654C84DC5DE_INCLUDED_#if _MSC_VER>1000#pragma once

21、#endif /_MSC_VER>1000typedef struct tezhengsigned char value; /數(shù)字值signed char VHDerection15; /水平垂直特征/right-1 down-2 left-3 up-4signed char lenth1; /第一個(gè)筆畫(huà)長(zhǎng)度1-4>4signed char lenth; /最后一個(gè)方向的長(zhǎng)度1-4(1) >4(2)signed char decon; /有無(wú)斷點(diǎn) 等于1有斷點(diǎn)signed char lenfirst;signed char lenend;TEZHENG;class CPatt

22、ernView:public CViewprotected:/create from serialization onlyCPatternView();DECLARE_DYNCREATE(CPatternView)/自己定義的變量public:unsigned char bitgraph1616; /為了以后對(duì)擴(kuò)展時(shí)對(duì)掃描圖像處理方便int mouseDown;CPoint mypoint100,oldpoint; /模擬手寫(xiě)板輸入int mytime; /手寫(xiě)板輸入的時(shí)間序列int curvalue; /當(dāng)前輸入的數(shù)字TEZHENG *mytezheng;CFile cf; /用于保存特征的

23、文件/Attributespublic:CPatternDoc*GetDocument();/Operationspublic:void GetTeZheng(void);void OnStudy(void);void OnRecognize(void);void OnClear(void);void OnMyHelp(void);/Overrides/ClassWizard generated virtual function overrides/AFX_VIRTUAL(CPatternView)public:virtual void OnDraw(CDC* pDC); /overridde

24、n to draw this viewvirtual BOOL PreCreateWindow(CREATESTiRUCT& cs);protected:virtual BOOL OnPreparePrinting(CPrintInfo* pInfo);virtual void OnBeginPrinting(CDC* pDC,CPrintInfo* pInfo);virtual void OnEndPrinting(CDC* pDC,CPrintInfo* pInfo);/AFX_VIRTUAL/Implementationpublic:virtual CPaatternView();#ifdef _DEBUGvirtual void AssertValid() const;virtual void Dump(CDu