多神经网络集成的脱机手写数字识别系统

"这篇硕士学位论文主要探讨了基于多神经网络集成的手写数字识别技术，作者为陈柏丞，导师为贾华丁，专业为计算机应用技术。论文详细阐述了一个面向脱机手写体孤立数字识别的仿真系统，该系统由图像预处理、特征提取、多个BP神经网络分类器及决策融合模块组成。研究重点在于特征提取和多分类器融合策略，通过实验展示了所提方法的有效性。" 手写数字识别技术是一种利用机器学习和计算机视觉技术，实现对手写阿拉伯数字自动识别的技术，它是光学字符识别（OCR）领域的一个重要分支。由于数字的普遍使用和在自动化系统中的核心地位，手写数字识别的研究具有广泛的应用价值和深远意义。 论文中提到的系统采用了多级神经网络集成，其中图像预处理模块负责去除噪声、平滑图像，二值化处理和图像规范化，以准备数据输入。特征提取模块是关键，作者比较了多种潜在的特征提取方法，提出了一种结合全局特征和两种局部特征，以及一系列辅助低维特征的组合方式。这种特征组合被证明能够显著提高手写数字的分类性能。 多分类器融合策略是另一个研究焦点。通过对比多种融合方法，作者提出了一种新的融合策略，实验结果显示，这种融合策略能够提升识别系统的精度，并且优于其他已知的融合方法。实验中，单个BP神经网络分类器的最好识别率为98.14%，而使用多分类器融合的方法，识别性能得到提升，最高识别率可达98.47%。 论文详细阐述了神经网络的基本原理和算法，强调了神经网络在手写数字识别中的适用性和优势。最后，通过MNIST手写数字图像库的实验验证了该系统的性能，进一步证明了多神经网络集成在手写数字识别中的有效性。 总结来说，这篇论文深入研究了手写数字识别技术，特别是在特征提取和多分类器融合方面的创新，为提高手写数字识别的准确性和效率提供了新的思路和解决方案。