非线性PCA神经网络提升手写字符识别精度：94.74% vs 91.03%

该篇论文标题为"基于非线性PCA神经网络的手写体字符识别"，发表于2007年的《北京工业大学学报》第33卷第9期。作者孙光民、张程、王鹏和邓超针对手写体字符识别这一关键技术领域进行了深入研究。他们将非线性主分量分析（PCA）算法与子空间模式识别方法结合，提出了一种创新的信号重构模型，旨在解决手写体字符识别中的特征提取问题。 传统的PCA算法依赖于输入信号的二阶统计量，如协方差和相关函数，但这种方法未能充分利用神经网络的非线性特性和隐层神经元。为了克服这些局限性，论文设计了一种局部非线性PCA神经网络模型。这种模型利用PCA神经网络和聚类算法构建自动编码器组，能够处理高维数据并提取模式样本的主要特征，从而实现从数据空间到特征空间的有效转换。 实验部分，论文对比了提出的非线性PCA神经网络模型与传统的BP网络模型。结果显示，对于0-9手写体数字识别，非线性PCA神经网络方法的正确识别率达到94.74%，显示出显著的性能提升。对于a-z手写体字符识别，正确识别率也达到了91.03%，进一步证明了这种方法的有效性。 该研究的意义在于将PCA的非线性扩展应用于实际手写体字符识别任务中，提高了识别精度，并且展示了神经网络在特征提取和模式重构方面的潜力。这不仅有助于提高手写体字符识别系统的实用性和鲁棒性，也为模式识别领域的其他应用提供了新的思路和技术支持。关键词包括文字识别、主分量分析和神经网络，体现了文章的核心研究内容和领域定位。