模糊聚類算法下的手寫體數(shù)字識別

姜琴

摘要：在對數(shù)字樣本進行篩選的過程中，需要使用到手寫體數(shù)字識別的過程，用聚類源的形式來對篩選的結果進行歸納，再經(jīng)過對模糊關系矩陣的構建，就能夠開始時模糊聚類了。實踐證明，該方法具有非常搞得有效性，能夠?qū)ν饨绲母蓴_有很強的抵制作用，不僅準確率和識別率都有所提高，而且還消除了傳統(tǒng)算法下單因子因素帶來的局限性的影響，具有非常高的實踐意義。

關鍵詞：模糊聚類；算法；手寫體；數(shù)字識別

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）04-0175-02

在針對模式識別的研究領域中，無約束手寫體識別一直是長久以來一直研究的一個話題，在傳統(tǒng)的形式下，手寫數(shù)字能夠提供的樣本庫太少，一直成為了研究突破的一個瓶頸，運用無約束手寫體數(shù)字識別一直是評判算法質(zhì)量及效果的一個非常具有影響力的檢測方式。國內(nèi)外的科研人員對這類問題開展可研究工作，也有著不同的算法建議。不過以最終結果來看，被廣泛應用的識別算法有統(tǒng)計法、神經(jīng)網(wǎng)絡法、聚類分析法。這些算法具體來說，有Bagging算法、Adaboost算法、誤差反向傳播算法、支持向量機。自組織映射和徑向基函數(shù)。經(jīng)過實踐證明，這些算法在實踐過程中給用戶帶來了完美的影響，具有非常高質(zhì)量的識別效果。然而，這些算法也存在這局限性，如果在其他領域例如對支票、統(tǒng)計報表、銀行票據(jù)等文件的識別當中，它們的質(zhì)量和精確率就很難得到保證，難以完成識別目的。

1 識別系統(tǒng)的構建

模糊聚類是目前采用率最高的一種的一種手寫體識別方法，但是在實踐過程中，也有著自己的優(yōu)勢和局限，優(yōu)勢就是它的模糊性和容錯率非常高，對識別質(zhì)量有一定的保障，但是它的劣勢也比較突出，在實踐應用中出現(xiàn)了下列一些問題。例如，第一，在對模糊關系矩陣進行識別的過程中，具有難確定的基本特點。第二，模糊聚類在識別過程中，其識別對象往往異常龐大，這就造成了在模糊關系矩陣當中，存在的階數(shù)較高，導致了其識別過程選喲非常高的計算量。針對這一局限性，一般在模糊聚類的手寫體數(shù)字識別過程中，會采用BP神經(jīng)網(wǎng)絡來進行輔助識別，它的原理是在模糊聚類識別過程中，BP神經(jīng)網(wǎng)絡協(xié)助其對特征因素也進行篩選，有些不符合的條件被排除開外，降低了計算幅度，這就提高了計算速度，對聚類的效果和質(zhì)量有了極大的保證。之所以會取得如此明顯的變化，這是因為BP神經(jīng)網(wǎng)絡自身就有著非常高的對外界的適應能力，在對樣本進行篩選的練習中能夠?qū)颖具M行分析，最終得出相應的規(guī)律，如果識別因素具有交叉性，那么BP神經(jīng)網(wǎng)絡模式下的模糊聚類識別就具有非常高的篩選作用，其提供的數(shù)據(jù)能夠很好地指導以后的模糊聚類識別。一般情況下，高效率的模糊聚類都是與BP神經(jīng)網(wǎng)絡進行有效的聯(lián)系，其原理就是，第一步：先給出一定的數(shù)字樣本，BP網(wǎng)絡對給出的樣本進行訓練。第二步，模糊聚類分析方法的使用倆完成對矢量數(shù)據(jù)的歸類工作。通過這兩步，可以完成數(shù)字識別的具體工作。識別系統(tǒng)流程是先輸出樣本，再對樣本進行預處理，BP神經(jīng)網(wǎng)絡在處理過程中提取這些樣本的特征，然后在其學習下提取標準特征完成特征篩選工作。這些標準特征完成模糊關系矩陣之后，進行模糊聚類，最后進行識別輸出。

2 模糊聚類條件下的手寫體數(shù)字識別方法

1）預處理

由于識別方法的不同，預處理的項目和要求也會不盡相同，具有一定的差異性，在設計識別系統(tǒng)的過程中，預處理的過程一共由三部分組成，依次是二值化、歸一化、平滑。第一步，在識別之前，要對樣本的整體閾值進行確定，因此可以采用閾值法來確定閾值，閾值法是在灰度直方圖的基礎上建立起來的。第二步，需要對數(shù)字或文字的尺寸進行規(guī)定，規(guī)定的方法主要是采用外框歸一化，按照一定的比例，將數(shù)字的外界邊框縮小或者是放大，以滿足文字的規(guī)定尺寸。第三步，也就是平滑的過程，也就是對二值數(shù)字點進行掃描，一般都采用三乘三的輔助矩形進行掃描工作。平滑過程還需要做到一步工作，就是將矩陣最重型的被平滑的像素X0從“0”變成“1”，或者是從“1”變成“0”。這一工作主要是根據(jù)輔助矩陣中的像素0，1的分布來完成的。

2）特征提取

通過模糊聚類與BP神經(jīng)網(wǎng)絡的結合來完成特征提取，就首先需要進行定義并提取出6種基本特征，依次為端點、分店、交叉點、直線、弧和圓。采用一定的結構特征組合。如果規(guī)定起始點只有一種，那就是端點，線段有兩種，那就是直線和??；終點有三種，那就是端點、分點和交叉點。按照這種邏輯對線段的結構特征進行分析，可以發(fā)現(xiàn)結構特征具有6各組合，以此是第一種，端點加直線加端點；第二種，端點加弧加端點；第三種。端點加直線加交叉點；第四種是端點加弧加交叉點；第五種低端點加直線加分點。第六種是端點節(jié)哀弧加分點。這時候我們需要增加一個定義，那就是V，它來對這些組合進行表示，它包括{0，1，-1，2，-2，3，-3}，當v是零的情況下表示這個區(qū)域內(nèi)沒有圖像信息。下一步，我們把圖像分為三乘三的區(qū)域，對特征矢量進行構造S1，S1包含著九個不同的特征向量，他們的端點位置特征都具有不同性，端點的位置特征有這幾種情況{0，1，-1，2，-2，3，-3}。這就表示在不同的位置具有一條與其位置相似的一條曲線。直線和弧在交叉點的指向上具有四種不同的方向，依次是上下左右四種。

3）BP識別器特征篩選

BP神經(jīng)網(wǎng)絡作為一種學習算法，具有反向傳播的特性，它主要被應用于前向多層神經(jīng)網(wǎng)絡。通過對其特征的選取的過程進行總結會得出結論，造成這些特征的因素很可能是其中存在著一定的相互交叉現(xiàn)象。因為BP網(wǎng)絡在多層的情況之下會具有一些特點例如自動學習的特性、容錯性、分類能力較強并能夠并行處理，將它作用于對手寫體數(shù)字識別訓練具有非常高的現(xiàn)實意義。在本文當中，BP網(wǎng)絡一共有三層，輸入層具有十五個輸出點，與特征矢量的十五個分量一一對應。它的輸出層也具有十個輸出點。在BP網(wǎng)絡對數(shù)字樣本進行訓練之后，可以將學習的結果歸納入聚類源，通過公式Y=f（x）=（1-e-x）-1來對BP神經(jīng)網(wǎng)絡進行訓練，這個公式是輸入輸出的轉化公式，具有一定的實踐意義。另一方面，設置N是每次修正權值的步長，權值的取值要符合一定的標準，必須得經(jīng)過嚴格的控制，

當取值太小或者取值太大都會影響結論的正確性。如果取值太大的話，在網(wǎng)絡的輸出過程中會出現(xiàn)震蕩現(xiàn)象，在最終收斂的過程中會出現(xiàn)阻礙作用。如果取值太小的化，會導致訓練的時間太長，如果當前網(wǎng)絡狀態(tài)的變化在誤差曲面的平坦區(qū)域內(nèi)，可能會導致訓練的時間更加長。

4）模糊聚類分析

模糊聚類分析主要由兩個階段組成一個是構造模糊相似矩陣，另一個則是聚變。在構造模糊相似矩陣過程中，設論域U={u1，u2，u3……un}，其中有n個待識別的手寫體數(shù)字，這些數(shù)字每一個都有不同的向量值邊式與其一一對應，當ui={ui1，ui2，ui3……uim}（i=1，2，3，……n）。通過對這些取值進行標準化存放，可以得到一個矩陣，這個矩陣有n行m列。通過數(shù)量積法對矩陣標準化可以得到模糊相似矩陣R（rij）nxm，其中可以得出

當相似矩陣構造完成后就是聚類，可以應用直接聚類法，通過從模糊相似矩陣出發(fā)，可以求出聚類圖。第一步，是構建相似類，第二步是得出等價分類，第三步將所有的樣本歸為一類。

3 結果分析

通過對某印刷體的測試片段進行提取，按照以上的方式來對每一個手寫體數(shù)字進行特征提取特征向量，可以得出U={u1，u2，u3，u4，……，u115}的論域，論域中包含著一百一十五各待識別手寫體數(shù)字，這些數(shù)字中，它們每一個的特征矢量都是十五位，將這些待識別的手寫體數(shù)字作為輸入樣本，將它通過BP神經(jīng)網(wǎng)絡學習之后，可以得到一個十維的輸出向量，將這些向量中的每一個數(shù)字的特征矢量進行模糊聚類分析。如下圖所示，利用該BP神經(jīng)網(wǎng)絡，我們將n的初始值設為0.15，為了達到分析識別目的，需要對初始值的值進行不斷的調(diào)減，讓初始值逐漸變小，而調(diào)減的方法是利用退火函數(shù)n（1）=Cx（1-t/tm）、通過調(diào)減之后，可以將定勢態(tài)因子進行調(diào)整，將其定值為0.175，BP神經(jīng)網(wǎng)絡學習結束的條件是網(wǎng)絡的均方根ERMS=0.1。提供參數(shù)M=50.0，可以得出標準模式相似矩陣，通過模糊聚類之后，可以得出三十九種分類結果。當取值為0.135時，分類效果最好。

4 總結

通過實驗結果，可以發(fā)現(xiàn)模糊聚類條件下的手寫體數(shù)字識別具有非常高的正確率，能夠達到百分之九十八，識誤率可以達到百分之一點六，拒誤率是百分之一點七，具有百分之九十六的可靠程度。因此，我們可以得出結論，利用模糊聚類來對手寫體數(shù)字識別結合BP神經(jīng)網(wǎng)絡能更加的增加識別的有效性，與傳統(tǒng)的統(tǒng)計識別比起來，可靠性、正確率有了明顯的提高。

參考文獻：

[1] 葉佩，江濤. 基于BP特征篩選的模糊聚類手寫體數(shù)字識別[J]. 武漢理工大學學報，2007（6）：128-130.

[2] 洪沛霖，張佑生，邢燕. 基于改進模擬退火算法的手寫體數(shù)字識別[J]. 計算機技術與發(fā)展，2007（9）：15-17+20.

[3] 柳回春，馬樹元，吳平東，等. 基于結構特征的手寫體數(shù)字識別算法[J]. 計算機工程，2002（11）：28-29.

[4] 黃心曄，王茂祥，富煜清，等. 基于結構分析的手寫體數(shù)字識別算法[J]. 電子工程師，1999（11）：23-25.

[5] 陳軍勝. 組合結構特征的自由手寫體數(shù)字識別算法研究[J]. 計算機工程與應用，2013（5）：179-184+194.

[6] 王松，蘇輝，夏紹瑋. 無約束手寫體數(shù)字識別的預處理算法[J]. 模式識別與人工智能，1997（3）：243-250.

[7] 盛積德，常勝江，陳戍，等. 用于手寫體數(shù)字識別的視覺與神經(jīng)網(wǎng)絡混合算法[J]. 光電子·激光，2001（12）：1280-1283.

[8] 李云峰，胡文平. SVM多類分類算法及其在手寫體數(shù)字識別中的應用[J]. 物流工程與管理，2012（7）：131-134.