基于量子神经网络的手写体数字识别研究

手写体数字识别问题是模式识别和图像处理领域的一项重要研究课题,对它的深入研究具有重大的社会效益和经济效益。在手写体数字的识别问题上,如何提高识别率和识别可靠性,是目前的研究热点之一。传统的识别方法一般都是基于对字符轮廓特征的提取和分析,但这些单纯依靠图像处理的方法普遍存在着识别率不高的问题。人工神经网络模式识别方法是近几年提出的新方法,它具有传统技术所没有的优点:良好的容错能力、分类能力强、自学习能力。 本文的主要内容是采用基于多层激励函数的量子神经网络的方法对手写体数字识别进行研究。量子神经网络是将量子神经元与模糊理论相结合的模糊神经系统,它能将决策的不确定性数据合理地分配到各模式中,从而减少模式识别的不确定度,提高模式识别的准确性。 首先,本文针对手写体字符不同样本之间存在交叉数据的模式识别问题,将多层激励函数的量子神经网络引入字符识别中,提出一种基于量子神经网络的模式识别算法。并通过理论分析和仿真实验,证明了基于多层激励函数的量子神经网络比一般前馈神经网络更具有优越性。 然后,针对手写体数字识别过程中出现的易混淆的数字对影响识别率的问题,采用量子神经网络分类器和多级分类器组合的方法设计出了手写体数字识别系统MLQNN(Multi-layer quantum neural networl recognition system)。实验结果表明同广泛使用的BP神经网络分类器相比,该手写数字识别系统各项性能指标有明显的提高。 除此以外,本文采用MNIST手写数字字符库作为训练和测试的输入样本,文中有二值化、空白切割、归一化等图像预处理内容,并以逐像素特征抽取作为特征抽取的方式。