1. 研究目的与意义（文献综述包含参考文献）

1．本课题的目的及意义

手写体数字的识别虽然只有10个字符,但其笔划是构成是其字符的基础,因此对其进行识别的方法可以推广到较复杂字符的识别上.同时,手写体数字识别系统也有其现实应用.比如邮政编码识别,票据处理等,而且这些应用对其识别精度要求比较高,因此,对手写体数字识别的研究,除了可以作为字符识别的先行研究之外,还有实际应用.在平常生活中，我们经常会遇到具有噪声干扰的字符数字的识别，比如要求识别字体模糊不清，难以辨认的汽车车牌等，如何从这些残缺不全的信息中提取完整的信息，是非常关键的技术，在邮政，交通，票据方面都有非常高的应用价值，用神经网络进行字符的识别是常用的方法.

数字识别分为图像处理模块和模式识别模块，在模式识别部分，首先把图像处理部分所得到的特征值输入到训练好的神经网络，然后用训练好的神经网络对提取出来的字符特征值进行识别，最后得到要识别的数字。当前在数字识别领域出现了多种识别数字的方法，其中神经网络的识别包括：1、基于rbf神经网络的数字识别，这种方法其结构简单, 每个隐节点映射函数是不同的非线性函数, 所以可以保证快速的学习速度, 并且是全局最优[1]；2、基于bp神经网络的带噪声英文字母和数字的识别，这种方法有良好的容错能力较强的分类能力并行处理能力和自学习能力；缺点是对于干扰量非常敏感、隐层节点数需要经过多次尝试、学习速度慢且易陷入局部极小点[2]；3、基于matlab神经网络的数字识别，这种方法能达到一定的识别精度，其有别于一般的数字识别系统将印刷体和手写体字符分开考虑，而是将两者结合在一起考虑，对印刷体数字达到近百分之百的识别率，对较工整的手写体数字能到达近百分之八卡的识别率，缺点是对训练样本和识别样本有一定的限制、在识别手写体的相似字符时表现不佳，识别率不是很高[3]；4、基于hopfield神经网络带噪声数字识别，这种方法模拟了生物神经网络的记忆功能，利用神经网络的良好的容错性，识别出不完整、污损的、畸变的输入样本，但是它对一些关联性很强的样本，无法正确记忆住，从而无法正确识别[4]；5、利用小波和rbf进行手写体数字识别这种方法将小波与神经网络结合起来进行手写数字识别, 利用小波变换能很好的获得数字的特征, 解决了神经网络识别中经常出现的输入特征复杂, 数据量大等的缺点, 不易受噪声的影响, 同时具有较高的识别率[5]。

2. 研究的基本内容、问题解决措施及方案

一、本课题要研究或解决的问题

本课题的主要任务是①应用matlab及其工具箱进行编程，②选择bp神经网络算法，建立数字识别模型，不断用样本对建立的模型进行预测，③使用网络的神经网络工具箱和函数，对较大噪声的数字也能识别并纠正出来。

主要解决的问题是用matlab编程，用bp神经网络算法建立模式识别模型，对有噪声的手写体数字进行识别。模型的实现可选用高性能的数值计算可视化软件matlab,建立三层bp神经网络,