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]。

随着国家信息化发展进程的加速推进，数字识别系统的应用需求将越来越广泛，因此在数字识别方向的研究将被重视。相信在不久的将来理想的数字识别系统会得到很好的发展和应用。本课题利用Matlab软件建立一种神经网络识别模型；对不同噪声的数字进行识别测试，要求有较高的准确率。

2 . 神经网络数字识别所需模型系统分析：

2.1 人工神经网络的概述

所谓人工神经网络就是基于模仿生物大脑的结构和功能而构成的一种信息处理系统（计算机）。按美国神经网络学者Nielsen的定义:人工神经网络是一个并行、分布处理结构，它由处理单元及其称为联接的无向讯号通道互连而成。这些处理单元具有局部内存，可以完成局部操作，即它必须仅仅依赖于经过输入联接到达处理单元的所有输入信号的当前值和存储在处理单元局部内存中的值。每个处理单元有一个单一的输出联接，输出信号可以是任何需要的数学模型。尽管它只是大脑的低级近似，但它的许多特点和人类的智能特点类似，有着较强的识别能力和广泛的应用前景。神经网络用于手写体数字识别相比于一些传统的识别方法具有较快的学习速度，良好的容错能力，良好的处理能力和自学习能力，抗干扰能力强及识别率高。

2.2 系统实现思想

字符识别系统一般分为预处理、特征提取和分类器三部分[3]。其中，预处理包括将图片从模拟图像到进行二值化、字符分割、归一化等过程；预处理首先需要将扫描输入的RPG格式图像转化为二值化的图像，将二值化后的图像进行分割处理，最后对图像进行归一化处理；特征提取和分类器的设计是整个系统的核心部分。通过对各个部分分别进行编程处理来实现，将每部分编为可调用的函数，最后统一对函数进行调用，清晰方

便。

3. 使用的开发工具

3.1 MATLAB简介