基于BP神经网络的英文字母识别摘要：本文简述了BP神经网络模型及BP学习算法规则，并在Matlab中利用BP神经网络对英文字母进行了识别，经结果分析发现BP神经网络对字母具有一定的辨识能力，是一种对字母识别的有效方法。关键词:BP神经网络Matlab字母识别Abstract:Thispaperfirstdescribesthebackpropagationnetworkmodelandtheruleofbackpropagationlearningalgorithm.AndthenidentifiedthealphabetinMatlabusingthebackpropagationnetwork.Theresultsshowthatthebackpropagationnetworkhastheabilitytoidentifysomeofthelettersofthealphabet,whichisaneffectivemethodforcharacterrecognition.KeyWords:Backpropagationnetwork;Matlab;characterrecognition1引言20世纪80年代中期，学者Rumelhart、McClelland和他们的同事提出了多层前馈网络MFNN(MutltilayerFeedforwardNeuralNetworks)的反向传播学习算法，简称BP网络(BackPropagationNetwork)学习算法。BP网络是对非线性可微分函数进行权值训练的多层前向网络。在人工神经网络的实际应用中，80%～90%的模型都采用BP网络或其变化形式。采用BP算法的多层前馈网络,是迄今为止应用最广泛的神经网络,具有很强的非线性逼近能力以及自适应、自学习能力。英文字母识别，是文字识别中一个重要分支。由于英文字母字体种类繁多，因而对英文字母的识别难度很大。针对英文字母的特性，本文基于BP算法，设计了一种英文字母识别训练系统。本文主要选取四种大小写英文字母作为训练集样本,用设计的BP网络对其进行训练,从而得到英文字母的识别结果。2BP神经网络BP神经网络作为人工神经网络中应用最广的算法模型，具有完备的理论体系和学习机制。它模仿人脑神经元对外部激励信号的反应过程，建立多层感知器模型，利用信号正向传播和误差反向调节的学习机制，通过多次迭代学习，成功地搭建出处理非线性信息的智能化网络模型。2.1BP神经网络模型反向传播神经网络（Back-PropagationNetwork，简称BP网络）是对非线性可微分函数进行权值训练的多层网络，是前向神经网络的一种。BP网络主要用于：1）函数逼近与预测分析：用输入矢量和相应的输出矢量训练一个网络，逼近一个函数或预测未知信息；2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来；3）分类：把输入矢量以所定义的合适方式进行分类；4）数据压缩：减少输出矢量维数以便于传输与存储。在人工神经网络的实际应用中，80%－90%的神经网络模型是采用BP网络或它的变化形式，它也是前向网络的核心部分，体现了人工神经网络最精华的部分。BP神经网络的模型结构如图1所示。图1具有一个隐含层和输出层的BP神经网络模型BP网络的激活函数必须是处处可微的，所以它就不能采用二值型的阈值函数{0，1}或符号函数{-1，1}，BP网络经常使用的是Sigmoid函数、正切函数或线性函数。Sigmoid型激活函数具有非线性放大系统功能，它可以将输入从负无穷大到正无穷大的信号，变换成0到1或-1到1之间的输出，对较大的输入信号，放大系数较小；而对较小的输入信号放大系数较大，所以采用Sigmoid型激活函数可以去处理和逼近非线性的输入/输出关系。不过，如果在输出层采用Sigmoid型激活函数，输出则被限制在一个很小的范围内，若采用线性激活函数，则可使网络输出任意值。所以只有当希望对网络的输出进行限制，如限制在0和1之间，那么在输出层应当包含Sigmoid型激活函数。2.2BP学习算法规则BP网络是一种具有三层或三层以上的神经网络，上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法称为“误差逆传播算法”，即BP算法。从大的方面来说，学习算法可分为两类：有监督的学习算法和无监督的学习算法。对于有监督的学习算法，学习和应用是分开的两个过程。学习过程是一个外加的对神经网络的连接强度进行系统调整的过程，而应用过程则是一个自治的动力学过程。通俗的说，这种神经网络就...