《基于 BP 神经网络的条码识别.doc》由会员分享，可在线阅读，更多相关《基于 BP 神经网络的条码识别.doc（4页珍藏版）》请在三一办公上搜索。
1、精品论文基于 BP 神经网络的条码识别王奇 辽宁工程技术大学理学院，阜新（123000） E-mail: wangqi54770701摘要： BP 学习算法是目前应用最广泛的学习算法，虽然其收敛性尚未被证明，但是它已在许多实际中，如模式识别、系统辨识、图像处理、函数拟合等领域得到乐广泛而成功的应 用。本文给出了一种 BP 神经网络对于条码识别的一种计算思想与方法，在进行 BP 网络设计中，主要考虑网络层数，各层中网络神经元节点数，初始值的选择，期望误差等几个方面 考虑。并给出了相应的 BP 算法。不仅节省时间，还提高了准确率，应用了电脑的高效，准 确的优势。给现代快节奏生活提供了便利。关键词：
2、BP 神经网络；条码识别；BP 算法1.引 言近年来随着经济的发展，条形码的识别被越来越广泛的应用。在日常生活中，越来越多 的场合中，需要通过条形码的识别将信息输入电脑，或与电脑中的信息进行核对，如超市买 东西结算时，进入学校图书管时等等。这不仅节省时间，还提高了准确率。应用了电脑的高 效，准确的优势。而本文主要对条形码下的数字进行识别。一般有四个部分组成：（1） 正确的分割出需识别数字图像区域；（2） 正确分离出需识别的单个数字；（3） 正确识别单个数字；（4） 正确有序的输出单个字符。 为了实现这个目标，需要一种多层前馈网络使用的监控式学习算法。反向传播（BackPropagation）学
3、习方法也称 BP 算法，相应的神经网络也称 BP 网络。在前馈多层感知机中 引进了中间隐层，而隐层的目标是无法知道的，所以隐层的输出误差也不能直接计算，训练 单层感知机的监控式学习计算无法直接应用。于是 1982 年，Rumelhard 和 Mcclelland 等人 提出了著名的 BP 算法，其思想是使用梯度搜索理论，以使得网络实际输出（计算输出）与 期望输出（目标输出）的均方差达到最小1。网络学习的过程是，将输出层误差反向传播回 去，并借以修正全值。BP 学习算法是目前应用最为广泛的学习算法，这种算法基于误差的 梯度下降准则，功能强大，易于理解，是多层神经网络有监督训练中最具有启发价值的一
4、种 算法，目前在应用实际中比较成熟，这也是选择这一算法的主要原因。2.BP 神经网络的设计时考虑的因素在进行 BP 网络设计中，主要考虑网络层数，各层中网络神经元节点数，初始值的选择， 期望误差等几个方面考虑。2.1 网络层数的选择增加网络层数可以降低误差，提高精度，我们选用三层 BP 网络。因为过高的网络层数 过会导致网络结构复杂化，而研究表明，三层 BP 网络可以逼近任何函数。2.2 各层中神经元节点数假定给处输入号码的特征对应字符采用10 10 归一化处理，直接将每个点的像素值作 为特征值，所以输出层节点数为10 10 = 100 。- 4 -输出层的节点数则取决于如何设定输出标准，也就
5、是如何对目标期望进行编码，我们用8421 对数字 0，1，2，3，4，5，6，7，8，9 进行编码。例如【2】，对数字“0”采用（0，0，0，0）作为输出向量，依此类推，对数字“9”采用（1，0，0，1）作为输出向量，这样输出向量， 这样，输出向量的位数是 4，因此输出层的神经元节点数为 4.在实践中，由于 S 型激活函数的输出实际上不可能到达 0 或 1，只能接近 0 或 1，因此 我们发现输出向量中分量才用 0 或 1 是，BP 网络无法收敛，因此我们将输出向量输出向量 编码中 0 用 0.1 道题，1 用 0.9 代替3，最终的编码方案如下：0 编码为（0.1，0.1，0.1，0.1）1
6、 编码为（0.1，0.1，0.1，0.9）2 编码为（0.1，0.1，0.9，0.1）3 编码为（0.1，0.1，0.9，0.9）4 编码为（0.1，0.9，0.1，0.1）5 编码为（0.1，0.9，0.1，0.9）6 编码为（0.1，0.9，0.9，0.1）7 编码为（0.1，0.9，0.9，0.9）8 编码为（0.9，0.1，0.1，0.1）9 编码为（0.9，0.1，0.1，0.9） 模型如下：0x0t11x1t22x2Mt3MM MMt49x9图 1 条形码识别模型2.3 初始值的选择权值的初始值应取均匀的小数经验值，过大或过小都影响学习的速率，初始值应设定为 随机数。2.4 期望误
7、差合适的期望误差选取，可以加快神经网络的训练，缩短神经网络的训练时间。我们选取0.001 可以达到我们的预期【4】。3.BP 网络算法基于权值调整规则的讨论，下面给出 BP 学习算法的步骤。（1）初始化 在依据实际问题（输入变量和输出变量个数）给处的网络连接结构，随机地设置所有联接权值为任意小。（2）提供训练样本如果输出变量为 n 个，输出变量为 m 个，则每个训练样本形式为( x1 , x2 ,L, xn ; t1 , t 2 ,L, t m ) 。这里 t1 , t2 ,L, tm 是输入为 x1 , x2 ,L, xn 时的期望输出。（3）计算实际输出1 利用非线性函数 yi= 1 +
8、exp(ij xi )逐级计算各节点（不包括输入层）的输入 i值，令最后的输出为O1 , O2 ,L, Om 。（4）权值调整用递归方法从输出点开始返回到因层节点，按下式调整权值ij ( N + 1) = ij ( N ) + Oi j这里 Oi 是上层点接 i 点的输出。若 j 是输出层节点，则 j= O j (1 O j )(t O j ) ，若 j 是隐层节点，则 j次的所有节点。= O j (1 O j ) k jk ，其中 k 是节点 j 所在的层次的下层ijk有时为了收敛速度快些，课增加一个冲向量，使权值变得平滑些，即ij( N + 1) = ij( N ) + Oi j+ ( N
9、 ) ij( N 1)， 0 1（5）返回（2）步，重复之，直到误差满意为止。4. 结论本文给出了利用 BP 神经网络来解决条形码的识别问题，实际上就是利用 BP 网络来完 成数字的识别，准确率可以达到 90%，而每个条形码扫码时间不超过 10 秒。对实际应用有 很大贡献。参考文献1 郭嗣琮，陈刚. 信息科学中的软计算方法M ,沈阳: ,东北大学出版社,2001.11 2 陈明. 神经网络模型M,大连:大连理工大学出版社,19953 余英林，李海洲. 神经网络与信号分析M,广州:华南理工大学出版社,19964杨淑莹. 图像识别-VC+技术实现M, ,北京:清华大学出版社,2005BP neur
10、al network based on the bar code identificationWang QiCollege of Science of Liaoning Technical University,liaoningfuxin(123000)AbstractBP learning algorithm is the most widely used learning algorithm, while its convergence has not yetbeen proven, but it has many practical, such as pattern recognitio
11、n, identification systems, image processing, such as fitting function in the field of music has been extensive and successful application . In this paper, a BP neural network for the bar code identification with the thinking of a calculation method, in the BP network design, the main network layers,
12、 and layers of neurons in the network nodes, the initial value of the option, expect Error, and other aspects to consider. And given the appropriate algorithm for BP. Not only saves time but also improves accuracy, the application of high-performance computers and accurate advantages. To the fast-paced modern life has been facilitated.Keywords: BP neural network; Bar code identification; Back Propagation
