《基于神经网络的数字识别》开题报告

开题报告电气工程及其自动化基于BP神经网络的数字字母识别系统设计——系统分析设计一、课题研究意义及现状随着信息科技技术的飞速发展，神经网络从当年的无人问津到现在广泛应用于各个领域，这个不是偶然而是其功能大部分能适应生产生活的各方面需求。

特别是在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别等方面有重大的应用。

BP神经网络已被广泛地应用于各个领域，它的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。

正向传播时，输入样本从输入从输入层传入，经各隐层逐层处理后，传向输出层。

若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。

误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。

这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行的。

此过程一直进行到网络输出误差减少到可以接受的程度，或进行预先设定的学习次数为止。

本课题就是利用BP神经网络的工作原理，对0、1、2、3、4、5、6、7、8、9十个数字的图像提取特征向量作为神经网络识别输入向量的基础上，分析建立对0、1、2、3、4、5、6、7、8、9十个数字进行识别的BP神经网络拓扑结构，为程序实现识别系统创造条件。

目前，手写体字符识别是一个非常重要和活跃的研究领域，它涉及到模式识别、图像处理、人工智能、模糊数学、信息论、计算机等学科，是一门综合性技术，有广阔的应用背景与巨大的市场需求。

因此，对字符识别的研究具有理论与应用的双重意义。

二、课题研究的主要内容和预期目标（一）研究内容（1）熟悉BP神经网络的基本原理及其算法；（2）掌握人工神经网络的拓扑结构模型，并利用该模型构建识别系统（3）在含有噪声的情况下对识别系统的影响，并能提高识别的准确率（4）研究出最好的方案分别使识别率，复杂度方面达到理想状态（二）预期目标结合自己的所学的BP神经网络知识对0到9十个数字字符进行编码，变成神经网络可以接受的输入向量形式，构建数字字符识别的BP神经网络拓扑结构模型，完成基于BP神经网络数字识别系统设计。

[收稿日期]20090315　[作者简介]卜富清(1979),男,2002年大学毕业,讲师,硕士生,现主要从事图像识别方面的研究工作。

基于BP 神经网络的数字识别 卜富清　(成都理工大学信息管理学院,四川成都610059;长江大学一年级工作部,湖北荆州434023) 王茂芝,于庆刚　(成都理工大学信息管理学院,四川成都610059)[摘要]介绍了字符识别的几种方法及神经网络的基本原理,并将BP 神经网络应用于数字识别,选取最佳的隐含层节点数及训练样本个数,实现了基于BP 神经网络的数字识别。

仿真试验结果表明,BP 神经网络可以对阿拉伯数字进行快速、准确的识别,具有广泛的应用前景。

[关键词]BP 神经网络;数字识别;MA TL AB[中图分类号]TP391[文献标识码]A [文章编号]16731409(2009)02N29302数字字符识别[1](Numeral Recognition )是光学字符识别(Optical Character Recognition ,OCR )技术的一个重要分支。

在大规模数据统计,邮件分拣,汽车牌照、支票、财务、税务、金融等有关数字编号的识别方面得到广泛应用,因此成为多年来研究的一个热点。

而人工神经网络(Artificial Neural Networks ,简称ANN )具有良好的容错能力、强大的分类能力、自适应和自学习等特点,备受人们的重视,在字符识别领域得到了广泛的应用。

用ANN 进行字符识别主要有2种方法:一是先对待识别字符进行特征提取,然后用所获得的特征来训练神经网络分类器。

这种网络的识别效果与字符特征提取的完备性有关;二是充分利用神经网络的特点,直接把待处理的图像输入网络,由网络自动实现特征提取直至识别。

这种网络的识别速度与输入的待处理图像大小有关。

笔者利用第2种方法将B P 网络应用于数字识别中。

图1　BP 神经网络结构图1　BP 神经网络的基本原理BP 神经网络是一种典型的前馈神经网络[2],其网络的基本结构如图1所示,B P 算法属于有监督式的学习算法,其主要思想是:输入学习样本,使用反向传播算法对网络的权值和偏差进行反复的调整训练,使输出的向量与期望向量尽可能地接近,当网络输出层的误差平方和小于指定的误差时训练完成,保存网络的权值和偏差。

基于bp神经网络的数字识别方法一．问题描述数字识别能够在汽车牌照、支票等有关数字的编号的识别方面有广泛的应用。

车牌等有字符和数字组成，采用固定的印刷字体。

在车牌识别中，因自然因素或采样因素导致采集到的数字样本存在一定的模糊与混杂等不同程度的污染，给字符识别带来很大的困难。

此处因字符和汉字识别的复杂性，并且对于车牌字符支票字符等图片数字要进行单个数字分割等设计很多图像处理内容，此处设计只对单个数字进行识别处理，本设计采用通过三种不同的字体及不同字号的数字为训练样本，并且选取不同大小数字和被污染得字体做为测试样本，通过图形处理等操作对被污染单个数字进行处理后识别，对其他不予考虑。

二．求解思路首先对图像进行预处理，以便于进行像素值的提取，对设计好的神经网络进行训练，对比训练的结果与期望的结构，并根据对比的结果对神经网络的一些权值进行修改，最终得到训练好的神经网络。

并选择测试样本，进行仿真测试。

三．设计方案1．图像预处理由于自然和人为因素影响，可能造成数字图像笔划缺损、噪声严重及几何形变等现象。

故识别前必须对图像进行必要的预处理。

图像处理流程：图1：图像处理流程2．特征提取对图像字符分割处理后得到单个数字，进行归一化处理，消除各个数字在位置和大小上的差异，提高识别的准确率。

过程为：截取数字图像像素值为0的最大矩形区域，将此区域的图像经过变换，将数字字符归一化为16*16的像素点阵图。

所有的训练样本和测试样本都要经过这样的处理。

3．bp神经网络设计与训练（1）bp神经网络的设计方法按照BP神经网络设计方法选用两层BP网络。

采用newff函数来建立BP网络。

其输入节点数为16×16＝256，隐层传输函数为Sigmoid函数。

假设用一个输出节点表示10个数字，则输出层传输函数为pureline，隐层节点数为256=++aa，取25。

1(10~1)（2）神经网络仿真程序设计构造训练样本集，并构成训练所需的输入向量p和目标向量t.通过画图工具获得数字。

基于BP神经网络的手写数字识别手写数字识别是一项重要的模式识别任务，它可以应用于自动识别银行支票上的金额、自动识别信封上的邮政编码等。

目前，基于BP神经网络的手写数字识别已经得到了广泛的研究和应用。

本文将介绍BP神经网络的原理和手写数字识别的实现过程，并通过实验验证其性能。

一、BP神经网络概述1.1 BP神经网络原理BP神经网络是一种常见的人工神经网络，它由输入层、隐层和输出层组成。

在BP神经网络中，输入层接收输入信号，隐层和输出层分别进行信息处理和输出。

神经元之间的连接权值是网络学习的关键参数，它决定了神经网络的性能。

BP神经网络通过反向传播算法来调整连接权值，使得网络输出与期望输出尽可能接近。

BP神经网络的训练过程包括前向传播和反向传播两个阶段。

在前向传播阶段，输入数据经过各层神经元的激活函数计算，得到网络的输出。

在反向传播阶段，根据网络输出与期望输出的误差，通过梯度下降算法来更新连接权值，使得误差最小化。

通过多次迭代训练，可以使神经网络不断优化，提高识别精度。

二、手写数字识别的实现2.1 数据集准备手写数字识别的数据集通常是由大量的手写数字图片组成，每张图片都对应一个标签，表示该图片代表的数字。

在本文实验中，我们将采用MNIST数据集作为手写数字识别的训练和测试数据集。

2.2 神经网络架构设计针对手写数字识别任务，我们设计了一个简单的BP神经网络架构。

该神经网络包括一个输入层、一个隐层和一个输出层。

输入层的节点数为图片像素的维度，输出层的节点数为10，代表数字0-9。

隐层的节点数为自定义的参数，通过实验来确定最佳的隐层节点数。

通过使用MNIST数据集进行训练，我们将输入图片进行预处理，将像素值进行归一化处理，然后作为神经网络的输入。

通过前向传播和反向传播算法，不断更新神经网络的连接权值，使得网络输出与期望输出尽可能接近。

在训练过程中，我们采用交叉熵损失函数作为误差函数，采用随机梯度下降算法来更新连接权值。

基于BP人工神经网络的脱机手写数字识别研究的开题报告一、研究背景手写数字识别是现代社会中普遍存在的一个问题，尤其是在图像处理、自动化控制和金融等领域。

为了解决这一问题，人们一直在研究开发相关的技术和工具。

其中，基于BP人工神经网络的脱机手写数字识别技术是一种最具潜力的解决方案之一。

二、研究内容本研究的主要目标是提出一种基于BP人工神经网络的脱机手写数字识别方法，并通过相关实验验证其有效性。

具体研究内容包括：1.数据预处理：采集手写数字图像并进行预处理，将图像转换为可用于神经网络输入的数字矩阵。

2. BP人工神经网络建模：根据预处理后的数字矩阵，建立BP神经网络模型，并通过学习和训练优化网络参数。

3.实验设计：将训练好的神经网络应用于手写数字图像识别中，并进行一系列实验，评估该方法的准确性和性能。

三、研究意义本研究旨在提出一种基于BP人工神经网络的脱机手写数字识别方法，并验证其实用性和有效性。

该方法不仅可以为手写数字识别相关领域提供可靠的解决方案，而且可以为基于人工神经网络的数据处理和识别提供一个新的思路和方法。

四、研究方法本研究主要采用以下方法：1.文献综述：对相关领域的前沿进展和技术进行综述和分析。

2.数据采集和预处理：采集手写数字图像数据并对其进行预处理和特征提取，以形成可用于神经网络输入的数字矩阵。

3.神经网络建模：建立BP神经网络模型，并采用误差反向传播算法优化模型参数。

4.模型测试与评估：将训练好的模型应用于手写数字图像识别中，并通过一系列实验评估其准确性和性能。

五、研究预期结果本研究预期可获得以下结果：1. 提出一种基于BP人工神经网络的脱机手写数字识别方法，该方法可达到较高的准确性和快速性能。

2. 通过实验验证该方法的可行性和有效性，并与其他常见手写数字识别技术进行比较和分析。

3. 为基于人工神经网络的数据处理和识别提供一个新的思路和方法，并对相关领域的研究和应用推广具有一定的参考价值。

基于BP神经网络的手写数字识别实验报告基于BP神经网络的手写体数字图像识别PT1700105 宁崇宇PT1700106 陈玉磊PT1700104 安传旭摘要在信息化飞速发展的时代，光学字符识别是一个重要的信息录入与信息转化的手段，其中手写体数字的识别有着广泛地应用，如：邮政编码、统计报表、银行票据等等，因其广泛地应用范围，能带来巨大的经济与社会效益。

本文结合深度学习理论，利用BP神经网络对手写体数字数据集MNIST进行分析，作为机器学习课程的一次实践，熟悉了目前广泛使用的Matlab工具，深入理解了神经网络的训练过程，作为非计算机专业的学生，结合该课题掌握了用神经网络处理实际问题的方法，为今后将深度学习与自身领域相结合打下了基础。

1 引言从计算机发明之初，人们就希望它能够帮助甚至代替人类完成重复性劳作。

利用巨大的存储空间和超高的运算速度，计算机已经可以非常轻易地完成一些对于人类非常困难的工作，然而，一些人类通过直觉可以很快解决的问题，却很难通过计算机解决，这些问题包括自然语言处理、图像识别、语音识别等等，它们就是人工智能需要解决的问题。

计算机要想人类一样完成更多的智能工作，就需要掌握关于这个世界的海量知识，很多早期的人工智能系统只能成功应用于相对特定的环境，在这些特定环境下，计算机需要了解的知识很容易被严格完整地定义。

为了使计算机更多地掌握开放环境下的知识，研究人员进行了很多的尝试。

其中影响力很大的一个领域就是知识图库（Ontology），WordNet是在开放环境中建立的一个较大且有影响力的知识图库，也有不少研究人员尝试将Wikipedia中的知识整理成知识图库，但是建立知识图库一方面需要花费大量的人力和物力，另一方面知识图库方式明确定义的知识有限，不是所有的知识都可以明确地定义成计算机可以理解的固定格式。

很大一部分无法明确定义的知识，就是人类的经验，如何让计算机跟人类一样从历史的经验中获取新的知识，这就是机器学习需要解决的问题。

基于BP神经网络的脱机手写体数字识别的开题报告1. 研究背景与意义手写数字识别一直是计算机视觉领域的重要研究方向，它能够应用到许多实际场景中，如自动识别银行支票、邮递信件、贵重物品标签等。

目前常用的数字识别技术有基于模板匹配、基于图像特征以及基于机器学习算法等。

然而，基于模板匹配和基于图像特征的算法对于手写数字的变形和扭曲等情况并不是很稳健，而基于机器学习的方法因为具有较高的准确性和可扩展性，因此越来越受到研究者的关注。

神经网络作为机器学习领域的一种重要算法，近年来在手写数字识别领域获得了广泛的应用。

BP神经网络是一种多层前馈神经网络，拥有良好的学习能力和泛化能力，适用于分类、回归等各种问题。

因此，基于BP 神经网络的脱机手写数字识别算法的研究对于提高手写数字识别的准确性和实用性有着重要的意义。

2. 研究内容本研究旨在构建基于BP神经网络的脱机手写数字识别系统，主要包括以下方面的内容：（1）数据集的构建和预处理：采用公开数据集进行实验，对数据集进行预处理，以便于神经网络的训练和测试。

（2）神经网络的设计与训练：设计一个多层前馈神经网络架构，并利用Back Propagation算法进行训练，以得到较高的识别准确率。

（3）实验与结果分析：采用不同的学习率、激活函数、神经元数量等参数进行实验，评估系统的识别准确率，并对实验结果进行分析和总结。

3. 研究方法本研究主要采用基于BP神经网络的脱机手写数字识别方法，具体流程如下：（1）预处理：对手写数字进行预处理，如二值化、去噪声等。

（2）特征提取：将数字图像转换为一组特征向量，如网格数值、端点数、互相关函数等。

（3）神经网络训练：设计多层前馈神经网络模型，将特征向量输入网络，并采用Back Propagation算法进行训练。

（4）识别：将数字图像的特征向量输入训练好的神经网络中，得到识别结果。

4. 预期成果与意义本研究预期可以构建出一种基于BP神经网络的脱机手写数字识别系统，并实现较高的识别准确率。

开题报告：基于BP神经网络的技术创新一、研究背景随着人工智能和大数据技术的迅猛发展，BP神经网络逐渐成为人工智能领域中非常重要的一个分支。

BP神经网络是一种有监督学习神经网络，主要应用于分类和回归问题，优化算法主要是通过反向传播来实现的。

BP神经网络不仅能够应用于传统的图像识别和语音识别等领域，也能应用于更广泛和复杂的领域，如自然语言处理、数据挖掘、金融分析等等。

因此探究BP 神经网络技术的创新是非常有意义的研究方向。

二、研究目的与意义本次研究的目的是通过分析BP神经网络的优缺点，探究如何在该算法的基础上进行技术创新，并运用其在一些实际应用中，以解决一些实际问题。

本研究的意义在于：1.为人工智能领域的发展提供参考和思路。

2.推动BP神经网络技术在实际应用中的广泛普及和进一步发展。

3.实现一些实际问题的解决。

三、研究内容本研究计划分成以下三个部分：1.BP神经网络算法的基本原理和流程。

2.探究BP神经网络算法的优缺点，并进行技术创新。

3.将BP神经网络算法应用于一些实际问题中，以展示其在实际应用中的价值和优势。

四、研究方法本研究主要采用以下两种方法：1.理论分析法：通过文献查阅和分析，了解BP神经网络的相关原理和流程，研究其优缺点，并探究如何进行技术创新。

2.实例分析法：选择一些实际数据和问题，将BP神经网络算法应用于其中，并研究优化算法的效果和实际应用的价值。

五、研究计划本研究计划分成以下三个阶段：1.研究BP神经网络算法的基本原理和流程，分析其优缺点。

–时间安排：2周。

–完成任务：理论分析报告。

2.探究BP神经网络算法的优缺点，并进行技术创新。

–时间安排：4周。

–完成任务：技术创新实验报告。

3.将BP神经网络算法应用于一些实际问题中，以展示其在实际应用中的价值和优势。

–时间安排：4周。

–完成任务：实例分析报告。

六、预期成果通过本次研究，预期能够达到以下成果：1.综合了解BP神经网络的优缺点。

2.探究BP神经网络在技术创新方面的前景。

基于神经网络的手写数字识别技术研究1. 前言手写数字识别技术是计算机视觉领域的一项重要技术，其通过对数字图像进行处理和分析，使用算法将其转化为数字形式，方便计算机进一步进行处理。

随着计算机技术的发展，手写数字识别技术也不断得到了提高和进步。

本文将介绍基于神经网络的手写数字识别技术的研究进展。

2. 神经网络的概念神经网络是一种类似于人脑结构和功能的计算模型，它由多个神经元相互连接而成，每个神经元都有自己的权值和阈值，输入信号经过神经元加工处理后输出给下一层。

神经网络具有自学习和自适应的功能，可以从大量数据中学习识别模式，进而实现对新的数据进行分类和预测。

3. 基于神经网络的手写数字识别技术基于神经网络的手写数字识别技术，是通过构建一个神经网络模型对手写数字进行识别。

其主要步骤包括预处理、特征提取、网络构建和训练等。

3.1 预处理预处理是在手写数字识别技术中非常重要的一步，其目的是为了消除图像中的噪点和干扰信息，使得识别效果更加稳定和准确。

预处理的过程包括二值化、滤波、去噪等。

3.2 特征提取特征提取是将原始图像中的数字信息转化为能够表征数字特征的向量或者矩阵形式。

常用的特征提取方法包括梯度特征、矩特征、小波特征等。

3.3 网络构建网络构建是指根据已经提取好的特征信息，使用神经网络进行模型的构建。

常用的神经网络结构包括全连接网络和卷积神经网络，其中卷积神经网络在图像识别领域应用较广泛，因为其具有空间信息的保存和共享功能。

3.4 训练在网络构建好之后，需要通过大量的训练数据对神经网络进行训练。

训练数据一般要求覆盖尽可能多的数字样本，并且保证数据的纯度和可靠性。

常用的训练方法有反向传播算法、遗传算法等。

4. 基于神经网络的手写数字识别技术研究进展基于神经网络的手写数字识别技术在过去几年中取得了很大的发展。

早期的研究主要是利用全连接网络进行模型的构建和训练，但是其准确率较低，泛化性不够好，不适用于复杂的图像识别任务。

基于神经网络的数字识别技术研究作者：刘锦来源：《软件导刊》2014年第02期摘要：将图像的像素特征与矩特征结合，构建了神经网络分类器，利用提取的特征向量对分类器进行了训练和测试。

将图像二值化，并归一化为16*16大小，提取了其每个像素点的0、1特征共16*16=256维，图像的网格特征13维，及Hu矩特征7维，一共276维特征。

建立了BP神经网络分类器，分别使用最速下降BP算法、动量BP算法、学习率可变BP算法对BP神经网络分类器进行了训练，得出了在相同条件下学习率可变BP算法训练时间短，收敛快的结论。

建立了PNN神经网络分类器，与BP神经网络分类器性能进行比较，实验结果表明，PNN神经网络分类器性能更好。

关键词关键词：神经网络；数字识别；特征提取中图分类号：TP312文献标识码：A 文章编号：16727800（2014）0020058030引言数字识别是模式识别领域的一个重要分支，在表单自动读取、信息录入等方面有着重要作用。

图像的像素特征反映了图像的大量信息，稳定性好、易于实现。

其矩特征具有平移、旋转和缩放不变性，匹配性好[1]。

人工神经网络是由大量简单的基本元件——神经元相互连接，通过模拟人的大脑神经处理信息的方式，进行信息并行处理和分线性转换的复杂网络系统[2]。

自1943年心理学家McCulloch和数学家Pitts提出神经元生物学模型以来，人工神经网络经过不断地发展成熟，至今已经广泛地应用于各个领域。

本文将图像的像素特征和矩特征相结合，用于人工神经网络分类器的训练和测试，获得了良好的识别效果。

1图像特征提取特征提取是根据测量数据确定出对分类有意义的数据作为特征数据，这些特征类内样本距离应尽量小，类间样本距离应尽量大[3]。

特征提取算法应具有较高的稳定性和鲁棒性，同时又便于提取，易于实现。

在特征提取之前，需要对图像进行预处理。

首先，将图像进行二值化处理，保证目标像素值为1，背景像素值为0；然后，将图像归一化为16*16像素大小。

基于BP神经网络的手写数字识别手写数字识别是一个常见的图像处理任务，旨在将手写数字的图像转换为相应的数字。

传统的方法通常使用特征提取和分类器来完成这个任务。

但是，基于神经网络的方法已经证明比传统方法更有效和准确。

BP神经网络是使用最广泛的神经网络之一，用于解决各种分类和预测问题。

在本文中，我们将探讨如何使用基于BP神经网络的方法来实现手写数字识别。

首先，我们需要定义神经网络的结构。

对于手写数字识别，我们可以使用一个三层的BP神经网络，其中输入层有784个神经元（对应于28 x 28个像素），一个隐藏层，和一个输出层，输出层有10个神经元，分别对应于数字0到9。

接下来，我们需要准备训练数据。

我们可以使用MNIST数据集，该数据集包含了70,000张手写数字的图像，每张图像都有一个正确的标签。

我们可以将这些图像和标签分成训练集和测试集，其中训练集用于训练神经网络，测试集用于评估模型的准确性。

在使用训练数据时，我们需要将图像转换为数字向量，并将标签编码为独热向量。

然后，我们可以开始训练神经网络。

在每个训练迭代中，我们根据输入数据计算前向传递，并计算误差。

然后，我们使用反向传播更新网络的权重。

这个过程被重复进行多次，直到误差收敛为止。

最后，我们可以使用测试集评估模型的准确性。

我们将每个测试样本的图像输入到神经网络中，并将神经网络的输出与实际标签进行比较。

我们可以使用准确率来评估模型的实际性能，例如正确分类的测试样本的比例。

总结来说，基于BP神经网络的手写数字识别是一种可行和准确的方法。

然而，需要注意的是网络的结构和超参数的选择，以及训练和测试数据的质量都会影响模型的性能。

基于神经网络的数字识别技术研究现代社会中，随着信息技术飞速的发展，各个领域都广泛使用信息技术，将我们的双手和智慧融入到信息技术中，其中有非常突出表现的信息技术是通过对人工神经元网络的研究，人们有了一种基于神经网络的数字识别技术，并且经过大量的验证，已经有较大的成果，且还在很多重要的领域中有广泛的应用。

现在数字识别技术已经有了较为成熟的成果了，比如印刷体数字的识别率已经是100%的成功，手写体数字识别技术也已经在98%以上了，比如是银行票据和文本信息处理等都是应用的数字识别技术。

标签：神经网络；数字识别；BP网络引言模式识别中的众多分支中，数字识别是一个非常重要的分支，通过表单中的图像信息自动读取、信息采集等等都不能缺少数字识别。

图像的像素特点很好的反映了图像传递出来的信息情况，其非常的简单易操作，也有较为稳定的图像处理。

基于神经网络的数字识别其实就是模拟的人体的大脑神经系统处理信息的方式，将采取到的信息并行处理，和分线性转化的复杂网络系统。

现代社会经济科技发展迅速，我们对于人工神经网络系统的发展已经日渐趋于成熟，现今已经应用到各个重要领域中，本文将采取的图像的像素特征和矩特征进行相互结合，利用人工神经网络分类器的测试，以此来获取数字识别技术的识别效果。

一、特征提取特征提取是在图像处理中非常关键的，我们的图像处理中需要保证有足够的信息量，以此来得到图像的较高识别率。

同时根据我们测量出来的数据，确定出对我们图像处理有意义和作用的数据，得出我们的图像特征，特征类的样本间的距离尽可能的小，类间样本距离尽可能的大一点。

特征提取是有较高的稳定性的，方便操作，也方便提取。

首先：我们为了将图像中笔划进行清晰的展示，需要将我们的图像颜色进行灰度化处理，没有其他的颜色显示，只是调整亮度，通过常用的加权平均法，然后将图像的亮度进行处理。

然后，将我们得到的图像进行二值化，二值化中我们不常用的是动态阀值法，因为它主要是根据像元的领域特征来自己适应的改变阀值，领域灰度变化太快，计算时间长，很麻烦。

毕业设计（论文）开题报告题目：基于神经网络的人脸识别系统设计专业：电子信息工程1选题的背景、意义基于神经网络的人脸识别系统是一个复杂的过程，主要包括：从ORL内提取人脸、人脸规范化、特征提取、软件识别、输入系统、中间处理层、输出结果这七个过程。

人工神经网络的发展已经有一段比较长的历史了，据《MATLAB神经网络应用设计》的记载，它的发展有过两个高潮，第一次热潮开始于1943年，著名心理学家W.mcculloch、数学家W.pitts、Hebb开创了神经科学理论研究时代。

之后相继有了更大的发展：伺服电机反馈自稳定系统、模拟人脑感知和学习能力的感知器概念、神经元网络方程、自适应线性元件等等，大家对神经系统表现出来的好奇心大大的推动了神经网络的发展，一直到1969年，这段时间的发展科学家们为此作出了巨大的贡献[1]。

之后进入了一个低潮，据董长虹所编著的《MATLAB神经网络应用设计》所叙述20世纪60年代到70年代是神经网络发展的低潮时期，主要是因为人们发现了神经网络的传感器存在很多缺陷，并不能象所预期的正确的测试出我们所要的结果[2]。

但是这中间也一定发展:自组织映射、神经认知机网络理论、BSB模型、BP理论等等。

第二次高潮是在20时间80年代，就是在1982年提出“Hopfield”(一个非线性动力系统的理论模型)之后，神经网络有了巨大的发展，之后又有了大规模并行网络学习机（隐单元）、NETTAL程序系统、杂志《神经网络》、IEEE的神经网络杂志等都不断推动了【3】。

人脸的识别是基于生物特征识别技术的一种主要方法。

早在1888年和1910年，高尔顿在《NATURE》杂志内发表了2篇关于通过人脸进行身份识别的文章，而且对人类自身的人脸识别能力也进行了分析。

自1990年之后，人脸识别得到了空前的发展，许多理工科大学和IT产业公司都开始对此进行了研究，通过对人脸图像的检测标准化，然后进一步分析人脸的表征，提取人脸的特征，识别人脸，最后输出相应的符号。

基于神经网络的识别技术研究随着科技的发展，人工智能技术已经逐渐应用到各个领域当中。

其中，基于神经网络的识别技术是应用较为广泛的一种。

本文将从神经网络的基本原理、应用领域及未来发展趋势三个方面展开，探究基于神经网络的识别技术的研究现状与未来趋势。

一、神经网络的基本原理神经网络是一种模拟人脑神经系统运作的人工智能技术。

它由多个神经元互相连接而成，就像人脑中的神经元一样，会形成一些复杂的模式和规律。

神经网络的学习过程通常分为监督式学习和无监督式学习两种。

监督式学习是指给神经网络提供一个已知的输入及正确输出的数据集，通过对这些数据的学习，神经网络可以逐渐调整自身的连接权重，使得输出结果更加准确。

无监督式学习则是在没有已知数据的情况下，让神经网络自行探索数据间的规律性，以便于后续的应用。

在进行学习的过程中，神经网络通过利用梯度下降算法对自身的参数进行调整，以最小化神经网络对预测输出的误差。

学习完成后，神经网络就可以用于对未知输入进行识别和分类。

二、应用领域基于神经网络的识别技术已经被应用到了许多领域，以下是几个典型的例子：1. 人脸识别：人脸识别技术广泛应用于公安、安防等领域。

它通过将人脸图像输入神经网络进行学习，基于识别技术的深度学习和网络模型训练，对人脸进行识别并且进行识别算法的升级优化。

2. 语音识别：语音识别技术使得我们可以通过语音控制智能家居、智能音响等设备，并已成为人类与计算机之间进行语音交互的一个关键技术。

基于神经网络的语音识别技术主要是通过识别语音中的声音、音调和音位信息，从而获取需要对特定语句响应以及相应操作。

3. 自然语言处理：自然语言处理技术已经被广泛应用于机器翻译、问答系统问答、文本分类等方面。

基于神经网络的自然语言处理技术可以捕捉文本中的语义信息，提高文本分类的准确率，以及提供自然语言生成服务。

4. 图像分类：基于神经网络的图像分类技术已经被应用于智能驾驶、医学图像诊断等领域。

它可以将通过传感器或仪器获取的图像数据输入神经网络中进行学习，最终识别出图像中的物体、场景等信息。