基于

VC++的数字识别系统的设计与实现

神经网络模型用于模拟人脑神经元活动的过程。其中包括对信息的加工、处理、存

储和搜索等过程，它具有如下基本特点

:

1、神经网络具有分布式存储信息的特点。它存储信息的方式与传统的计算机的

思维方式是不同的，一个信息不是存在一个地方，而是分布在不同的位置。网络的某
一部分也不只存储一个信息，它的信息是分布式存储的。神经网络是用大量神经元之
间的连接及对各连接权值的分布来表示特定的信息。因此，这种分布式存储方式即使
当局部网络受损时，仍具有能够恢复原来信息的优点。

2、神经网络对信息的处理及推理的过程具有并行的特点。每个神经元都可以根

据接收到的信息作独立的运算和处理，然后将结果传输出去，这体现了一种并行处
理。神经网络对于一个特定的输入模式，通过前向计算产生一个输出模式，各个输出
节点代表的逻辑概念被同时计算出来。在输出模式中，通过输出节点的比较和本身信
号的强弱而得到特定的解，同时排出其余的解。这体现了神经网络并行推理的特点。

3、神经网络对信息的处理具有自组织、自学习的特点。神经网络中各神经元之间

的连接强度用权值大小来表示，这种权值可以事先定出，也可以为适应周围环境而
不断地变化，这种过程称为神经元的学习过程。神经网络所具有的自学习过程模拟了
人的形象思维方法，这是与传统符号逻辑完全不同的一种非逻辑非语言的方法。

在神经网络研究的历史进程中，它在模式识别方面的应用一直是最活跃和最成

功的领域。神经网络与它在模式识别中的应用是息息相关，密不可分的。几乎可以说，
神经网络模式识别研究的发展史贯穿了整个神经网络的研究历程。

目前

, 随着计算机的迅速发展，性能价格比的不断提高，模式识别技术己经从

理论探讨为主发展到大量的实际应用，人们将更多的注意力开始转向那些用于语音，
图像、机器人以及人工智能等的模式识别实际问题。解决这些问题的关键是需要进行
复杂而庞大的实时数据处理，而现有计算机的存贮容量及计算复杂性的局限，使得
真正实时化的应用受阻。

这种面向实时应用的模式识别问题促使人们开始将并行处理的神经网络应到模

式识别，而神经网络模式识别技术又将模式识别实时应用推进了一大步，数字识别
就是这种应用的一个很重要的领域。

数字识别是一项极具研究价值的课题，随着神经网络和模糊逻辑技术的发展，

人们对这一问题的研究又采用了许多新的方法和手段，也使得这一古老的课题焕发
出新的生命力

.目前国际上有相当多的学者在研究这一课题，它包括了模式识别领域

中所有典型的问题

:数据的采集、处理及选择、输入样本表达的选择、模式识别分类器

的选择以及用样本集对识别器的有指导的训练。人工神经网络为数字识别提供了新的
手段。正是神经网络所具有的这种自组织自学习能力、推广能力、非线性和运算高度并
行的能力使得模式识别成为目前神经网络最为成功的应用领域。

1.3 数字图像处理的应用

数

 

字图像处理主要研究的内容有以下几个方面：

1、图像变换。由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。

因此，往往采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等

2