基于神经网络的字符识别方法研究开题报告

1. 研究目的与意义（文献综述）

人工神经网络（artificial neuralnetwork，缩写ann），在工程与学术界也常直接简称为神经网络或类神经网络，是一种模仿生物神经网络的结构和功能的计算模型，它从信息处理的角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络[1]。人工神经由大量的人工神经元联结进行计算，常用来对输入输出较为复杂的关系进行建模，或用来探索数据的模式。[2]现代人工神经网络是一种并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。

人工神经网络的研究自20世纪40年代萌发，1943年心理学家w.mcculloch和数理逻辑学家w.pitts提出的mp数学模型；50年代，f.rosenblatt设计制作了感知器（perceptron）；到80年代初，j.hopfield提出hopfield网络，rumelhart等研究者重新独立地提出多层网络的学习算法—bp算法；再到如今的深度学习，经过半个世纪的发展，人工神经网络在模式识别、自动控制、信号处理、辅助决策等众多研究领域取得了广泛成功。[3]

随着人工神经网络20世纪80年代在世界范围内的复苏,国内也逐步掀起了研究热潮。1989年10月和11月分别在北京和广州召开了神经网络及其应用讨论会和第一届全国信号处理—神经网络学术会议；1990年2月由国内八个学会(中国电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和心理学会)联合在北京召开“中国神经网络首届学术会议”。这次大会以“八学会联盟，探智能奥秘”为主题，收到了300多篇学术论文，开创了中国人工神经网络及神经计算机方面科学研究的新纪元。经过十几年的发展，中国学术界和工程界在人工神经网络的理论研究和应用方面取得了丰硕成果，学术论文、应用成果和研究人员逐年增加。

2. 研究的基本内容与方案

研究内容：

bp（back propagation）神经网络是1986年由rumelhart和mccelland为首的科学家小组提出，是一种将误差逆向传播进行训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。bp神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。bp网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

3. 研究计划与安排

（1） 第七学期末，确定设计题目。

（2） 第1—4周，根据所选的题目收集相关技术文献资料，完成开题报告，中英文翻译和文献检索工作。

（3） 第5周，安装所需软件，配置好系统，熟悉开发环境，做好前期准备工作。

4. 参考文献（12篇以上）

[1]. zeidenberg, matthew. neural networks in artificial intelligence. 1990: ellis horwood limited. 1990. isbn 0-13-612185-3.

[2]. andrew ng，coursera.org , machine learning

[3]. 朱大奇，史慧. 人工神经网络原理及应用. 北京：科学出版社，2006.