BP神经网络案例讲解

学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特 别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力。 2) 自学习和自适应能力：BP神经网络在训练时，能够通过学习自动提取输出、输 出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中。即BP神经网 络具有高度自学习和自适应的能力。 3) 泛化能力：所谓泛化能力是指在设计模式分类器时，即要考虑网络在保证对所需 分类对象进行正确分类，还要关心网络在经过训练后，能否对未见过的模式或有噪声 污染的模式，进行正确的分类。也即BP神经网络具有将学习成果应用于新知识的能 力。 4) 容错能力：BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结 果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的。 即BP神经网络具有一定的容错能力。
0-0 背景介绍
光学字符识别(OCR)是一种模式识别技术，手写数字识别(HNR)是 OCR的一个分支。 对于手写数字识别，它的任务是把手写数字(0，l，2，3……，9)通 过非键盘输入的方式读取字符信息后进行预处理，并存储到计算机中， 之后再作进一步的处理和管理维护等操作。
0-0 背景介绍
大规模数据统计
邮局 邮件 分捡系统
手写数字识别的应用领域
财务、税务、 金融领域
6
0-0
Part zero
操作演示
0-1 操作演示
找到并运行 “DSPLIT.sln”。
百度文库
0-1 操作演示
0-1 操作演示
0-1 操作演示
见实际操作
0 1
Part One
案例整体思路
1-1 整体分析
原始图像采集
预处理 特征提取
识别结果
判别处理
分类识别
数字识别系统处理过程图
0 2
Part Two
BP神经网络算法具体分析
2-1 BP神经网络系统
BP（Back Propagation）网络是一种按误差逆传播算法训练的 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最速下降法，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。BP 神经网络模型拓扑结构包括输入层（input）、隐含层(hide layer) 和输出层(output layer)。
4-2 BPNet的缺点
1) 局部极小化问题 2) BP 神经网络算法的收敛速度慢 3) BP 神经网络结构选择不一 4) 应用实例与网络规模的矛盾问题
5) BP神经网络预测能力和训练能力的矛盾问题
6） BP神经网络样本依赖性问题
Thank You
Made By 郑安然
3-2-1 源文件分析
BPNet.cpp
3-2-2 源文件分析
3-2-3 源文件分析
3-2-4 源文件分析
3-2-5 源文件分析
3-2-6 源文件分析
train
3-2-7 源文件分析
train
3-2-8 源文件分析
sim
仿真
04
Part Four
总结
4-1 BPNet的优点
1) 非线性映射能力：BP神经网络实质上实现了一个从输入到输出的映射功能，数
Classify 案例 讲解 主讲人：郑安然
201326020102
案例整体思路
目录
Contents
BP神经网络算法介绍
算法函数具体分析
总结
0-0
Part zero
背景介绍
0-0 背景介绍
字符识别(OCR)
文字识别(HNR) 手写数字识别
联机手写体数字识别
数字识别 印刷数字识别
脱机手写体数字识别
2-2 BP神经网络图示
16
03
Part Three
算法函数具体分析
3-1 头文件分析
头文件 BPnet.h中主要是对算 法中需要用到的（输入、隐含、输 出）结点数，（隐含、输出）结点 状态值、权值和阈值，输入层->隐 含层、隐含层->输出层的权值学习 率，（隐含层、输出层）阈值学习 率等的定义。