摘要
為了實現對手寫字體的識別，運用了人工智能的分層神經網絡思想，對識別的字體通過訓練學習，達到識別手寫字體的功能。
關鍵字 VC，人工智能，神經網絡，手寫識別。
1 引言
1.1 編寫目的
人工智能英文名表示是"Artificial Intelligence"，簡稱 AI，也就是用計算機模擬人的思維和知識，通過對本系統的學習開發，對計算機人工智能和神經網絡有了初步的認識，萌發初學者對人工智能和網絡神經學習的基本方法和思路。
1.2 背景
目前市面上的語音識別系統和手寫識別，指紋識別系統大都建立在人工智能的神經網絡技術的基礎上，神經網絡技術是解決識別系統難題的適當方法。
2 必備知識
2．1 vc基礎
本系統采用vc開發，所以希望讀者對vc也要熟悉。
2．2神經網絡
下面我們來對神經網絡技術有個大體的認識，
這裡說的神經網絡，實質上是指人工神經網絡，是模擬生物神經元的實現，神經網絡又分單層神經網絡（不帶輸入層），和多層神經網絡，實驗證明，神經網絡的的層數多少不影響網絡對實體的識別，可能有人會問，為什麼還需要多層神經網絡的開發呢？答案是，適當的多層結構可以使網絡的訓練學習進度提高，可以更快地收斂到需要的權值上，但層數越多，或者層數不多都不足以證明能夠越快地收斂到需要的權值上，這裡的研究不屬於我們的范疇，我們這裡采用的使分層前向神經網絡，結構圖如下（圖1）
3.算法
3.1.算法思想
（1）界面方面：這裡我們先來熟悉一下算法的思想，為了使程序跟用戶有交流界面，我們必須提供一個給用戶輸入的終端，這裡我們用鼠標代替手寫，並繪制一個輸入終端用於提取我們的輸入，首先子類化一個靜態控件，並給重繪重載，在裡面繪制控件的背景（白色），和網格線（淡青色），通過矩陣的信息進行點的重繪，響應鼠標事件，用來繪制終端的點。
（2）神經網絡：我們這裡采用了10×10的網格結構，為了是算法清晰易見，所以輸入采用100個輸入，事實上用到的點沒有那麼多，用戶可以根據需要更改，中間的隱層采用5個輸入，因為我們只是識別數字，所以只是有10個輸出就足夠了，（其實不用10個輸出也可以完成任務，1010就可以標識10了，可以只要四位，但是還是那句話，為了算法清晰易見），所以神經網絡的結構是100:5:10.可以通過改變源代碼的define來改變網絡拓撲結構。
3.2 算法描述
（1）學習
設輸入層為n個輸入，隱層是m個輸入，輸出層是p個輸出
1.初始化V,W,α,ε //給V,W賦初值，這裡用隨機值，有經驗的話可以給V和W
//賦一個近似的初值，這樣的話可以加快收斂速度。
// 是學習因子，可以根據學習的進度來動態改變，這裡自始
//至終取0.7, 是精度系數，
2.循環學習直到誤差小於精度
e=(I,T) //對每一個樣本取樣放到集合e中 ,I代表輸入樣本，T代表輸出樣板
求a[j]=g(in[j])=g(
//求隱層的值，其中V是各個權值的向量，
//I是樣板值
o[i]=g(in[i])=g(
//求輸出層的值，其中W是各個隱層輸入的
//權值,a[j]是輸入的隱層的值
Err[i]=T[i]-O[i] (1<=i<=p) //Err是誤差值
求 Δ[i]=Err[i]*g`(in[i]) (1<=i<=p) //g`(in[i])是g(in[i])函數的求導
W[j,i]=W[j,i]+ *a[j]*Err[i]*g`(in[i]) //權值調整，即訓練學習， 是學習因子，用
//來反映學習的頻率，可以自己根據程序需要來定
這裡遇到一個難題是隱層的誤差值怎麼求，因為輸出層有准確的輸出值作參考，所以能夠求到誤差值，但是隱層沒有相應的准確值。我們可以觀察輸出層的誤差值，這個值其實蘊涵了隱層的誤差值所在，經過證明可以用下面公式獲取誤差值。
Err[j]= //Err(1<=j<=P)是輸出層的誤差，這裡
//利用這個誤差蘊涵的信息來獲取隱
//層的誤差
V[k,j]=V[k,j]+ *I[k]*Err[j]*g`(in[j]) //隱層權值修正
3．返回V，W，學習完成
可能有些人不明白函數g（x）是如何選取，根據我們識別的特性來看，我們應該選擇，S型函數（關於函數的類型請參閱其他書籍），考慮函數的導數在內，應該選擇一個比較好導的函數。所以我們選擇。
y=f(A)=1/(1+Exp(-A))
y`=f`(A)=y（1-y）
(2)實現識別
1．獲取輸入層的各個值 a
a[j]=g(in[j])=g(
把P改成m //求隱層的值，其中V是各個權值
//的向量，
o[i]=g(in[i])=g(
//求輸出層的值，其中W是各個隱層輸入的
Err[i]=(T[i]-O[i])2 /2
// 為精度，如果全局誤差都小於精度就//證明輸出的矩陣O是合法的。
// ε為精度，如果全局誤差都小於精度就//證明輸出的矩陣O是合法的。
3.3算法實現
設輸入層為n個輸入，隱層是m個輸入，輸出層是p個輸出。
*這裡是一次訓練的算法，程序可以根據自己需要實現。
INPUT W,V,P,A //輸入權值W,V,精度P，和學習系數A
INPUT i[1],...,i[n],t[1],...,t[p] //輸入和輸出樣板集
Step 1 Set v_sum=0. //設定累加器
Step 2 Set in_i[m],in_j[p]
Step 3 For j=1,...,m do Step 4 and Step 5,Step 7
Step 4 Set in_j[j]=0; //初始化
Step 5 For k=1,...,n do Step6 and Step7
Step 6 Set in_j[j]＝a[j]+(v[k,j]*i[k]);
Step 7 Set a[j]=1/(1-Exp(-in_j[j]));
Step 8 For i=1,...,p do Step9 and Step 10,Step 12
Step 9 Set in_i[i]=0;
Step 10 For j=1,...,m do Step 11
Step 11 Set in_i[i]=in_i[i]+(w[j,i]*a[j])
Step 12 Set o[i]=1/(1-Exp(-in_i[i]);
Step 13 For i=1,...,p do Step 14
Step 14 Set Err[i]=t[i]-o[i] //誤差
Step 15 For j=1,...,m do Step 16
Step 16 For i=1,...,p do Step 17
Step 17 Set w[j,i]=w[j,i]+A*a[j]*Err[i]* 1/(1-Exp(-in_j[j]))(1-1/(1-Exp(-in_j[j])));//輸出層權
//值修正
Step 18 For k=1,...,n do Step 19
Step 19 For j=1,...,m do Step 20
Step 20 Set v[k,j]=v[k,j]*A*i[k]*Err[j]* 1/(1-Exp(-in_j[j]))(1-1/(1-Exp(-in_j[j])));//隱層權值
//修正
Step 21 OUTPUT (Err[1],...,Err[p])
STOP
重復訓練過程來對准確權值的收斂，識別過程是學習過程的一部分，所以這裡不再重復
3.4 終端處理位置居中
要使識別系統能夠處理同一個輸入終端但是有坐標偏移的問題，要作一些坐標轉換，就是先獲取中點坐標，然後根據中點坐標的偏移來平移，注意，這裡的平移，包括樣本，和輸入層的點都要作平移。具體實現請參見附件的源代碼
4.實現效果
采樣效果
訓練後的識別效果
5.總結
通過對手寫數字識別系統的開發，熟悉了人工神經網絡的基本工作方式，神經網絡有很多種，每一種都有自己的特點和功能，人工神經網絡還可以拓展到其他領域，我國的人工智能研究起步比較遲，還需要很大的努力才能跟上其他發達國家的水平。
