自动编码机用什么网络抽取特征

A. 学习python的话大概要学习哪些内容

想要学习Python，需要掌握的内容还是比较多的，对于自学的同学来说会有一些难度，不推荐自学能力差的人。我们将学习的过程划分为4个阶段，每个阶段学习对应的内容，具体的学习顺序如下：

Python学习顺序：

①Python软件开发基础

• 掌握计算机的构成和工作原理

• 会使用Linux常用工具

• 熟练使用Docker的基本命令

• 建立Python开发环境，并使用print输出

• 使用Python完成字符串的各种操作

• 使用Python re模块进行程序设计

• 使用Python创建文件、访问、删除文件

• 掌握import 语句、From…import 语句、From…import* 语句、方法的引用、Python中的包

②Python软件开发进阶

• 能够使用Python面向对象方法开发软件

• 能够自己建立数据库，表，并进行基本数据库操作

• 掌握非关系数据库MongoDB的使用，掌握Redis开发

• 能够独立完成TCP/UDP服务端客户端软件开发，能够实现ftp、http服务器，开发邮件软件

• 能开发多进程、多线程软件

③Python全栈式WEB工程师

• 能够独立完成后端软件开发，深入理解Python开发后端的精髓

• 能够独立完成前端软件开发，并和后端结合，熟练掌握使用Python进行全站Web开发的技巧

④Python多领域开发

• 能够使用Python熟练编写爬虫软件

• 能够熟练使用Python库进行数据分析

• 招聘网站Python招聘职位数据爬取分析

• 掌握使用Python开源人工智能框架进行人工智能软件开发、语音识别、人脸识别

• 掌握基本设计模式、常用算法

• 掌握软件工程、项目管理、项目文档、软件测试调优的基本方法

想要系统学习，你可以考察对比一下开设有IT专业的热门学校，好的学校拥有根据当下企业需求自主研发课程的能，南京北大青鸟、中博软件学院、南京课工场等都是不错的选择，建议实地考察对比一下。

祝你学有所成，望采纳。

B. 为什么深度学习可以自动学习特征

现在深度学习在机器学习领域是一个很热的概念，不过经过各种媒体的转载播报，这个概念也逐渐变得有些神话的感觉：例如，人们可能认为，深度学习是一种能够模拟出人脑的神经结构的机器学习方式，从而能够让计算机具有人一样的智慧；而这样一种技术在将来无疑是前景无限的。那么深度学习本质上又是一种什么样的技术呢？
深度学习是什么
深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡排序），这种算法在某些应用场景中，会具有一定的优势。
深度学习的“深度”体现在哪里
论及深度学习中的“深度”一词，人们从感性上可能会认为，深度学习相对于传统的机器学习算法，能够做更多的事情，是一种更为“高深”的算法。而事实可能并非我们想象的那样，因为从算法输入输出的角度考虑，深度学习算法与传统的有监督机器学习算法的输入输出都是类似的，无论是最简单的Logistic Regression，还是到后来的SVM、boosting等算法，它们能够做的事情都是类似的。正如无论使用什么样的排序算法，它们的输入和预期的输出都是类似的，区别在于各种算法在不同环境下的性能不同。
那么深度学习的“深度”本质上又指的是什么呢？深度学习的学名又叫深层神经网络（Deep Neural Networks ），是从很久以前的人工神经网络（Artificial Neural Networks）模型发展而来。这种模型一般采用计算机科学中的图模型来直观的表达，而深度学习的“深度”便指的是图模型的层数以及每一层的节点数量，相对于之前的神经网络而言，有了很大程度的提升。
深度学习也有许多种不同的实现形式，根据解决问题、应用领域甚至论文作者取名创意的不同，它也有不同的名字：例如卷积神经网络（Convolutional Neural Networks）、深度置信网络（Deep Belief Networks）、受限玻尔兹曼机（Restricted Boltzmann Machines）、深度玻尔兹曼机（Deep Boltzmann Machines）、递归自动编码器（Recursive Autoencoders）、深度表达（Deep Representation）等等。不过究其本质来讲，都是类似的深度神经网络模型。
既然深度学习这样一种神经网络模型在以前就出现过了，为什么在经历过一次没落之后，到现在又重新进入人们的视线当中了呢？这是因为在十几年前的硬件条件下，对高层次多节点神经网络的建模，时间复杂度（可能以年为单位）几乎是无法接受的。在很多应用当中，实际用到的是一些深度较浅的网络，虽然这种模型在这些应用当中，取得了非常好的效果（甚至是the state of art），但由于这种时间上的不可接受性，限制了其在实际应用的推广。而到了现在，计算机硬件的水平与之前已经不能同日而语，因此神经网络这样一种模型便又进入了人们的视线当中。
“ 2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由着名的斯坦福大学机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家Jeff Dean共同主导，用16000个CPU Core的并行计算平台训练一种称为“深层神经网络”（DNN，Deep Neural Networks） ”
从Google Brain这个项目中我们可以看到，神经网络这种模型对于计算量的要求是极其巨大的，为了保证算法实时性，需要使用大量的CPU来进行并行计算。
当然，深度学习现在备受关注的另外一个原因，当然是因为在某些场景下，这种算法模式识别的精度，超过了绝大多数目前已有的算法。而在最近，深度学习的提出者修改了其实现代码的Bug之后，这种模型识别精度又有了很大的提升。这些因素共同引起了深层神经网络模型，或者说深度学习这样一个概念的新的热潮。
深度学习的优点
为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。这个特征的提取方式有时候是人工设计或指定的，有时候是在给定相对较多数据的前提下，由计算机自己总结出来的。深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。
深度学习的缺点
深度学习虽然能够自动的学习模式的特征，并可以达到很好的识别精度，但这种算法工作的前提是，使用者能够提供“相当大”量级的数据。也就是说在只能提供有限数据量的应用场景下，深度学习算法便不能够对数据的规律进行无偏差的估计了，因此在识别效果上可能不如一些已有的简单算法。另外，由于深度学习中，图模型的复杂化导致了这个算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧以及更好更多的硬件支持。所以，目前也只有一些经济实力比较强大的科研机构或企业，才能够用深度学习算法，来做一些比较前沿而又实用的应用。

C. 从零开始如何学习人工智能

人工智能并不适合零基础的朋友学习。
首先也是最重要的，是这一行有学历门槛。建议至少应该是计算机/数学/统计学在读或已经入行。否则，就算你学会了，就业市场也不会承认你的行业资质。从事人工智能行业，例如成为数据科学家，至少需要硕士学位，而且博士更吃香。
其次是技术上的难度，人工智能需要高等数学（如偏微分）、线性代数及统计学知识，以及熟练掌握python等编程语言。对于行内人这些并不困难，但对零基础者可能会有难度。

D. 路过者请进谢谢

邮件乱码
一般来说，乱码邮件的原因有下面三种:
(1)由于发件人所在的国家或地区的编码和中国大陆不一样，比如我国台湾或香港地区一般的E-mail编码是BIG5码，如果在免费邮箱直接查看可能就会显示为乱码。

(2)发件人使用的邮件软件工具和你使用的邮件软件工具不一致造成的。

(3)由于发件人邮件服务器邮件传输机制和免费邮箱邮件传输机制不一样造成的。

一般说来对于绝大多数乱码的邮件解决方法可以采用下面的方法:

首先用Outlook Express将乱码的邮件收取下来，然后打开这封邮件，查一下View(查看)→Encoding(编码)，然后调整其下的编码设置试试看，比如可以选择Chinese Simple(简体中文)、Chinese Traditional(繁体中文)、中文HZ或Unicode试试看。一般来说，绝大多数乱码的邮件都可以修正过来。如果觉得这样很麻烦，可以将GB2312设置为默认的字体，方法如下(以Outlook Express 5为例):通过“工具→选项→阅读→字体”，在“编码”处选好GB2312，然后选“设为默认值”。
...............................................

邮件乱码巧破译 来源：《新潮电子》
----
相信许多网友都遇到过乱码邮件，一些奇奇怪怪的字符，不知道是什么意思。产生乱码邮件的最
主要原因在于传输机制不同或邮件的编码不同，如果能够识别这些编码，就可以找到破解的办法。
邮件乱码巧破译
一、E-mail编码标准
>>>>由于一个汉字是用两个扩展ASCII码表示，对DOS、Windows及Unix系统来说，所有英文字母及符号
都是用ASCII码来代表，ASCII码只用到每个字节的前7位。而一些电脑系统在通信时不使用8-bit
clean传输方式，无法处理8位的数据或硬把8位数据当作7位来处理，数据就会被破坏。对电子邮件来
说，有时候一个邮件在送达收信人的过程中，会经过很多台主机的转接传输服务，这中间的主机假如
有一台不具备8-bit clean的传输条件，中文邮件可能就会被破坏。因此，不论是发送中文文本文件，
还是发送EXE可执行文件、图形文件或压缩文件等二进制文件，都应该先进行编码。
E-mail编码主要有:
1.UU编码
>>>>在早期传送非 ASCII码的文件时，最常用的便是这种UU(Unix-to-Unix encoding)编码方式。
Uuencode和Uudecode分别是Unix系统中使用的UU编码和解码程序，后来被改写成为在DOS中亦可执行的
程序。
2.MIME编码
>>>>UU编码解决了E-mail传送非ASCII文件的问题，但这种方式并不方便。因而又发展出一种新的编码
标准MIME(Multipurpose Internet Mail Extentions)，一般译作“多媒体邮件传送模式”。顾名思
义，它可以传送多媒体文件，在一封电子邮件中附加各种格式文件一起送出。
>>>>MIME定义两种编码方式:Base64与QP(Quote-Printable)。QP的规则是对于资料中的7位无须重复编
码，仅将8位的数据转成7位。 QP编码适用于非ASCII码的文字内容，例如我们的中文文件。而Base64
的编码规则，是将整个文件重新编码成7位，通常用于传送二进制文件。编码的方式不同会影响编码之
后的文件大?gt;>6�哂?nbsp;MIME功能的E-mail软件大都能自动判别你的邮件是采用何种编码，然后自动选
择用QP或Base64来解码。
>>>>MIME标准现已成为Internet电子邮件的主流。现在最常使用的电子邮件软件Eudora、FoxMail、
Netscape Mail、Outlook Express和Internet Mail等都支持MIME编码标准。
3.Binhex编码
>>>>Binhex的编码方式常用于Mac机器。一般PC上的电子邮件软件，亦多数支持MIME的规格，很少有支
持Binhex格式的。在常用的电子邮件软件中，只有Eudora具有这种功能，可直接解读Binhex的编码。
二、邮件乱码的原因及解决方法
>>>>汉字邮件出现乱码的原因很多，主要的原因是Internet上的某些邮件主机不支持8位（非ASCII码
格式）传输，以及不同的邮件编码，不同设置的电子邮件接收软件，不同语种的操作系统等。
>>>>当你收到一封乱码的邮件时，应根据邮件内容中的关键字符，判别其编码方法。不同的乱码，在
不同的平台上有不同的解决方法，因此解码前必须先看一下文件的内容，根据特征对文件可能的编码
方式（Uuencode、Base64 encode、QP-encode或其它编码方式）进行判断。
1.Uuencode“乱码”
>>>>Uuencode编码主要来自Unix环境的使用者，目前使用者已经很少。这种软件内部所用的算法为
base64。其格式与Base64 encode格式非常相似，它们的差别仅仅在于“信头”部分的不同。Uuencode
“乱码”大体格式为:
begin 0600 index.gb
MH;ZQOL2_PKS#O]3"N/S0PM*[M,ZAOPJCJ,G/U,+2U,"TM<30PM3VN_*XQ+:O
……
end
>>>>在乱码前面含有“begin xxx”，后面紧接着编码之前原始文件的名称。接着是已经Uuencode编码
的邮件的内容。在乱码内容后面，即最后一行为“end”。
>>>>如果你的电子邮件接收程序不支持UU解码，那么你看到的就是这些Uuencode“乱码”。
>>>>解决Uuencode“乱码”的办法:
方玌uencode“乱码”邮件转寄到自己的邮箱中，再使用能够支持UU解码的电子邮件接收程序(如
Eudora、OutLook Express等）来接收该邮件。
吠ü�艏�褰?Uuencode“乱码”存入文本文件，改文件名后缀为 UUE，然后使用Winzip 解码。
方?Uuencode“乱码”存入一个文件，然后在DOS下用uudecode.exe程序将文件解码。
方?Uuencode“乱码”存入一个文件，然后在Windows下用Wincode解码。
Wincode除支持UU编码外也支持MIME、Binhex等编码格式，应用范围颇为广泛。
2.Base64 encode“乱码”
>>>>Base64是MIME标准编码之一。Base64 encode编码方式是将3个字节（8位）用4个字节（6位）表
示，由于编码后的内容是6位的，因此可以避免第8位被截掉。Base64 encode“乱码”大体格式为:
MIME-Version:1.0
Content-Type:text/plain; charset="us-ascii〃
Content-Transfer-Encoding:base64
Status:R
yrE68shis+o/IMTcsrvE3Ljmy9/L47YEzajRtrX-Y1re6zbYnu7Chow0LDQo=3d
>>>>在Base64编码邮件的乱码前一般有如下几部分“信头”:Content-Type(内容类型)、charset(字符
集)及Content-Transfer-Encoding(内容传输编码方式)。
>>>>如果你的电子邮件接收程序不支持Base64解码，那么你看到的就是这些Base64 encode“乱码”。
>>>>解决Base64 encode“乱码”的办法:
方獴ase64 encode“乱码”邮件存成一个文本文件，改文件名后缀为.UUE，然后使用 Winzip 解码。
方獴ase64 encode“乱码”邮件存成一个文件，将文件后缀改为.EML，由OutLook Express 打开，就
可以自动解码。
3.QP-encode“乱码”
>>>>QP-encode是MIME标准编码之一。QP-encode编码全名为“Quoted-Printable
Content-Transfer-Encoding”。由于用这种格式表示的信息，其内容主要都是 ASCII字符集中可以打
印的字符，因此名称中含有 printable。QP编码的方式，是将一个字节用两个16进制数值表示，然后
在前面加“=”。QP-encode“乱码”大体格式为:
=d2=bc=b3=b8=d5=db=c4=c4=bc=d2=b5=f6=b1=e5=c9=e7=b6=f8=b0
>>>>采用QP（Quoted-Printable）编码方式的邮件很容易进行判别，因为它的内容通常有很多等号“
=”，因此不需要看“信头”也可以判断是否为QP编码。
>>>>如果你的电子邮件接收程序不支持QP解码，那么你看到的就是这些QP-encode“乱码”。
>>>>解决QP-encode“乱码”的办法:
方妙P-encode“乱码”邮件转寄到自己的邮箱中，然后用支持QP解码的电子邮件接收程序（如
Netscape mail、Eudora、OutLook Express、Becky等）来接收该邮件。
肥褂?Winzip 对 Quoted-Printable 解码。必须注意:(1)在邮件信头中检查、添加这样两
行:Mime-Version: 1.0Content-Transfer-Encoding: quoted-printable;(2) 信头中间不要空行，信
头和信体之间要有一个空行。这样形成的文件，改后缀名为UUE，即可双击启动 Winzip 得到解码。
4.HZ中文乱码
>>>>由于网友们可能使用不同的电子邮件收发软件，因此，来自各个网友的邮件内容可能包含着看不
懂的乱码，例如，如果看到下面这串乱码，你一定看不懂它的意思:
HZ- 学软�艋�｝躏艋用软�艋�｝躏艋买软�艋�暮冒槁?
>>>>实际上这是一串“简体中文HZ”编码，如果使用Outlook Express发送邮件时，选用HZ编码，而邮
件的接收者使用Eudora来阅读邮件，看到的就是这些乱码。正确的方法是，在撰写邮件窗口中，选择
“格式”菜单下的“语言”命令，并选中“简体中文(GB2312)”项，然后发送邮件。
>>>>这时，如果你使用Outlook Express，可以打开“查看”菜单点击“语言”选项中的“简体中文
(GB2312)”项，或者点击工具栏上“语言”后面的向下箭头，选择“简体中文(GB2312)”功能项，屏
幕出现一个对话框，单击“是”按钮，所有邮件主题中含有指定字符集的邮件应用新的字符集。
>>>>如果你使用Eudora之类的软件，可以使用“南极星”之类的软件，自动转换不同的汉字编码。如
果还看不到的话，可将这些编码文本，拷贝到一个文本编辑器中。对于上面那串编码，你将看到下面
的内容:
“学软件、用软件、买软件的好伴侣”
5.“半个汉字”乱码
>>>>汉字的另一个问题是所谓的“半个汉字”乱码。如果看到下面这串乱码，你一定看不懂它的意思:
>>>>“把砑�⒂萌砑�⒙蛉砑�暮冒槁隆薄* ”
>>>>由于很多英文编辑软件以字符为单位来处理文本，汉字被删除一半后，剩余的部分会和相邻的汉
字重新组合，使得文本面目全非。因此，除了在输入、删除的时候注意这种问题外，还要注意不要在
英文字处理软件中轻易使用“字符替换”功能，这往往会把一个汉字的后一个字符和相邻汉字的前一
个字符当成一个汉字被替换掉。
>>>>对于“半个汉字”乱码，只要将“乱码”邮件存成一个文本文件，然后使用以字符为单位的编辑
软件，将“乱码”行的首字符删除，后面的部分就会和相邻的“乱码”重新组合成可识别的汉字。
>>>>如果上述方法不能奏效，那么只好告诉对方正确的发送方式，请对方重新发一份邮件给你。如果
你看到的不是上述编码，那么请到 [url]http://123.chn.net[/url]查看“乱码大全”一文。
三、避免乱码的措施
>>>>现在你已经知道乱码产生的原因和解决办法，希望你在发送邮件时也多为他人着想，别让美好的
心愿变成一堆乱码。
1.选用大众化的电子邮件收发程序
>>>>由于不同的电子邮件收发程序支持的编码有所不同，收件人和发件人自己定制的一些选项也会各
不相同，所以在收到编码的信件后，系统不一定能识别出邮件所用的编码方法。识别不出编码方法，
系统自然无法自动解码，这样当你查看信件内容时，就会出现所谓的乱码，使收信人无法阅读该文
件。选用大众化的电子邮件收发程序则可以在一定程度上避免不同的编码方法。
2.使用“附件”功能发送文件
>>>>一般电子邮件收发程序的“附件”功能可以自动对邮件先进行编码，然后再发送。如果收信人的
电子邮件收发程序（如Netscape mail、Outlook Express、Eudora、Pegasus等)能够区别邮件的编码
方式，则可以自动将邮件解码。
3.发送重要信息时先发测试信
>>>>发送重要信息时，为了确认是否无须编码即可发送正文，应该先发送测试信。而且还应确定收件
人能否对附件文件进行解码。如果发送已经编码的邮件，则最好添加足够的“信头”信息，以便收件
人知道所需的解码方法。
4.不使用电子邮件收发程序特别的编辑功能
>>>>如Outlook Express邮件编辑器是个功能很强的HTML编辑器，你可以编辑五颜六色、各种字体的电
子邮件。不过，如果接收方不是也使用Outlook Express来接收邮件，可能只看到很难看清楚的HTML源
码。解决的方法是，在撰写邮件时，选择“格式”菜单下的“纯文本”选项。如果要将发送格式的缺
省值设置为“纯文本”，那么，在Outlook Express主窗口中，打开“工具”菜单，选择“选项”，出
现选项设置对话框。单击“发送”选项卡，将邮件发送格式设置为“纯文本”。

E. 人工智能的模式识别 特征抽取等是关键！

人工智能涉及到很多的技术，大家都知道人工智能离不开机器学习，不过比较少人知道人工智能也是离不开模式识别的。什么是模式识别呢？简单点说，模式识别就是对各种情况的识别。而在人工智能中，模式识别是一个重要的部分，有了模式识别人工智能才能够让设备更加智能，下面就好好给大家介绍一下模式识别的具体内容。
1.什么是模式识别？
模式识别是人类的一项基本智能，在日常生活中，人们经常在进行模式识别。随着人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。模式识别在20世纪60年代初迅速发展并成为一门新学科。模式识别是指对表征事物或现象的各种形式的信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。
2.模式识别的分类
模式不光可以被分为监督的分类以及无监督的分类，模式还可分成抽象的和具体的两种形式。比如说意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。模式识别研究主要集中在两方面,一是研究生物体是如何感知对象的，属于认识科学的范畴，二是在给定的任务下,如何用计算机实现模式识别的理论和方法。这两方面都取得了突破性的进展。
3.模式识别和其他学科的联系
模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。模式识别和人工智能、图像处理的研究有交叉关系。其中自适应或自组织的模式识别系统包含了人工智能的学习机制。并且人工智能研究的景物理解、自然语言理解也包含模式识别问题。又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。这就是模式和其他学科的联系。
从中我们不难发现，人工智能如果没有了识别模式，那么就很难从外界获得信息，从而无法转化成数据进行具体全面分析，因此人工智能还是非常注重模式识别的。希望这篇文章能够帮助大家更好地认识和了解人工智能。

F. 除了换脸外，AI还有什么前沿的应用

使用特征数据，训练一个自动编码器。自动编码器是一种神经网络学习工具（深度学习背后的计算系统）。

G. tensorflow中有自动编码器网络么

自编码器是利用神经网络提取出图像中的高阶特征，同时可以利用高阶特征重构自己
如果向原图中添加噪声，则可以通过高阶特征的提取，对原始图像进行去噪！

H. 自动编码器的作用

自编码器的一个典型应用是特征降维，和PCA的作用一样，但是比PCA的性能更强。可以想这样一个场景：我们要训练一个CNN模型，这个模型最终可以识别猫、狗、船等，那么我们需要给它喂入大量的猫狗等图像，假如这些图像都是高清的，即数据维度很大，那么CNN训练的时间就会变长。这时候需要将图片压缩一下，我们当然可以考虑使用图像压缩算法，这里只是举一个例子，如果某些数据集不是图片，如何压缩呢？答案可以使用自编码器，自编码器可以将高维的数据特征用一个低维的特征来表示，自编码器的作用是通过编码器只学习其典型特征（维度降低了），该特征通过解码器可以大致复原原来的数据即可。这样再将这个学习到的低维特征输入到相应的神经网络中，可以大大减少训练的时间。

在实际应用中，我们训练好自动编码器后，一般只使用其编码器部分，从而获得低维的数据。再将这个数据输入到其它分类模型中进行训练。

I. 目前美国手写邮政编码的识别用的谁家的算法

转载1 引言

手写体数字识别是文字识别中的一个研究课题，是多年来的研究热点，也是模式识别领域中最成功的应用之一。由于识别类型较少，在实际生活中有深远的应用需求，一直得到广泛的重视。近年来随着计算机技术和数字图像处理技术的飞速发展，数字识别在电子商务、机器自动输入等场合已经获得成功的实际应用。尽管人们对手写数字的研究己从事了很长时间的研究，并己取得了很多成果，但到目前为止，机器的识别本领还无法与人的认知能力相比，这仍是一个有难度的开放问题，所以对手写数字识别的进一步研究，寻求如何更高效更准确更节能地实现手写数字的自动录入和识别的解决方案对提高经济效益、推动社会发展都有深远的意义。

近年来, 人工神经网技术发展十分迅速, 它具有模拟人类部分形象思维的能力, 为模式识别开辟了新的途径, 成了模拟人工智能的一种重要方法，特别是它的信息并行分布式处理能力和自学习功能等显着优点, 更是激起了人们对它的极大的兴趣。BP（Back Propagation）网络是神经网络中一种，是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，可以很好地解决非线性问题，在函数逼近、模式识别和数据压缩等方面都有很广泛的应用。我们在认真地研究了神经网络的基本原理和机制的基础上, 结合手写体数字识别这一具体课题, 提出了用BP神经网络方法来实现手写体数字识别的方案。

2 手写体数字识别概述

2.1 手写数字识别简述

模式识别是六十年代初迅速发展起来的一门学科。由于它研究的是如何用机器来实现人及某些动物对事物的学习、识别和判断能力，因而受到了很多科技领域研究人员的注意，成为人工智能研究的一个重要方面。

字符识别是模式识别的一个传统研究领域。从50年代开始，许多的研究者就在这一研究领域开展了广泛的探索，并为模式识别的发展产生了积极的影响。

手写体数字识别是多年来的研究热点也是字符识别中的一个特别问题。手写体数字识别在特定的环境下，如邮政编码自动识别系统，税表和银行支票自动处理系统等一般情况。当涉及到数字识别时，人们往往要求识别器有很高的识别可靠性，特别是有关金额的数字识别时，如支票中填写的金额部分，更是如此。因此针对这类问题的处理系统设计的关键环节之一就是设计出高可靠性和高识别率的手写体数字识别方法。这个领域取得了飞速的发展，部分是由于更好的学习算法，部分是由于更优良的训练集。美国国家科学学会（NIST）建立了

一个包含60000个经过标注的数字的数据库，它已经成为对新的学习算法进行比较的性能测试标准。然而可以说还没有哪个手写体数字识别器达到完美的识别效果。

在过去的数十年中，研究者们提出了许许多多的识别方法，按使用的特征不同，这些方法可以分为两类:基于结构特征的方法和基于统计特征的方法。统计特征通常包括点密度的测量、矩、特征区域等。结构特征通常包括园、端点、交叉点、笔划、轮廓等，一般来说，两类特征各有优势。例如，使用统计特征的分类器易于训练，而且对于使用统计特征的分类器，在给定的训练集上能够得到相对较高的识别率;而结构特征的主要优点之一是能描述字符的结构，在识别过程中能有效地结合几何和结构的知识，因此能够得到可靠性较高的识别结果。本文针对手写数字识别选用BP神经网络这种基于传统统计学基础上的分类方法，用于分割和识别，并取得了较好的识别效果。

2.2 手写数字识别的一般过程

手写体数字识别的过程如图2-1所示，一般分为预处理、特征提取、数字串的分割、分类器、等模块。原始图像是通过光电扫描仪，CCD器件或电子传真机等获得的二维图像信号。预处理包括对原始图像的去噪、倾斜校正或各种滤波处理。手写体数字具有随意性，其字符大小、字间距、字内距变化很大，分割难度较大。手写数字串的分割是其中最重要的环节，是制约识别率的瓶颈所在。去噪是预处理中极重要的环节。系统面对的是从实际环境中切分出的字符图像，可能有粘连的边框、随机的墨点、切分不正确引入的其他字符笔划等使前景点增加的噪声，还可能有断线等使背景增加的噪声，目前适应各种环境的通用去噪算法还不成熟。预处理中的规格化也不仅仅是同比例的放缩，它不仅要保持拓扑不变，更要最大限度地突出所取特征。在众多应用环境中，特征提取、分类器、多分类器集成是整个识别系统的核心。大体上来说特征可以分为结构特征和统计特征两类。由于分类器的选择取决于所提取的特征，因此相应的识别方法便有结构方法和统计方法。

总之，从手写体数字识别原理可见，手写体数字识别技术主要包括以下几点:

1）图像预处理，包括彩色图像转成灰度图像、二值化，归一化，滤除干扰噪声等;

2）基于数字图像的特征选择和提取;

3）数字串的分割;

4）模式分类识别。

其中，第二和第四部分是手写数字识别的重点，直接关系到识别的准确率和效率，也是本论文研究的重点所在。

结果图2-1 识别流程

2.3 手写数字识别的一般方法及比较

手写数字识别在学科上属于模式识别和人工智能的范畴。在过去的四十年中，人们提出了很多办法获取手写字符的关键特征，提出了许多识别方法和识别技术。这些手段分两大类:

全局分析和结构分析。

多年的研究实践表明，对于完全没有限制的手写数字，几乎可以肯定:没有一种简单的方案能达到很高的识别率和识别精度，因此，最近这方面的努力向着更为成熟、复杂、综合的方向发展。研究工作者努力把新的知识运用到预处理，特征提取，分类当中。近年来，人工智能中专家系统方法、人工神经网络方法已应用于手写数字识别。在手写数字识别的研究中，神经网络技术和多种方法的综合是值得重视的方向。

针对模式特征的不同选择及其判别决策方法的不同，可将模式识别方法大致分为5大类这5种识别方法均可实现手写数字识别，但它们特点不同，必须根据条件进行选择。

（1）统计模式法

这是以同类模式具有相同属性为基础的识别方法。用来描述事物属性的参量叫做待征，它可以通过模式的多个样本的测量值统计分析后按一定准则来提取。例如:在手写数字识别系统中，我们可以把每个数字的图形分为若干个小方块(图)，然后统计每一小方块中的黑像素构成一个多维特征矢量，作为该数字的特征。必须注意的是:在选择特征时，用于各类模式的特征应该把同类模式的各个样本聚集在一起，而使不同类模式的样本尽量分开，以保证识别系统能具有足够高的识别率。

（2）句法结构方法

在形式语言和自动机的基础上产生了句法结构这一方法。其基本原理是:对每一个模式都用一个句法来表示，而对一个待识别的未知样本，通过抽取该样本的基元来构造该样本的句子，然后分析此句子满足什么样的句法，从而推断出他该属于哪个模式类。这种方法的优点是它能反映模式的结构特征，而且对模式的结构特征变换不敏感，因此比较适合联机识别。但是由于抽取字符的基元比较困难，因而不是特别适合用于脱机识别，同时这一方法的理论基础还不可靠，抗干扰能力比较弱。

（3）逻辑特征法

就是其特征的选择对一类模式识别问题来说是独一无二的，即在一类问题中只有1个模式具有某1种(或某1组合的)逻辑特征，此方法律立了关于知识表示及组织，目标搜索及匹配的完整体系;对需通过众多规则的推理达到识别目标的问题，有很好的效果，但当样品有缺损，背景不清晰，规则不明确甚至有歧义时，效果不好。

（4）模糊模式方法

就是在模式识别过程中引入了模糊集的概念，由于隶属度函数作为样品与模板相似程度的量度，故能反映整体的、主要的特性，模糊模式有相当不匀称的抗干扰与畸变，从而允许样品有相当程度的干扰与畸变，但准确合理的隶属度函数往往难以建立。目前有学者在研究，并将其引入神经网络方法形成模糊神经网络识别系统。

（5）神经网络方法

就是使用人工神经网络方法实现模式识别。可处理某些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，允许样品有较大的缺损、畸变。神经网络方法的缺点是其模型在不断丰富完善中，目前能识别的模式类不够多，神经网络方法允许样品有较大的缺损和畸变，其运行速度快，自适应性能好，具有较高的分辨率。

上述几种识别方法各有特点。结构法比较直观，能较好反映事物的结构特性：问题是基元的提取很不容易，各基元的关系也比较复杂，抗干扰性能也较差。统计法用计算机来抽取特征，比较方便，抗干扰性能强；缺点是没有充分利用模式的结构特性。神经网络方法由于处理的并行性，可以快速同时处理大容量的数据，工作时具有高速度和潜在超高速，并且，网络的最终输出是由所有神经元共同作用的结果，一个神经元的错误对整体的影响很小，所以其容错性也非常的好。基于以上的考虑，本文的手写数字识别采用了神经网络的方法。

3 图像预处理与特征提取

手写体图像数据在没有进行一定的图像预处理和特征提取之前，不能立即应用到程序中进行神经网络训练和字符识别工作。从图像处理角度来说，手写体的字符识别对字符是不是有颜色是不关心的，而对此图像的清晰度是很关心的。所以在图像进行一系列的图像处理工作是很有必要的。图像的预处理是正确、有效提取图像特征的基础，有效的图像特征作为网络的输入值才能进行正确的神经网络训练和最终得到正确、有效的网络权重。

3.1 数字图像预处理

3.1.1 灰度化处理

彩色图像包含了大量的颜色信息，不但在存储上开销很大，在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。由彩色转换为灰度的过程称为灰度化处理。灰度图像就是只有强度信息而没有颜色信息的图像，存储灰度图像只需要一个数据矩阵，矩阵每个元素表示对应位置像素的灰度值。彩色图像的像素色为RGB(R，G，B)，灰度图像的像素色为RGB(r，r，r) ，R，G，B可由彩色图像的颜色分解获得。而R，G，B的取值范围是0-255，所以灰度的级别只有256级。灰度化的处理方法主要有如下三种:最大值法、平均值法和加权平均值法。本文用到的加权平均值法来处理，即更换每个像素的颜色索引(即按照灰度映射表换成灰度值)。 权重选择参数为：

红：0.299

绿：0.587

蓝：0.114

例如某像素点颜色对应的灰度值计算公式为:

NewPixColor?(BYTE)(0299*Red?0.587*Green?0.114*Blue) 系统输入的源图像支持3通道或者4通道图像，支持Format24bppRgb, format32bppRgb, Format32bppArgb和Format8bppIndex这4种像素格式。

3.1.2 二值化处理

二值图像是指整幅图像画面内仅黑、白二值的图像。在数字图像处理中，二值图像占有非常重要的地位。在实际的识别系统中，进行图像二值变换的关键是要确定合适的阈值，使得字符与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不会产生额外的空缺等等。采用二值图像进行处理，能大大地提高处理效率。 二值化的关键在于阈值的选取，阈值的选取方法主要有三类：全局阈值法、局部阈值法、动态阈值法。全局阀值二值化方法是根据图像的直方图或灰度的空间分布确定一个阀值，并根据该阀值实现灰度图像到二值化图像的转化。全局阀值方法的优点在于算法简单，对于目标和背景明显分离、直方图分布呈双峰的图像效果良好，但对输入图像量化噪声或不均匀光照等情况抵抗能力差，应用受到极大限制。局部阀值法则是由像素灰度值和像素周围点局部

灰度特性来确定像素的阀值的。Bernsen算法是典型的局部阀值方法，非均匀光照条件等情况虽然影响整体图像的灰度分布却不影响局部的图像性质，局部阀值法也存在缺点和问题，如实现速度慢、不能保证字符笔划连通性、以及容易出现伪影现象等。动态阀值法的阀值选择不仅取决于该像素灰度值以及它周围像素的灰度值，而且还和该像素的坐标位置有关，由于充分考虑了每个像素邻域的特征，能更好的突出背景和目标的边界，使相距很近的两条线不会产生粘连现象。在图像分割二值化中，自动闽值选取问题是图像分割的关键所在。事实证明，闽值的选择的恰当与否对分割的效果起着决定性的作用。

本文采用全局阈值的方法，实现将图像二值化的功能。如果某个像素的值大于等于阈值，该像素置为白色；否则置为黑色。系统程序目前仅支持8bpp灰度图像的转换，阈值介于0~255之间，程序中取220。

3.1.3 去离散噪声

原始图像可能夹带了噪声，去噪声是图像处理中常用的手法。通常去噪用滤波的方法，比如中值滤波、均值滤波，本文中去除离散噪声点采用中值滤波的方法。中值滤波法是一种非线性平滑技术，它将每一象素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值，让周围的像素值接近的真实值，从而消除孤立的噪声点。

3.1.4 字符分割

在识别时系统只能根据每个字符的特征来进行判断，为了最终能准确识别手写体数字，必须将单个字符从处理后的图像中逐个提取分离出来。具体做法是将图像中待识别的字符逐个分离出来并返回存放各个字符的位置信息的链表。当把图像分割完成后，从一定意义上来说便是形成了不同的小图，每一张小图就是一个数字，才能对这些小图进行尺寸大小一致的调整。

3.1.5 细化

3.2 图像特征提取

特征提取是字符识别中的一个重要组成部分，是模式识别的核心之一。经过预处理后，根据识别方法的要求抽取图像特征，作为识别的依据。一般而言，选择的特征一方面要求能够足够代表这个图像模式，另一方面要求它们的数量尽可能少，这样能有效地进行分类和较小的计算量。特征提取的好坏会直接影响其识别的分类效果，进而影响识别率，因此特征选择是模式识别的关键。但是，目前还没有一个有效的、一般的抽取、选择特征的方法。抽取、选择特征的方法都是面对问题的，因此针对不同的识别问题往往有不止一种的抽取、选择特征的方法。