科技发展日新月异，智能识别推陈出新。如今是信息化时期，数字识别在很多智能领域上运用广泛，拥有普遍的使用远景，因此探索这项技术有其重要的实际意义。由于手写数字在写法上千差万别，且数字间字形差别相对较小，使得识别系统的开发具有很大的挑战性。

当前手写数字识别采用的技术有Bayes判别法、决策树法、神经网络和支持向量机（Support Vector Machines，SVM）等。诞生于20世纪90年代的SVM技术是机器学习研究的热点，因其良好的泛化性能成为了数字识别领域的热门方法。

本开发系统借助MATLAB平台实现完成SVM的手写数字识别功能，同时与BP神经网络的识别作对比，并利用了MNIST数据库作扩展与分析。对识别的结果进行探究，得出使识别精准度出现误差的主要因素有手写体数字的规范程度、笔画字迹粗细和清晰，以及训练样本的数量等。

5.3.4结果分析

MNIST数据库样本量超大，运行时间很长，本设计设计的SVM算法适用于理论方法的验证，只能针对少量的数据进行运行，因此只筛选部分的图片进行识别。

相比数据组I，数据组II在图片的选择上，偏向于选择数字笔迹较整齐和清晰的图片，且训练样本大，因此识别效率更高，达到了97%。而数据组I的识别率达到了83.75%，这样的识别效果是可以接受的，再增加训练样本的数量可以有效提高识别效率。

美国贝尔实验室曾采取不同方法对MNIST做过检测工作，其辨认的情况为：

表5-1 MNIST数据库在分类器的实验结果

 

5.4 实验结果分析

表5-2 实验样本选择及识别结果

样本情况 识别率 错误数 SVM 样本I 训练：50张 28/30 = 93.33% 2 测试：30张 样本II 训练：100张 30/30 = 100% 0 测试：30张 MNIST 样本I 训练：80张 67/80 = 83.75% 13 测试：80张 样本II 训练：100张 97/100 = 97% 3 测试：100张

 

根据实验结果可知，训练样本的数量影响着识别的结果。在MNIST图片的选择上，由于人为的在样本I和样本II的选择上做了处理，数据组II在图片的选择上，偏向于选择数字笔迹较整齐和端正，且训练样本大，因此识别效率更高。数据组I受数字笔迹的和样本量的影响，出错量相对大些。

综上，影响手写数字识别准确度的主要因素有手写体数字的规程程度、笔画的粗细和训练样本的数量^[11]。

相比较，BP神经网络需要进行网络学习和训练，且只能单一进行测试，比SVM的整体的识别，操作难且缺陷明显，支持向量机法更加简单、可操作性强、稳定性好。下的手写数字，即使只有小部分的样本数据也能拥有较好的辨认效果。

结  论

本设计是基于SVM良好的泛化性能和BPNN较强的学习性能，借助MATLAB开发平台，实现对手写数字的识别。针对大量千差万别的手写数字图像和识别的准确率，本文所做的设计工作如下：

（1）预处理阶段：针对图片中数字大小和位置不尽相同的问题，进行图像的检测和裁剪，再进行二值化反色处理转变为黑底白字的图像。

（2）训练阶段：借助BRF核函数和GA算法作查找最符合特征的参数处理，获得识别测试样本的基础。

（3）测试阶段：对图像作二值化反色初步处理，辨认并统计数字图片的辨认准确率和出错的数字。

（4）构建BPNN，作数字图片的训练和识别辨认处理，并同SVM的辨认结果作比对。

（5） 利用MNIST数据库进行扩展，充分验证影响手写数字识别效果的因素。

究其特点与运用，对该识别的研究范畴具有广泛的理论支撑和使用价值：

（1）作为全世界通用的符号，各国的研究人员可以基于同一平台研究，进行比较和探讨，并推广到其他领域上。

（2）在各种各样的数字文档工作，如银行支票处理、邮编识别、电话号码、物流编号等，手写数字的自动识别能大大降低对人力物力的依赖和削减工作强度，有效地提升办公效率。

由于本人能力有限，对SVM和BPNN等的学习较浅，本次设计只是做了基础的工作，相比真正的用到应用上，还很很多待改进的地方，不足之处有：

（1）训练及识别样本都是选择清晰规范，比较容易识别的手写数字；

（2）图片张数有限，缺乏大量训练数据的充分训练，使得图片的认识率存在着一定的误差；

（3）相比于SVM的整体识别，BPNN设计的缺陷明显，只能单一作测试，每次只能对一张图片进行测试，没办法知道整体作预测的图片认识能力及出错的情况。