基于Hopfield神经网络的数字识别

        在日常生活中，经常遇到带噪声字符的识别问题，如交通系统中汽车牌照，由于汽车在使用过程中，要经受自然环境中的日吹风晒或者其他污染，造成字体的模糊不清，难以辨认，这是常常发生的事。如何从这些残缺不全的字符中提取完整的信息，达到正确识别，这是字符识别的关键问题。字符识别在邮政，交通及商业票据管理等方面有着极高的应用价值。

        目前有很多字符识别的方法，如人工神经网络识别，概率统计识别和模糊识别等。传统的识别方法在有干扰的情况下不能很好的对字符进行识别，而离散型的Hopfield神经网络具有联想记忆的功能，利用这一功能对字符识别可以取得令人满意的效果。

一、离散型Hopfield神经网络的原理

        Hopfield网络最初由美国物理学家J. J Hopfield于1982年首次提出来的。它作为一种全连接型的神经网络，为人工神经网络的发展进程开辟了新的研究途径。Hopf field神经网络是一种互连型神经网络，其演变过程是一个非线性动力学系统，可以用一组非线性差分方程描述(离散型)或微分方程(连续型)来描述。系统的稳定性可用所谓的“能量函数”进行分析。在满足条件的情况下，某种“能量函数”的能量在网络运行过程中不断地减少，最后趋于稳定的平衡状态。对于一个非线性动力学系统，系统的状态从某一初值出发经过演变后可能有如下几种结果:渐进稳定点、极限环、混沌、状态发散。

        因为人工神经网络的变换函数是一个有界函数，故系统的状态不会发生发散现象。目前，人工神经网络经常利用渐进稳定点来解决某些问题。如果把系统的稳定点视为一个记忆的话，那么从初态朝这个稳定点的演变过程就是一个寻找记忆的过程。如果把系统的稳定点视为一个能量函数的极小点，而把能量函数视为一个优化问题的目标函数，那么从初态朝这个稳定点的演变过程就是一个求解该优化问题的过程。因此，Hopfield神经网络的演变过程是一个计算联想记忆或求解优化问题的过程。实际上，它的解决并不需要真的去计算，而是通过构成反馈神经网络，适当地设计其连接权和输入就可以达到这个目的。

        离散型Hopfield网络是单层的、输入输出为二值的反馈网络，在离散型网络中每个神经元都有相同功能，其输出称为状态。它主要用于联想记忆，当网络的初始态确定后，网络状态按其工作规则向能量递减的方向变化，最后接近或达到平衡点。这种平衡点又称为