摘要：机器学习是最近几年来热门的计算机研究领域。人工神经网络是机器学习中最为重要的理论基础，通过人工神经网络来进行模式识别成为愈加重要的途径。本设计借助MATLAB 平台成熟的神经网络工具箱，建立了一种用于识别无噪的手写数字的反向传播神经网络。该网络通过利用基于传统反向传播算法改进的弹性反向传播算法来学习 5000 份无噪的手写数字图像来训练自身。训练的测试结果表明，该神经网络能够达到 90% 左右的识别正确率。

关键词：感知器，神经网络，机器学习，手写数字识别

目录

摘要

Abstract

引言  5

感知器神经网络与反向传播算法  6

2.1 感知器神经网络  6

2.1.1 感知器的学习  8

2.1.2 感知器的局限性  10

2.2 反向传播算法  10

2.2.1 弹性反向传播算法  12

2.3 基本原理  13

运行环境  13

方法概述与实现过程  14

3.1 流程图  15

3.2 实现过程  15

3.2.1 图像读取  15

3.2.2 提取特征  16

3.2.3 构造标签用于监督学习  18

3.2.4 随机选定训练样本和测试样本  19

3.2.5 神经网络的创建  19

3.2.6 正确率的计算  20

3.2.7 具体数字的识别  21

数据分析  21

4.1 性能函数  22

4.2 梯度和验证检查  22

4.3 回归中的相关系数  23

结论  25

参考文献  26

致谢  27