联机手写数字识别实验报告
联机手写数字识别设计
一、设计论述
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。
字符识别一般可以分为两类:1.联机字符识别;2.光学字符识别(Optical Chara- cter Recognition，OCR)或称离线字符识别。在联机字符识别中，计算机能够通过与计算机相连的输入设备获得输入字符笔划的顺序、笔划的方向以及字符的形状，所以相对离线字符识别来说它更容易识别一些。
参照联机字符识别的原理，我们对手写数字的特征进行了深入的研究，同时作为一个初学者，我们本次考虑设计联机手写数字0——9识别，以达到加深对《模式识别》课程理论的了解和掌握的目的。
二、设计内容
本次设计，我们使用Visual C++ 6.0软件，在《模式识别》课程理论基础上，运用VC++语言设计联机手写数字识别系统。
三、设计原理
1、基于笔划及笔划特征分类的联机识别
联机手写汉字识别的方法可以分为两类：基于整字识别方法和基于笔划识别的方法。大多数联机识别都是采取笔划识别的方法，这是因为在联机识别过程中，汉字笔划是以点坐标形式一笔一划地输入到计算机的，同样，数字在联机输入过程中也是按照一笔一划输入的。
笔划的分类有很多，基于便于识别的原理，我们在这里仅介绍一种笔划的分类。我们把汉字看成是由把构成所有汉字的笔划分为两大类：即单向笔划和变向笔划。单向笔划表示笔划的走向保持在某一方向上，即人们通常所说的基本笔划，包括有横（笔划代码1）、竖（笔划代码2）、撇（笔划代码3）、捺（笔划代码4）。变向笔划的一种分类，规定变向笔划由三种笔划组成：（1）顺笔划（笔划代码5）：笔划的变向是按照顺时针规律变化的；（2）逆笔划（笔划代码6）：笔划的变向是按照逆时针规律变化的；（3）混合笔划（笔划代码7）：笔划的变向既有顺时
针又有逆时针规律变化。同样，这样的汉字分类也适用于对数字0——9的笔划特征分类，这样的分类有助于我们对数字0——9的特征提取，在本次设计中，我们就参照汉字的这一分类。
2、联机数字识别的原理框图
四、设计过程 1、前处理
1）手写数字输入
在设计数字输入时，我们设计了一个画板做手写屏，运行程序时，我们在该画板上用鼠标输入0——9的数字。 2）笔划识别前的噪声处理
由于在原始笔划点坐标数据中，有大量的冗余和噪声，必须对这些输入数据进行预处理以消除这些冗余和噪声。处理的方法有很多，这里根据汉字的特点，把笔划走笔方向进行8方向编码，如下图所示，将坐标平面的360度分为8个区，按顺序编号为1、2、3、4、5、6、7、8。原始数据的滤波处理分为两步：
第一步是对原始点坐标的滤波；
第二步是对由这些点坐标所计算出的方向码的滤波。
原始坐标数据的滤波
（1）平滑滤波处理
由于同一笔划中的相相邻点具有一定相关关系，不可能出现距离较大的相邻点，这里可以采用一种有限的平滑处理方法。
X X X
t pt pt
)1(αα-+= L L max min
手写数字输入
前处理
模式表达
（特征抽取）
判别
后处理
识别结果输出
Y Y Y
t pt pt
)1(αα-+=
L L
max min
)
)()1(()1(2
2
Y Y X X t p t t p t -+-=
?--
噪声点为：L max >?;冗余点为：L min
其中，（Y X t t ,）是笔划在t 时刻的坐标，下标p 表示经过平滑后的数据，
α是平滑系数，10≤≤α，α越大，平滑后两点相关性越大，反正α为0，不进
行平滑处理。
L
min
和L max 是判别冗余点和噪声点的距离阈值。
（2）笔划方向码的确定
根据输入点坐标，由下式产生笔划方向码： )/()()()(X X Y Y m t p pt m t p pt k ----=
其中，k 是两点间的变化斜率，根据斜率来确定出相应的方向码；m 是在计算t 时刻的方向码时，所取的前第m 点坐标。在实际中m 的选取，带有很大的技巧和直感，通常选取m=，即只在两相邻点上计算方向码，显然这不能克服抖动所带来的噪声，m 取得太大，容易造成方向的错判。这里的m 值需要根据实际所用手写板的采样频率等确定。 方向码的滤波处理
由于在实际书写过程中，输入的笔划并不标准，在方向码序列中，还含有大量的噪声和人为的错笔，这就需要对方向码进行滤波。 （1）笔划起始处和终止处的噪声
人们的书写习惯容易在落笔和抬笔是引入噪声，一般消除同一笔划的前两个方向码和后两个方向码，能克服这种噪声。 （2）笔划平直处的噪声
笔尖的抖动容易造成在一串相同的方向码中混有一个或两个不同的方向码，删除这个方向码，即可克服这种噪声。 （3）笔划变向处的噪声
在笔划变相=向处容易引入噪声，出现一个或两个方向码与前后方向码不相同，删除它们来克服这种噪声。 （4）带笔噪声
这基本上是人为的噪声，通过下面将介绍的笔划合并方法来消除这种噪声。 参照以上对笔划的噪声处理，在该程序中，数字是通过模拟手写板输入的，为了后面特征提取的方便，以及减少数据量，先做了一下下面的去除直角处理。
如上图所示，斜着的直线是笔迹经过的点，本来图中的三个黑点都应该在这条笔迹经过的路径上，但考虑到为了不使方向变来变去，对于该图这种处在拐角上的点我们都给剔除掉，剔除的条件的数学描述是：
|x[I+2]-x[I]|=1且 |y[I+2]-y[I]|=1
如果满足以上条件，则剔除点（x[I+1]，y[I+1]）。
//在输入过程中动态的去除直角点的代码实现如下:
if((i!=oldpoint.x)||(j!=oldpoint.y)){
int k,n;
if(mytime<2){
k=0;
n=0; }
else{
k=(i-mypoint[mytime-2].x)*(i-mypoint[mytime-2].x);
n=(j-mypoint[mytime-2].y)*(j-mypoint[mytime-2].y); }
if((k==1)&&(n==1)){
mypoint[mytime-1].x=i;
mypoint[mytime-1].y=j;
oldpoint=mypoint[mytime-1]; }
//disable=1;
else{
mypoint[mytime].x=i;
mypoint[mytime].y=j;
oldpoint=mypoint[mytime];
mytime++; }
3）笔划方向码合并处理及笔划识别
通过上述方法，根据原始坐标数据，获得了所需的笔划方向码，在确定7种笔划代码之前，还得再对笔划方向码进行合并处理。由于不同的书写习惯，往往书写笔划时有些变异。因此，对这些笔划方向码应作出合并处理。处理原则是：首先对同一笔划中的方向码进行合并处理，得到两组数。第一组数，代表输入笔划的方向码序列Mi（i=1,2,...,n）,1≤Mi≤8，相邻方向Mi与Mi-1经合并后，不可能是同方向的码值，第二组数代表方向码序列Mi所对应的某方向上的方向
码数Ni（i=1,2,...,n）。
然后再对方向码序列Mi进行合并处理，当｜Mi+1-Mi｜=1或｜Mi+1-Mi｜=7成立时，表示Mi与Mi-1是相邻的两个方向。由于采用了上面所定义的七种笔划，可以对相邻两个方向合并为一方向，当两个方向的方向数之比Ni+1/Ni≤K时，Mi与Mi-1合并为Mi ；当Ni+1/Ni >K时，Mi与Mi-1合并为Mi-1 ；n'=n-1，其中方向数为：Nf'=(Nf+Ni+1)/2。得到两组新数Mi'，Ni'，（i=1,2,...,n）。式中K是合并阈值，可根据实际书写情况进行调整，一般K=1。根据上述原则，可再对方向码序列Mi进行合并处理。
有了正确的笔划方向码序列Mi ，我们就能对笔划进行正确的分类，实线笔划识别，其识别过程如下：
第一，判断方向码序列Mi的方向码数n是否为一，即是否是单方向的基本笔划，由右表可查出对应的笔画码。
第二，如果n>1，即是变方向的复合笔划，根据下式可以确定出顺笔画、逆笔划、混合比划。
如果-4≤Mi - Mi+1≤-1或4≤Mi - Mi+1≤7对于所有i=1,2,...,n成立，那么输入笔划顺笔划。
如果1≤Mi - Mi+1≤4或-7≤Mi - Mi+1≤-4对于所有i=1,2,...,n成立，那么输入笔划逆笔划。
其他情况，输入笔划是混合比划。
参照以上笔划方向码合并处理及笔划识别原理，在本次程序设计中，为了量化特征，我们规定了如下四个方向：向右、向下、向左、向上，各方向包含的范围如下图所示：
之所以每个方向都包含3个范围，是为了避免一些小的方向扰动或抖动改变方向。从上面四个图中，我们可以看到，在斜线上的4个方向，每个都包含在两个方向上，对于方向的确定，我们有如下的规则：
（1）对于每一个起点，选择方向的优先顺序是：向右、向下、向左、向上。这里我们这样规定的原因是：考虑手写数字的特点和人的书写习惯。
（2）如果已经处在一个方向上，那么对于接着的一个方向，应尽量保持和原来的方向一致，这样方向在一个小的范围内波动，可以尽最大可能保持方向的一致性，除非已经超出了这个方向的范围。
除做以上的规定外，我们还考虑了相邻点间的方向，分析出了如下表格的方向信息，如下：
第I个点的方向第I+1个点的方向符号表示
向右向右
向下
向左
向上
向下向右
向下
向左
向上
向左向右
向下
向左
向上
向上向右
向下
向左
向上
根据表格中信息，设计了如下实现程序代码：
if(mypoint[j+1].x>mypoint[j].x)
mytezheng->VHDerection[i]=1;
else if(mypoint[j+1].y>mypoint[j].y)
mytezheng->VHDerection[i]=2;
else if(mypoint[j+1].x mytezheng->VHDerection[i]=3; else mytezheng->VHDerection[i]=4; mytezheng->lenth=1; //尽量保持目前的方向 else{ if(j==0){ if(mypoint[1].x>mypoint[0].x) mytezheng->VHDerection[0]=1; else if(mypoint[1].y>mypoint[0].y) mytezheng->VHDerection[0]=2; else if(mypoint[1].x mytezheng->VHDerection[0]=3; else mytezheng->VHDerection[0]=4; mytezheng->lenth=1; }//end if else{ switch(mytezheng->VHDerection[i]){ case 1: if(mypoint[j+1].x<=mypoint[j].x){ i++; mytezheng->lenth=1; if(mypoint[j+1].y>mypoint[j].y) mytezheng->VHDerection[i]=2; else if(mypoint[j+1].y mytezheng->VHDerection[i]=4; else mytezheng->VHDerection[i]=3; } else mytezheng->lenth++; break; case 2: if(mypoint[j+1].y<=mypoint[j].y){ i++; mytezheng->lenth=1; if(mypoint[j+1].x mytezheng->VHDerection[i]=3; else if(mypoint[j+1].x>mypoint[j].x) mytezheng->VHDerection[i]=1; else mytezheng->VHDerection[i]=4; } else mytezheng->lenth++; break; case 3: if(mypoint[j+1].x>=mypoint[j].x){ i++; mytezheng->lenth=1; if(mypoint[j+1].y mytezheng->VHDerection[i]=4; else if(mypoint[j+1].y>mypoint[j].y) mytezheng->VHDerection[i]=2; else mytezheng->VHDerection[i]=1; } else mytezheng->lenth++; break; case 4: if(mypoint[j+1].y>=mypoint[j].y){ i++; mytezheng->lenth=1; if(mypoint[j+1].x>mypoint[j].x) mytezheng->VHDerection[i]=1; else if(mypoint[j+1].x mytezheng->VHDerection[i]=3; else mytezheng->VHDerection[i]=2; } else mytezheng->lenth++; break; default: break; }//end switch }//end else }//end else }//end for 4）特征抽取 方向的特征抽取如3中笔划的方向处理，在得到方向序列后，我们还要计算几个特征，即节点的分支数、尾点距交点的距离、首点距交点的距离、首点和尾点的距离。得到这些特征后，我们可以建立一个结构structure，将这些特征保存在里面，可以输入很多训练样本，如果发现有了新的结构特征将其保存到模板文件里即可，这样可以避免了用神经网络或统计方法所带来的运算量大以及每输入新的训练样本即需从头进行新的训练的麻烦。当我们输入一个测试样本时，我们先提取它的特征，然后从模板文件里查询相同的特征，如果有，给出判断结果；如果没有，则提示无法判断。详见附录程序中。 5）后处理 在数字输入完成后，我们要及时对画板清屏，以便再一次数字的输入。详见 附录程序中。 五、设计实现结果 1、数字识别结果： 2、数字学习结果： 在学习之前，我们在系统中输入了0——9这10个数字的模板。 六、设计问题及分析 七、参考文献 1.《Visual C++数字图像模式识别技术及工程实践》 求是科技张宏林编著人民邮电出版社 2.《数字图像处理方法及程序设计》 陆玲周书民著哈尔滨工程大学出版社 3.《可视化程序设计Visual C++》(第2版) 杨喜林主编北京理工大学出版社 HUNAN UNIVERSITY 课程模式识别 题目基于知识库的手写体数字识别学生姓名 学生学号 专业班级 学院名称 2016 年6 月25 日 基于知识库的手写体数字识别 1案例背景： 手写体数字识别是图像识别学科下的一个分支，是图像处理和模式识别研究领域的重要应用之一，并且具有很强的通用性。由于手写数字的随意性很大，如笔画粗细、字体大小、倾斜角度等因素都有可能直接影响到字符的识别准确率，所以手写体数字识别是一个很有挑战性的课题。在过去的数十年中，研究者们提出了许多识别方法，并取得了一定的成果。在大规模数据统计如例行年检、人口普查、财务、税务、邮件分拣等应用领域都有广阔的应用前景。 本案例实现了手写阿拉伯数字的识别过程，并对手写数字识别的基于统计的方法进行了简要介绍和分析。本文实现的手写字体识别程序具有手写数字图像读取、特征提取、数字模板特征库以及识别功能。 2 理论基础： 2-1手写字体识别方法： 手写体数字识别是一个跨学科的复杂问题，综合了图像处理、模式识别、机器学习等多个领域的知识，其识别过程一般包含图像预处理、特征提取、分类器的设定及其后处理等组成。处理流程如图2-1所示。 图2-1 手写体数子识别流程图 2-2 图像预处理 手写体数字识别的首要工作是图像预处理。在图像预处理过程中需要解决的主要问题有：定位、图像二值化、平滑化(去噪)H J、字符切分、规范化等。图像二值化是指将整个图像呈现出明显的黑白效果。待识别的手写体数字图像在扫描过程中，常会带来一些噪声，用不同的扫描分辨率得到的数字图像，其质量也各不相同，故而要先将这些干扰因素排除掉。另外，还需要正确分割整幅文档图像中的手写体数字，而分割后的数字大小、字体常各不相同，故还需进行归一化处理。 2-3 特征提取 特征提取的目的是从经过预处理后的数字图像中，提取出用以区分与其它数字类别的本质属性并数值化，形成特征矢量的过程。常见的手写体数字特征有：模板特征、统计特征、结构特征和变换特征。 2-4 分类器 不同的分类方式对应不同的分类器，可选的分类器有神经网络、支持向量机 毕业论文计算机手写数 字识别技术 HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】 合肥学院 2007届毕业设计（论文） 基于模板匹配算法的字符识别系 设计（论文）题 目 统研究与实现 院系名称计算机科学与技术系 专业（班级）计算机科学与技术 2003级1班 姓名（学号）宋飞（0） 指导教师赵大政 系负责人袁暋 二O O七年五月二十三日 摘要 自从计算机问世以来，让机器具有模式识别能力一直是计算机科学家们的努力方向。研究表明，对视觉和听觉信息的处理过程，不仅仅是一个感知过程，也是一个认知过程。因此，研究模式识别，是理解人类智能的本质的重要途径。字符识别是一个传统和典型的模式识别问题，脱机手写数字识别是一个典型的大类别的模式识别问题。手写体数字具有不同字符字型相差不大、相同字符有多种不同写法、数字没有上下文关系等等特点，使得脱机手写体数字识别成为识别领域最大的难题和最终的目标。在这种大类别识别的研究中，传统上大多采用模板匹配的方法来解决问题。而在模板匹配算法中，得计算其特征值。图像需要经过二值化，细化等预处理。 关键字模板匹配；特征值；细化；二值化 ABSTRACT Since computer appeared, it has been an effort direction for scientist to let the computer has the ability of pattern recognition. Researching indicates that the procedure to deal with seeing and hearing not only a procedure of perception but also cognition. Therefore, studying pattern recognition is an important way in understanding the mankind’s intelligence 《数据挖掘》Weka实验报告 姓名＿学号＿ 指导教师 开课学期2015 至2016 学年 2 学期完成日期2015年6月12日 1.实验目的 基于https://www.sodocs.net/doc/8418812995.html,/ml/datasets/Breast+Cancer+WiscOnsin+%28Ori- ginal%29的数据，使用数据挖掘中的分类算法，运用Weka平台的基本功能对数据集进行分类，对算法结果进行性能比较，画出性能比较图，另外针对不同数量的训练集进行对比实验，并画出性能比较图训练并测试。 2.实验环境 实验采用Weka平台，数据使用来自https://www.sodocs.net/doc/8418812995.html,/ml/Datasets/Br- east+Cancer+WiscOnsin+%28Original%29，主要使用其中的Breast Cancer Wisc- onsin (Original) Data Set数据。Weka是怀卡托智能分析系统的缩写，该系统由新西兰怀卡托大学开发。Weka使用Java写成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由不同的学习方案所得出的结果。 3.实验步骤 3.1数据预处理 本实验是针对威斯康辛州(原始)的乳腺癌数据集进行分类，该表含有Sample code number（样本代码)，Clump Thickness（丛厚度），Uniformity of Cell Size （均匀的细胞大小），Uniformity of Cell Shape （均匀的细胞形状），Marginal Adhesion（边际粘连），Single Epithelial Cell Size（单一的上皮细胞大小），Bare Nuclei（裸核），Bland Chromatin（平淡的染色质），Normal Nucleoli（正常的核仁），Mitoses（有丝分裂），Class（分类），其中第二项到第十项取值均为1-10，分类中2代表良性，4代表恶性。通过实验，希望能找出患乳腺癌客户各指标的分布情况。 该数据的数据属性如下： 1. Sample code number（numeric），样本代码； 2. Clump Thickness（numeric），丛厚度； 燕山大学 课程设计说明书 题目：手写数字识别的实现 学院（系）：电气工程学院 年级专业： 08-自动化仪表 学号： 080103020179 学生姓名：付成超 指导教师：林洪彬程淑红 教师职称：讲师讲师 2010年 12 月 24 日 燕山大学课程设计（论文）任务书 院（系）：电气工程学院基层教学单位：自动化仪表系 学号080103020179 学生姓名付成超专业（班级）自动化仪表设计题目手写数字识别实现 设 计技术参数 通过由数字构成的图像，自动实现几个不同数字的识别，设计识别方法，有较高的识别率 设计要求 设计图像中不同数字的识别方法，可以先从两个数字的识别开始，尽量实现多个不同数字的识别。设计中应该有自己的思想、设计体会 工作量1．分析图像特征，查阅相关资料，根据图像的特征提出解决问题的思路。2．查阅相关资料，学会MATLAB的编程方法 3．根据解决思路，编辑程序，根据调试结果，修改相应思路，找出最佳解决方案 工作计划周一分析图像，查阅各种资料，提出可行的解决方案。周二熟悉MATLAB软件，学会软件的简单编程方法。 周三根据可行的方法，编写程序，调试并修改方案。周四根据调试结果，选取最佳方案并完成设计论文。周五进一步完善设计论文，准备论文答辩。 参考资料[] MICHAEL SIPSER著,张立昂等译,《计算理论导引》,机械工业出版社，2000。 [2] 王晓龙，关毅等编，《计算机自然语言处理》，清华大学出版社，2005。 [3] R.C.Gonzales等著，阮秋崎等译，《数字图像处理》，电子工业出版社，2002。 [4] 王文杰等编，《人工智能原理》，人民邮电出版社，2003。 指导教师签字基层教学单位主任签字 2010年 12 月 24 日 脱机手写体汉字识别综述 赵继印1,郑蕊蕊2,吴宝春1,李 敏1 (1.大连民族学院机电信息工程学院,辽宁大连116600;2.吉林大学通信工程学院,吉林长春130025) 摘 要: 脱机手写体汉字识别是模式识别领域最具挑战性的课题之一.本文分析了近年来脱机手写体汉字识别 的最新进展,讨论了脱机手写体汉字分割、特征提取和分类器设计等关键技术的各种主流方法,介绍了3种典型的汉字识别数据库,并提出了脱机手写体汉字识别的难点问题和今后发展的趋势,为该领域的研究者指明研究方向,共同促进脱机手写体汉字识别技术的发展. 关键词: 脱机手写体汉字识别;字符分割;特征提取;分类器设计;汉字识别数据库中图分类号: TP39114 文献标识码: A 文章编号: 037222112(2010)022******* A Review of Off 2Line Handwritten Chine se Character Recognition ZH AO Ji 2yin 1,ZHE NG Rui 2rui 2,W U Bao 2chun 1,LI Min 1 (1.College o f Electormechanical and Information Engineering ,Dalian Nationalities Univer sity ,Dalian ,Liaoning 116600,China ; 2.College o f Communication Engineering ,Jilin Univer sity ,Changchun ,Jilin 130025,China ) Abstract : Off 2line handwritten Chinese character recognition is one of the most challenging problems in pattern recognition field.This paper analyzed the latest developments of off 2line handwritten Chinese character recognition in recent years.Main meth 2ods of the key technologies such as Chinese characters segmentation ,feature extraction and classifier design were discussed.This pa 2per also introduced 3typical off 2line handwritten Chinese character recognition databases.Finally ,remain difficult issues and future trends of off 2line handwritten Chinese character recognition were proposed.This paper will guide researchers in this field and pro 2mote development of off 2line handwritten Chinese character recognition technology. K ey words : off 2line handwritten Chinese character Recognition ;characters segmentation ;feature extraction ;classifier design ;Chinese recognition database 1 引言 汉字识别是模式识别的一个重要分支,也是文字识 别领域最为困难的问题之一,它涉及模式识别、图像处理、统计理论等学科,呈现出综合性的特点,在办公和教学自动化、银行票据自动识别、邮政自动分拣、少数民族语言文字信息处理等技术领域,都有着重要的理论意义和实用价值[1].汉字识别技术可分为印刷体和手写体汉字识别两大类.手写体汉字识别又可分为联机(on 2line )和脱机(off 2line )手写体汉字识别.脱机手写体汉字识别可分为受限和非受限两种情况,如图1所示. 清华大学、中科院自动化所等著名高校和科研院所都致力于汉字识别的研究,以汉王科技股份有限公司为首的科技企业也推出了一系列成熟的商业产品[2].目前,很多论文提出的脱机手写体汉字识别的方法在不同的字符数据库试验中,取得了95%～99%的识别率,但是对真正的手写文档的识别效果却难以达到实际应用的要求. 目前脱机手写体汉字识别仍处于实验室研究阶 段,成功的商业产品仍未发布[2～4].本文着重讨论脱机手写体汉字识别的现状和存在的问题,明确今后的发展趋势,为脱机手写体汉字识别领域的广大研究人员提供参考和借鉴. 2 手写汉字字体特点 从识别的角度分析,汉字具有如下4个特点.2.1 汉字类别多 汉字的个数很多,国家标准G B1803022000《信息交换用汉字编码字符集基本集的扩充》收录27484个汉字[5].汉字个数在模式识别问题中体现为汉字的类别,因此汉字识别问题属于超大规模数据集的模式识别问题. 收稿日期:2009202216;修回日期:2009206213 基金项目:大连民族学院科研基金(N o.20086201);吉林省科技厅科技引导计划(N o.20090511) 第2期2010年2月 电 子 学 报 ACT A E LECTRONICA SINICA V ol.38 N o.2 Feb. 2010 数据挖掘实验报告（一） 数据预处理 姓名：李圣杰 班级：计算机1304 学号：1311610602 一、实验目的 1.学习均值平滑，中值平滑，边界值平滑的基本原理 2.掌握链表的使用方法 3.掌握文件读取的方法 二、实验设备 PC一台，dev-c++5.11 三、实验内容 数据平滑 假定用于分析的数据包含属性age。数据元组中age的值如下（按递增序）：13, 15, 16, 16, 19, 20, 20, 21, 22, 22, 25, 25, 25, 25, 30, 33, 33, 35, 35, 35, 35, 36, 40, 45, 46, 52, 70。使用你所熟悉的程序设计语言进行编程，实现如下功能（要求程序具有通用性）： (a) 使用按箱平均值平滑法对以上数据进行平滑，箱的深度为3。 (b) 使用按箱中值平滑法对以上数据进行平滑，箱的深度为3。 (c) 使用按箱边界值平滑法对以上数据进行平滑，箱的深度为3。 四、实验原理 使用c语言，对数据文件进行读取，存入带头节点的指针链表中，同时计数，均值求三个数的平均值，中值求中间的一个数的值，边界值将中间的数转换为离边界较近的边界值 五、实验步骤 代码 #include ] 手写数字识别系统的设计与实现 摘要本手写数字识别系统是一个以VISUAL STUDIO C++ 为编译环境，使用MFC进行图形图像界面开发的系统。主要功能是通过在点击手写数字识别菜单下的绘制数字标签弹出的绘制数字窗口中完成数字的手写，在此窗口中可以进行数字的保存及清屏，然后通过文件菜单中的打开标签打开所绘制的数字，从而进行数字的预处理，其中包括灰度化及二值化处理，然后进行特征提取，最后实现数字的识别。本系统的界面设计友好，流程正确，功能也较为完善。实验结果表明，本系统具有较高的识别率。 关键词：绘制数字;预处理;特征提取;特征库;数字识别 / ； 目录 前言 (1) 概述 (2) 1 需求分析 (4) 功能需求分析 (4) , 性能需求分析 (4) 数据需求分析 (5) 相关软件介绍 (5) 2 手写数字识别系统的设计与基本原理 (6) 系统整体功能模块设计 (6) 手写数字识别系统的基本原理 (6) 数字图像的绘制 (6) 图像的预处理 (6) ） 图像的特征提取 (7) 特征库的建立 (8) 图像数字的识别 (8) 3 手写数字识别系统程序设计 (8) 数字图像的绘制 (8) 数字的特征提取 (15) 模板特征库的建立 (18) 数字的识别 (20) （ 总结 (23) 致谢 (24) 参考文献 (25) 前言 自上世纪六十年代以来，计算机视觉与图像处理越来越受到人们的关注，并逐渐成为一门重要的学科领域。而作为它们的研究对象的数字图像，也因为它含有研究目标的丰富信息而成为越来越重要的研究对象。图像识别的目标是用计算机自动完成某些信息的处理，用来替代人工去处理图像分类及识别的任务。 手写数字识别是图像识别学科下的一个分支，是图像处理和模式识别领域研究的课题之一，由于其具有很强的实用性一直是多年来的研究热点。由于手写体数字的随意性很大，例如，笔画的粗细，字体的大小，倾斜等等都直接影响到字符的正确识别，所以手写体数字识别是一个很有挑战性的课题。在过去的数十年中，研究者们提出了许多的识别方法，取得了较大的成果。手写体数字识别实用性很强，在大规模数据统计(如例行年检，人口普查)，财务，税务，邮件分拣等等应用领域中都有广阔的应用前景。本课题拟研究手写体数字识别的理论和方法，开发一个小型的手写体数字识别系统。 在研究手写体数字识别理论和方法的基础上，开发这样一个小型的手写体数字识别系统需要完成以下主要方面的研究与设计工作：手写数字绘制的问题、数字的预处理问题、特征提取问题、特征库的建立问题、数字识别问题。 大数据理论与技术读书报告 -----K最近邻分类算法 指导老师: 陈莉 学生姓名: 李阳帆 学号: 201531467 专业: 计算机技术 日期 :2016年8月31日 摘要 数据挖掘是机器学习领域内广泛研究的知识领域，是将人工智能技术和数据库技术紧密结合，让计算机帮助人们从庞大的数据中智能地、自动地提取出有价值的知识模式，以满足人们不同应用的需要。K 近邻算法（KNN）是基于统计的分类方法，是大数据理论与分析的分类算法中比较常用的一种方法。该算法具有直观、无需先验统计知识、无师学习等特点，目前已经成为数据挖掘技术的理论和应用研究方法之一。本文主要研究了K 近邻分类算法，首先简要地介绍了数据挖掘中的各种分类算法，详细地阐述了K 近邻算法的基本原理和应用领域，最后在matlab环境里仿真实现，并对实验结果进行分析，提出了改进的方法。 关键词：K 近邻，聚类算法，权重，复杂度，准确度 1.引言 (1) 2.研究目的与意义 (1) 3.算法思想 (2) 4.算法实现 (2) 4.1 参数设置 (2) 4.2数据集 (2) 4.3实验步骤 (3) 4.4实验结果与分析 (3) 5.总结与反思 (4) 附件1 (6) 1.引言 随着数据库技术的飞速发展，人工智能领域的一个分支—— 机器学习的研究自 20 世纪 50 年代开始以来也取得了很大进展。用数据库管理系统来存储数据，用机器学习的方法来分析数据，挖掘大量数据背后的知识，这两者的结合促成了数据库中的知识发现（Knowledge Discovery in Databases，简记 KDD）的产生，也称作数据挖掘（Data Ming，简记 DM）。 数据挖掘是信息技术自然演化的结果。信息技术的发展大致可以描述为如下的过程：初期的是简单的数据收集和数据库的构造；后来发展到对数据的管理，包括：数据存储、检索以及数据库事务处理；再后来发展到对数据的分析和理解， 这时候出现了数据仓库技术和数据挖掘技术。数据挖掘是涉及数据库和人工智能等学科的一门当前相当活跃的研究领域。 数据挖掘是机器学习领域内广泛研究的知识领域，是将人工智能技术和数据库技术紧密结合，让计算机帮助人们从庞大的数据中智能地、自动地抽取出有价值的知识模式，以满足人们不同应用的需要[1]。目前，数据挖掘已经成为一个具有迫切实现需要的很有前途的热点研究课题。 2.研究目的与意义 近邻方法是在一组历史数据记录中寻找一个或者若干个与当前记录最相似的历史纪录的已知特征值来预测当前记录的未知或遗失特征值[14]。近邻方法是数据挖掘分类算法中比较常用的一种方法。K 近邻算法（简称 KNN）是基于统计的分类方法[15]。KNN 分类算法根据待识样本在特征空间中 K 个最近邻样本中的多数样本的类别来进行分类，因此具有直观、无需先验统计知识、无师学习等特点，从而成为非参数分类的一种重要方法。 大多数分类方法是基于向量空间模型的。当前在分类方法中，对任意两个向量： x= ) ,..., , ( 2 1x x x n和) ,..., , (' ' 2 ' 1 'x x x x n 存在 3 种最通用的距离度量：欧氏距离、余弦距 离[16]和内积[17]。有两种常用的分类策略：一种是计算待分类向量到所有训练集中的向量间的距离：如 K 近邻选择K个距离最小的向量然后进行综合，以决定其类别。另一种是用训练集中的向量构成类别向量，仅计算待分类向量到所有类别向量的距离，选择一个距离最小的类别向量决定类别的归属。很明显，距离计算在分类中起关键作用。由于以上 3 种距离度量不涉及向量的特征之间的关系，这使得距离的计算不精确，从而影响分类的效果。 中南大学 本科生毕业论文（设计） 题目基于神经网络的手写数字 识别系统的设计与实现 目录 摘要 (Ⅰ) ABSTRACT (Ⅱ) 第一章绪论 (1) 1.1手写体数字识别研究的发展及研究现状 (1) 1.2神经网络在手写体数字识别中的应用 (2) 1.3 论文结构简介 (3) 第二章手写体数字识别 (4) 2.1手写体数字识别的一般方法及难点 (4) 2.2 图像预处理概述 (5) 2.3 图像预处理的处理步骤 (5) 2.3.1 图像的平滑去噪 (5) 2.3.2 二值话处理 (6) 2.3.3 归一化 (7) 2.3.4 细化 (8) 2.4 小结 (9) 第三章特征提取 (10) 3.1 特征提取的概述 (10) 3.2 统计特征 (10) 3.3 结构特征 (11) 3.3.1 结构特征提取 (11) 3.3.2 笔划特征的提取 (11) 3.3.3 数字的特征向量说明 (12) 3.3 知识库的建立 (12) 第四章神经网络在数字识别中的应用 (14) 4.1 神经网络简介及其工作原理 (14) 4.1.1神经网络概述[14] (14) 4.1.2神经网络的工作原理 (14) 4.2神经网络的学习与训练[15] (15) 4.3 BP神经网络 (16) 4.3.1 BP算法 (16) 4.3.2 BP网络的一般学习算法 (16) 4.3.3 BP网络的设计 (18) 4.4 BP学习算法的局限性与对策 (20) 4.5 对BP算法的改进 (21) 第五章系统的实现与结果分析 (23) 5.1 软件开发平台 (23) 5.1.1 MATLAB简介 (23) 5.1.2 MATLAB的特点 (23) 5.1.3 使用MATLAB的优势 (23) 5.2 系统设计思路 (24) 5.3 系统流程图 (24) 5.4 MATLAB程序设计 (24) 5.5 实验数据及结果分析 (26) 结论 (27) 参考文献 (28) 致谢 (30) 附录 (31) 数据挖掘实验报告（二）关联规则挖掘 姓名：李圣杰 班级：计算机1304 学号：1311610602 一、实验目的 1. 1.掌握关联规则挖掘的Apriori算法； 2.将Apriori算法用具体的编程语言实现。 二、实验设备 PC一台，dev-c++5.11 三、实验内容 根据下列的Apriori算法进行编程： 四、实验步骤 1.编制程序。 2.调试程序。可采用下面的数据库D作为原始数据调试程序，得到的候选1项集、2项集、3项集分别为C1、C2、C3，得到的频繁1项集、2项集、3项集分别为L1、L2、L3。 代码 #include 石河子大学 信息科学与技术学院毕业论文 课题名称：手写体数字识别系统设计 学生姓名： 学号： 学院：信息科学与技术学院 专业年级：电子信息工程2007级指导教师： 职称： 完成日期：二○一一年六月十一日 手写体数字识别系统设计 学生： 指导教师： [摘要] 随着科学技术的迅速发展，在邮政编码、统计报表、财务报表、银行票据等处理大量字符信息录入的场合，手写数字识别系统的应用需求越来越强烈，如何将数字方便、快速地输入到计算机中已成为关系到计算机技术普及的关键问题。本文设计实现了一个基于Matlab软件的手写体数字识别系统，采用模块化设计方法，编写了摄像头输入、直接读取图片、写字板输入三个模块，利用摄像头等工具，将以文本形式存在的手写体数字输入进计算机，完成对手写体数字图片的采集，并设计了一种手写数字识别方法，对手写体数字图像进行预处理、结构特征提取、分类识别，最终以文本形式输出数字，从而实现手写体数字的识别。 [关键词] 预处理，结构特征提取，分类识别，手写体数字识别 Handwritten Digit Recognition System Students： Teacher： Abstract:With the rapid development of science and technology, in zip code, statistics, reports, financial statements, Bank bills dealing with a large number of characters, such as information recorded occasions, handwritten digit recognition system of requirement has become stronger and stronger, how easily and quickly the number entered in the computer has become a key issue relates to the popularization of computer technology. This article design implementation has a based on Matlab software of handwriting body digital recognition system, used module of design method, write has camera entered, and directly read pictures, and write Board entered three a module, using camera, tools, will to text form exists of handwriting body digital entered into computer, completed on handwriting body digital pictures of collection, and design has a handwriting digital recognition method, on handwriting body digital image for pretreatment, and structure features extraction, and classification recognition, eventually to text form output digital, to implementation handwriting body digital of recognition. Key words: Pretreatment, structure feature extraction, classification and recognition, handwritten digit recognition. 联机手写数字识别设计 一、设计论述 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。 字符识别一般可以分为两类:1.联机字符识别;2.光学字符识别(Optical Chara- cter Recognition，OCR)或称离线字符识别。在联机字符识别中，计算机能够通过与计算机相连的输入设备获得输入字符笔划的顺序、笔划的方向以及字符的形状，所以相对离线字符识别来说它更容易识别一些。 参照联机字符识别的原理，我们对手写数字的特征进行了深入的研究，同时作为一个初学者，我们本次考虑设计联机手写数字0——9识别，以达到加深对《模式识别》课程理论的了解和掌握的目的。 二、设计内容 本次设计，我们使用Visual C++ 6.0软件，在《模式识别》课程理论基础上，运用VC++语言设计联机手写数字识别系统。 三、设计原理 1、基于笔划及笔划特征分类的联机识别 联机手写汉字识别的方法可以分为两类：基于整字识别方法和基于笔划识别的方法。大多数联机识别都是采取笔划识别的方法，这是因为在联机识别过程中，汉字笔划是以点坐标形式一笔一划地输入到计算机的，同样，数字在联机输入过程中也是按照一笔一划输入的。 笔划的分类有很多，基于便于识别的原理，我们在这里仅介绍一种笔划的分类。我们把汉字看成是由把构成所有汉字的笔划分为两大类：即单向笔划和变向笔划。单向笔划表示笔划的走向保持在某一方向上，即人们通常所说的基本笔划，包括有横（笔划代码1）、竖（笔划代码2）、撇（笔划代码3）、捺（笔划代码4）。变向笔划的一种分类，规定变向笔划由三种笔划组成：（1）顺笔划（笔划代码5）：笔划的变向是按照顺时针规律变化的；（2）逆笔划（笔划代码6）：笔划的变向是按照逆时针规律变化的；（3）混合笔划（笔划代码7）：笔划的变向既有顺时 手写数字识别的原理及应用 林晓帆丁晓青吴佑寿 一、引言 手写数字识别(Handwritten Numeral Recognition)是光学字符识别技术(Optical Character Recognition,简称OCR)的一个分支，它研究的对象是：如何利用电子计算机自动辨认人手写在纸张上的阿拉伯数字。 在整个OCR领域中，最为困难的就是脱机手写字符的识别。到目前为止，尽管人们在脱机手写英文、汉字识别的研究中已取得很多可喜成就，但距实用还有一定距离。而在手写数字识别这个方向上，经过多年研究，研究工作者已经开始把它向各种实际应用推广，为手写数据的高速自动输入提供了一种解决方案。 二、研究的实际背景 字符识别处理的信息可分为两大类：一类是文字信息，处理的主要是用各国家、各民族的文字（如：汉字，英文等）书写或印刷的文本信息，目前在印刷体和联机手写方面技术已趋向成熟，并推出了很多应用系统；另一类是数据信息，主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据，如：邮政编码、统计报表、财务报表、银行票据等等，处理这类信息的核心技术是手写数字识别。这几年来我国开始大力推广的“三金”工程在很大程度上要依赖数据信息的输入，如果能通过手写数字识别技术实现信息的自动录入，无疑会促进这一事业的进展。因此，手写数字的识别研究有着重大的现实意义，一旦研究成功并投入应用，将产生巨大的社会和经济效益。 三、研究的理论意义 手写数字识别作为模式识别领域的一个重要问题，也有着重要的理论价值： 1.阿拉伯数字是唯一的被世界各国通用的符号，对手写数字识别的研究基本上与文化背景无关，这样就为各国，各地区的研究工作者提供了一个施展才智的大舞台。在这一领域大家可以探讨，比较各种研究方法。 2.由于数字识别的类别数较小，有助于做深入分析及验证一些新的理论。这方面最明显的例子就是人工神经网络（ANN）------相当一部分的ANN模型和算法都以手写数字识别作为具体的实验平台，验证理论的有效性，评价各种方法的优缺点。 3.尽管人们对手写数字的识别已从事了很长时间的研究，并已取得了很多成果，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（Open problem)。 一、实验目的 使用数据挖掘中的分类算法，对数据集进行分类训练并测试。应用不同的分类算法，比较他们之间的不同。与此同时了解Weka平台的基本功能与使用方法。 二、实验环境 实验采用Weka 平台，数据使用Weka安装目录下data文件夹下的默认数据集iris.arff。 Weka是怀卡托智能分析系统的缩写，该系统由新西兰怀卡托大学开发。Weka使用Java 写成的，并且限制在GNU通用公共证书的条件下发布。它可以运行于几乎所有操作平台，是一款免费的，非商业化的机器学习以及数据挖掘软件。Weka提供了一个统一界面，可结合预处理以及后处理方法，将许多不同的学习算法应用于任何所给的数据集，并评估由不同的学习方案所得出的结果。 三、数据预处理 Weka平台支持ARFF格式和CSV格式的数据。由于本次使用平台自带的ARFF格式数据，所以不存在格式转换的过程。实验所用的ARFF格式数据集如图1所示 图1 ARFF格式数据集(iris.arff) 对于iris数据集，它包含了150个实例（每个分类包含50个实例），共有sepal length、sepal width、petal length、petal width和class五种属性。期中前四种属性为数值类型，class属性为分类属性，表示实例所对应的的类别。该数据集中的全部实例共可分为三类：Iris Setosa、Iris Versicolour和Iris Virginica。 实验数据集中所有的数据都是实验所需的，因此不存在属性筛选的问题。若所采用的数据集中存在大量的与实验无关的属性，则需要使用weka平台的Filter(过滤器)实现属性的筛选。 实验所需的训练集和测试集均为iris.arff。 四、实验过程及结果 应用iris数据集，分别采用LibSVM、C4.5决策树分类器和朴素贝叶斯分类器进行测试和评价，分别在训练数据上训练出分类模型，找出各个模型最优的参数值，并对三个模型进行全面评价比较，得到一个最好的分类模型以及该模型所有设置的最优参数。最后使用这些参数以及训练集和校验集数据一起构造出一个最优分类器，并利用该分类器对测试数据进行预测。 1、LibSVM分类 Weka 平台内部没有集成libSVM分类器，要使用该分类器，需要下载libsvm.jar并导入到Weka中。 用“Explorer”打开数据集“iris.arff”，并在Explorer中将功能面板切换到“Classify”。点“Choose”按钮选择“functions(weka.classifiers.functions.LibSVM)”，选择LibSVM分类算法。 在Test Options 面板中选择Cross-Validatioin folds=10，即十折交叉验证。然后点击“start”按钮： 毕业设计开题报告 计算机科学与技术 手写数字识别技术研究 一、选题的背景、意义 字符识别处理的信息可分为两大类:一类是文字信息,处理的主要是用各国家,各民族的文字(如:汉字,英文等)书写或印刷的文本信息，目前在印刷体和联机手写方面技术已趋向成熟,并推出了很多应用系统;另一类是数据信息,主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据,如:邮政编码,统计报表,财务报表,银行票据等等,处理这类信息的核心技术是手写数字识别。因此,手写数字的识别研究有着重大的现实意义,一旦研究成功并投入应用,将产生巨大的社会和经济效益。 在当前在手写体数字识别的研究中，对于已二值化的图像抽取特征的方法有许多种。常用的统计特征有Gabor变换特征、Legendre矩特征、Pseudo-Zernike矩特征与Zernike矩特征。统计特征通常反映图像点阵总体分布情况，这些特征的图像预处理简单，对噪声不敏感，但对字的一些精细结构部分反应不灵敏。由数字图像的骨架和轮廓可抽取出手写体数字的结构特征，它往往对字结构精细部分反映灵敏，但图像预处理复杂，对噪声较敏感，一个完善的基于结构特征的分类器往往十分庞杂。基于这种情况，研究一种特征提取基于根据图像象素的走向判断出某段数字的结构的手写体识别系统具有一定的现实意义。 二、研究的基本内容与拟解决的主要问题 手写字符识别技术作为光学字符识别的一个重要分支，其综合了数学图像处理、计算机图形学和人工智能等多方面的知识，已越来越成为计算机自动化和智能化的重要技术。 由于手写数字的不规范性和多样性，再加上为了识别精确而对数字图像进行高点阵扫描，从而使数字识别时所要处理的信息不仅量大，而且复杂。为了能更好地识别，就要求识别系统能从大量数据中抽取关键信息，加以准确识别。脱机识别将书写字符转化为点阵或二值图像再抽取特征进行识别, 该方法与书写顺序无关, 较易识别具有“补笔划”或有“自由始终点”的字符, 但不易抽取象笔划特征这样分类能力强的特征。 本毕业设计主要解决以图像形式存在的手写体数字的识别问题。主要分为三个部分， 手写体数字识别 第一章绪论 (4) 1.1课题研究的意义 (4) 1.2国内外究动态目前水平 (4) 1.3手写体数字识别简介 (5) 1.4识别的技术难点 (5) 1.5主要研究工作 (6) 第二章手写体数字识别基本过程： (6) 2.1手写体数字识别系统结构 (6) 2.2分类器设计 (7) 2.2.1 特征空间优化设计问题 (7) 2.2.2分类器设计准则 (8) 2.2.3分类器设计基本方法 (9) 3.4 判别函数 (9) 3.5训练与学习 (10) 第三章贝叶斯方法应用于手写体数字识别 (11) 3.1贝叶斯由来 (11) 3.2贝叶斯公式 (11) 3.3贝叶斯公式Bayes决策理论： (12) 3.4贝叶斯应用于的手写体数字理论部分： (16) 3.4.1.特征描述： (16) 3.4.2最小错误分类器进行判别分类 (17) 第四章手写体数字识别的设计流程及功能的具体实现 (18) 4.1 手写体数字识别的流程图 (18) 4.2具体功能实现方法如下： (19) 结束语 (25) 致谢词 (25) 参考文献 (26) 附录 (27) 摘要 数字识别就是通过计算机用数学技术方法来研究模式的自动处理和识别。随着计算机技术的发展，人类对模式识别技术提出了更高的要求。特别是对于大量己有的印刷资料和手稿，计算机自动识别输入己成为必须研究的课题，所以数字识别在文献检索、办公自动化、邮政系统、银行票据处理等方面有着广阔的应用前景。 对手写数字进行识别，首先将汉字图像进行处理，抽取主要表达特征并将特征与数字的代码存储在计算机中，这一过程叫做“训练”。识别过程就是将输入的数字图像经处理后与计算机中的所有字进行比较，找出最相近的字就是识别结果。 本文主要介绍了数字识别的基本原理和手写的10个数字字符的识别系统的设计实现过程。第一章介绍了数字识别学科的发展状况。第二章手写体数字识别基本过程。第三章贝叶斯方法应用于手写体数字识别。第四章手写体数字识别的设计流程及功能的具体实现，并对实验结果做出简单的分析。 关键词：手写体数字识别分类器贝叶斯vc++6.0 错误！未找到引用源。基于知识库的手写体数字识别
毕业论文计算机手写数字识别技术完整版
数据挖掘实验报告
手写数字识别的实现
脱机手写体汉字识别综述
数据挖掘实验报告(一)
手写数字识别系统的设计与实现
数据挖掘实验报告资料
基于神经网络的手写数字识别系统的设计与实现
数据挖掘实验报告-关联规则挖掘
(完整版)手写体数字识别系统设计毕业设计
联机手写数字识别实验报告
手写数字识别的原理及应用
大数据挖掘weka大数据分类实验报告材料
手写数字识别技术研究【开题报告】
手写体数字的识别
相关文档
- 手写数字识别技术研究【文献综述】
- 手写数字识别系统的设计与实现教学内容
- 手写数字识别的过程
- 手写数字识别系统
- 手写数字识别实践指导手册
- 手写数字识别讲课教案
- 手写数字识别系统课件
- 手写数字识别技术研究【开题报告】
- 手写数字识别技术的应用
- 手写数字识别技术研究开题报告整理
- 手写数字识别技术的应用
- 毕业论文计算机手写数字识别技术完整版
- 手写数字识别实践指导手册
- 手写数字识别系统的设计与实现
- 手写体数字识别课案
- (完整版)手写体数字识别系统设计毕业设计
- (完整版)基于神经网络的手写数字识别系统的设计与实现毕业论文
- 自由手写体数字识别系统的设计与实现
- 手写数字识别系统的设计与实现
- 手写体数字识别系统