一种基于BP神经网络的手势识别系统设计

输入参数，为BP 进行初始化及参数训练，可以提高数据的识别率。在学习收敛的情况下，增大η，以缩短学习时间;当η 偏大致使不能收敛时，要及时减小η，直到收敛为止。将上一次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上，作为本次的实际权值调整量，即：

4 实验结果分析

通过Matlab 计算所得出得神经网络学习误差曲线和数字识别结果如图1 所示。

本文将0 ~ 9 共10 类数据中的每类取20 个做测试样本，共200 个测试样本对系统进行性能测试。测试结果如表1 所列。由表1 中的数据可知，数字识别的正确率为98.5%，正确率较高，拒识率为6.5%，也比较高。总体数字识别有效率为94.5%.Kadous 用Power Gloves 作为手语输入设备，这样的识别率仅为80%.

5 结 语

实际上，数字识别的正确率和拒识率与数字识别的判断值有关，本文的判断值设置为0.7.判断值设置得高，数字识别的正确率就高，同时数字的拒识率也相应地就高，反之亦然。因此，判断值的选择需要根据实际情况来定。