基于深度卷积神经网络的模糊字迹图像识别方法

在传统的模糊字迹图像识别过程中,忽略了字迹变化尺度对图像的影响,导致识别准确度低识别能力差的问题,提出基于深度卷积神经网络的模糊字迹图像识别方法.通过图像的退化模型,对模糊字迹图像稀疏性特征进行分解,构建模糊字迹图像的多源特征参数检测模型,结合边缘轮廓特征提取方法实现对模糊字迹图像的边界信息采样分析;采用多维参数模拟和模糊度增强处理,结合匹配滤波检测器对图像的多级尺度分解和细节特征进行提取,对提取的模糊字迹图像细节特征进行融合和优化检测,采用深度卷积神经网络训练方法进行模糊字迹图像修复处理,实现模糊字迹图像的识别.仿真结果表明,采用该方法进行模糊字迹图像识别的准确性较高,检测能力较强,提高了模糊字迹图像修复和辨识能力.     

基于伪Zernike矩模糊不变量的图像识别算法

为了提高模糊图像的识别率,提出了一种新的基于正交伪Zernike矩模糊不变量的图像识别算法.该算法首先推导出模糊图像的伪Zernike矩和原始图像的伪Zernike矩之间的线性关系,然后利用该关系构造出伪Zernike矩的模糊不变量,最后将该不变量作为描述算子对模糊图像进行识别.实验表明,与Zernike矩模糊不变量相比,伪Zernike矩不变量具有更好的模糊不变性,并且基于伪Zernike矩模糊不变量的图像识别算法能获得更高的识别率,特别是当图像含有较大噪声时.     

基于正交矩模糊和仿射混合不变量的图像识别算法

为了识别含有模糊和仿射混合形变的图像,提出了一种新的基于正交矩模糊和仿射混合不变量的图像识别算法.该算法首先使用归一化方法构造了基于Legendre正交矩的仿射不变量,并结合Legendre正交矩的模糊不变量提出了Legendre正交矩的模糊和仿射混合不变量;然后将该混合不变量作为描述算子,将欧几里德范数作为分类尺度,以最近邻法则作为分类器,对图像进行识别.实验结果表明,与其他基于非正交矩的混合不变量相比,基于Legendre正交矩的模糊和仿射混合不变量在混合形变下能够获得更好的不变性,不会带来信息冗余问题,并且对噪声鲁棒性较好;此外,该图像识别算法比其他算法具有更高的识别率,特别是在图像含有较大噪声的情况下.     

一种基于混合神经网络的车牌字符识别方法

针对单一种类的神经网络在识别严重污损的车牌字符时很难达到理想效果的问题,提出了一种基于联想记忆算法与BP算法相结合的混合神经网络.该网络将Hopfield神经网络与BP神经网络级联,对输入的字符样本进行两次判别.通过对加噪、旋转和切割情况下的车牌字符样本进行识别实验,证明该方法可有效地提高车牌字符的识别率.     

基于深度学习的车牌识别技术研究

近年,随着家用车辆的不断增多,交通管制已成为当前国家亟待解决的一个重要问题.考虑到传统车牌识别系统识别率低的缺陷,本文针对车牌图像识别方面提出了一种基于深度学习卷积神经网络的车牌识别技术.实验表明,通过该方案进行的车牌识别在识别率和实用方面都具有较高的价值.     

基于模糊集的车牌特征提取与识别的方法

提出一种新的基于模糊集的车牌特征提取与识别的方法.该方法先利用车牌检测算法初步定位车牌,然后利用车牌的颜色、纹理及形状的模糊特征,在提取目标的多个特征的基础上用模糊隶属度表征各个特征的重要性的方法来选取目标,准确地提取出车牌.实验结果表明:对在不同条件下拍摄的图像应用本方法,车牌提取准确率达到98.8%.特别对于光照不均、背景复杂的图像,本方法具有很强的鲁棒性.     

基于VC与MATLAB的车牌汉字识别系统

提出了一种基于VC与MATLAB的车牌汉字识别系统,使用VC设计人机接口的界面环境,调用MAT-LAB的工具箱函数实现车牌汉字字符的模糊识别算法,从而建立车牌汉字字符识别系统的快速实验平台.实验结果表明:该方案提高了常见算法的编码实现效率,缩短了产品开发周期.     

径向基神经网络算法在车牌字符识别中的应用

提出一种基于径向基网络的汽车车牌字符识别算法.在预处理阶段,采用灰度化、自适应阈值分割去除图像噪声并增强图像对比度;在字符分割阶段,采用极限元素位置确定法实现独立字符分割;在字符识别阶段,利用自行构建的字符子块图像库对径向基神经网络进行训练.选取基于反向传播(BP)神经网络的字符识别算法和基于支持向量机(SVM)的字符识别算法与文中方法进行比较.实验结果表明:文中方法在识别准确率上具有明显优势,更适用于汽车车牌的字符识别.     

基于模糊-神经网络的肤色像素检测算法

 肤色像素检测技术是成人图像识别、人脸识别等与人体相关的图像识别系统的基础和重要组成部分。为了提高肤色像素检测的准确度,本文提出一种模糊理论与FP神经网络（Forward Propagation Neural Network）相结合的肤色像素检测算法。算法首先通过模糊理论和直觉模糊理论提取待识别像素的颜色特征,构成特征向量,其中包括像素对常见肤色像素颜色值的隶属度和犹豫度,为完整的表达肤色像素的特征,再加入粗糙度特征进行补充;然后训练出FP神经网络,对所提取的特征向量进行肤色像素与非肤色像素的分类。实验证明,该算法能够提高肤色像素检测的准确度,可以有效地应用在有关人体的识别系统中。     

基于Relief算法的智能车辆牌照模糊识别方法

由于当前已有方法未能对车牌照进行降维处理,导致车牌照识别结果不准确,为此,提出一种基于Relief算法的智能车辆牌照模糊识别方法。采用Relief算法计算不同车牌图像特征的权重系数,对特征集进行降维处理。通过序列视频图像对智能车牌进行增强处理,利用全卷积网络对车牌照显著区域进行检测,粗略提取图像中的显著区域,使用滑动窗方法对候选区域车牌进行精准检测,定位车牌准确位置,加入字符的上下文信息,对字符进行精确检测和识别,最终实现智能车辆牌照模糊识别。仿真实验结果表明,所提方法可获取高精度的车牌照识别结果。     

模糊混沌神经网络的构建方法研究

基于混沌神经网络的构建过程,提出一种构建模糊混沌神经网络(FCNN)的方法,在介绍了BP算法及混沌神经网络概念的基础上,给出了混沌BP算法,并提出了基于混沌BP算法的模糊混沌神经元的动态模型,从而构建模糊混沌神经网络。主要讨论所构建的模糊混沌神经网络的模糊特性、耗散性和李亚普诺夫性能指标。给出了模型具有模糊特性的几个特征,以及满足耗散性和混沌特性的条件。仿真实验表明所提出的模糊混沌神经元模型既具有模糊特性又具有混沌特性。     

STATCOM的变结构神经网络模糊控制研究

提出了STATCOM用于维持接入点母线电压稳定的控制策略,根据控制策略设计了STATCOM的变结构神经网络模糊控制器.在设计控制器时,通过专家经验法和模糊规则自生成法对模糊规则知识库进行了初始化;通过变结构神经网络对模糊规则进行在线调整,增强了控制器的自学习、自适应能力;采用了基于语言变量优化匹配的原则对模糊逻辑推理进行优化,减少模糊推理的计算量,提高运算速度.数字仿真结果验证了该控制方法的有效性和正确性.     

Observer Design Based on Self-Recurrent Consequent-Part Fuzzy Wavelet Neural Network

In this paper, we propose and construct an observer design based on a Self-Recurrent Consequent-Part Fuzzy Wavelet Neural Network(SRCPFWNN) for a class of nonlinear system. We use a Self-Recurrent Wavelet Neural Network(SRWNN) to construct a self-recurrent consequent part for each rule of the Takagi-Sugeno-Kang(TSK) model in the SRCPFWNN and analyze the structure of the fuzzy wavelet neural network model. Based on the Direct Adaptive Control Theory(DACT) and a back propagation-based learning algorithm, all parameters of the consequent parts are updated online in the SRCPFWNN. On this basis, we propose a design method using an adaptive state observer based on an SRCPFWNN for nonlinear systems. Using the Lyapunov function, we then prove the stability of this observer design method. Our simulation results confirm that the observer can accurately and quickly estimate the state values of the system.     

基于模糊聚类的神经网络在数据挖掘分类中的应用研究

常见的决策树分类算法、贝叶斯分类算法、神经网络分类算法为数据挖据分类算法研究提供了重要基础。但面对海量数据时,在时间效率、鲁棒性和精确性上都显示出了不足。为此,本文将模糊聚类的思想引入到神经网络分类算法中,首先通过模糊聚类子模型,将样本数据聚为几个数据子集,然后再采用不同的神经网络对各个数据子集同时进行训练学习。由于经过了模糊聚类子模型的预处理,每个神经网络训练学习样本的复杂性大大减少,使神经网络的学习效率大大提高。最后通过UCI下的实际数据库,对提出的分类算法进行了检验,结果显示了基于模糊聚类的神经网络在数据挖掘分类中应用的有效性。     

基于自适应学习速率法的补偿模糊神经网络

为克服常规网络收敛速度慢、无法结合专家知识等缺点,引入补偿模糊神经元,结合模糊系统强大的知识表达能力和神经网络优秀的自学习能力,并利用自适应学习速率法动态地改变学习率.提出了一种新型的基于自适应学习速率法的补偿模糊神经网络,并将其应用到实际例子中.结果证明,它不仅能在线适当调整参数,还能动态地优化相应的模糊推理,加快训练速度.     

遗传算法模糊神经网络在列车驾驶中的应用

大城市交通问题迫切需要高效率的交通系统,这就要求在交通系统的控制中引入智能控制技术。本文介绍了模糊神经网络与遗传算法的特点, 分析了他们之间相互结合的可能性,并提出了基于遗传算法的模糊神经网络控制算法。该算法使模糊神经网络和遗传算法的优点很好地结合起来。本文还介绍了列车自动驾驶系统的概况,并将新算法用于此系统中。     

一种神经网络模糊推理协作系统

基于专家系统的模糊推理原理，利用ＦＣＢＰ网络较强的学习功能，对输入样本较小的敏感性能，收敛速度较快等特性以及网络很好的分类特性，对模糊量良好的适应性能等特性，建立了一种新型的神经网络模糊推理系统。并提出了实施软件。     

带混合学习算法的多阶段神经模糊系统模型

提出一种基于演绎模糊推理的多阶段神经模糊系统模型, 对于给定的学习样本, 通过结构学习（采用遗传算法）与参数学习（采用误差逆传播神经网络方法）过程, 能够生成适当的演绎模糊规则集, 并通过与单阶段神经模糊系统模型求解Benchmark问题的实验对比, 讨论和分析了该模型的有效性和健壮性.     

正规化模糊神经网络在自动车控制中的应用

：把模糊理论与神经网络理论相结合,构造了一个正规化模糊神经网络ＮＦＮＮ,并应用于无人小车自动轨迹跟踪的控制。仿真及试验结果表明,该网络具有良好的表达能力和极强的自适应学习能力,能正确识别较复杂的轨迹。