免细化过程的脱机手写体汉字的动态信息提取

本文提出了一种无需细化过程的脱机手写体汉字字符的识别方法,并且提出了从脱机手写体汉字中识别动态信息的方法,从而将脱机汉字字符识别问题转变为联机识别问题。     

基于变精度粗糙集的脱机手写体汉字识别

文章为研究脱机手写体汉字识别问题,将汉字样本及其特征向量看作是一个信息系统,采用基于β近似依赖度的属性重要度定义作为启发式信息,设计出在变精度粗糙集模型下的特征属性近似约简算法,对手写体汉字信息系统中冗余特征属性进行约简,构建出脱机手写体汉字识别决策信息系统。识别过程中采用基于加权规则置信度的规则融合方法,进一步提高了脱机手写体汉字的可识别性和正确识别率。实验结果表明,该方法是有效可行的。     

仿反馈机制的智能识别方法研究与应用

文章针对脱机手写体汉字特征约简与识别中离散化不当的问题,构建出基于实域粗糙集的脱机手写体汉字识别决策信息系统。提出了实域粗糙集中特征属性的广义重要度的概念以及空间中的广义近邻关系;设计了在广义近邻关系下基于实域粗糙集模型的特征属性约简算法,构建出基于实域粗糙集的脱机手写体汉字识别决策信息系统;采用基于变粒度仿反馈机制的智能认知模型对脱机手写体汉字识别决策信息系统进行仿反馈识别,并建立了变粒度仿反馈机制智能识别方法的评价指标体系和认知信息粒度变换规则,提出基于变粒度仿反馈机制的智能认知算法。对SCUT-IRAC HCCLIB样本库中的汉字进行了仿真实验研究,平均识别精度达到95.37%。仿真实验表明,相比于传统认知系统单向开环方式,该文提出的方法对提升脱机手写体汉字的识别效率、可识别性及正确识别率是有效可行的。     

基于改进LeNet-5模型的手写体中文识别

手写体中文的自动识别是中文文档数字化的前提和基础,由于中文字符数目繁多、相似性强、字体种类繁多、书写随意、缺乏统一规范等原因,一直是计算机视觉领域中一个具有挑战性的问题.为解决这一难题,提出了一种基于卷积神经网络的手写体中文识别方法.在经典LeNet-5网络模型的基础上进行改进,提出了一种LeNet-Ⅱ模型.利用改进的Inception模块和空洞卷积,设计了一种并行的双路卷积神经网络结构;两路分支可分别提取手写中文图像中不同尺度的特征,获得多个尺度的特征图像;通过对其进行特征融合,可以达到丰富特征图像多样性、提升识别准确率的目的;最后经过全连接层进行分类.利用经典手写体中文数据集进行训练,利用该模型实现了3 755类手写体中文字符及相关文本的自动识别.实验结果表明,基于改进LeNet-5模型的手写体中文识别方法,在同一训练数据集上的收敛速度和识别准确率明显优于经典LeNet-5模型,对经典数据集的识别准确率可以达到95.21%,也高于其他传统算法;此外,对4幅手写体中文文本的平均识别准确率达到97.30%,超出了人类表现,取得了理想的实际效果.     

脱机手写体汉字字符的笔顺信息恢复

给出了一种从脱机手写体汉字字符中识别笔顺的法则——统一笔顺法则，将脱机识别问题转变为联机识别问题，利用人们熟悉的图论知识加以解决，大大提高了识别率和识别速度，也简化了识别过程．     

基于过程神经网络的汉字特征提取方法的研究

文章研究了一种基于过程神经网络的脱机手写体汉字特征提取方法。采用描述汉字整体构架性和可拆分性的笔划类型、笔划位置、笔划顺序以及拓扑结构特征的融合,给出了一种脱机手写体汉字特征表征方法以及冗余容错表征形状。采用过程神经网络模型的横向时间累积和纵向空间加权求和方法,模拟手写体汉字从左到右和从上到下的书写过程,给出了提取脱机手写体汉字特征的算法与步骤。采用粒子群优化学习算法保证过程神经网络的全局学习能力和收敛能力,建立了手写体汉字特征知识数据结构表,对SCUT-IRAC中的手写体汉字特征提取进等了仿真实验,结果表明该方法具有良好的“认知”手写体汉字特征的能力。     

汉字的层次轮廓特征及其应用

汉字特征的描述与匹配，是汉字识别研究中的两个重要问题。从上下左右四个不同的方向看一个汉字，在不同的层次和位置，可以得到不同的曲线段，这些曲线段是汉字笔划的反映，唯一地确定了汉字的结构。基于这一观点，本文从轮廓的角度，给出了汉字特征的一种形式化描述方法，提出了汉字的层次轮廓概念，给出了相应的局部最优匹配算法，最后，将该方法应用于特定人脱机手写体汉字识别中，取得了较为理想的效果。     

一种基于复合特征的脱机手写体字符识别方法

针对脱机手写体字符识别问题,分别采用主元分析PCA方法和小波变换方法对字符的整体特征和局部特征进行提取,形成向量表示,综合两部分的特征向量形成复合特征向量,利用SVM进行分类识别。该方法在汉字手写体字符集上进行实验,取得了很好的识别准确率。     

基于融合特征和LS-SVM的脱机手写体汉字识别

提出的脱机手写体汉字识别系统主要研究特征提取和分类识别两个模块.特征提取模块主要包括采用基于不变矩和弹性网格技术的串行特征融合方法,所得到的特征向量不仅充分反映了手写体汉字的全局和局部特征,而且具有很强的区分表达能力.分类识别模块将神经网络多类分类策略与最小二乘支持向量机相结合,所得到的分类器不仅识别率高、泛化能力强,而且有效地解决了多类分类问题.实验证明本文提出的识别系统能够取得很好的识别效果.     

基于改进的卷积神经网络的钢号识别

为获取样本的多样性特征,提出了一种改进的卷积神经网络结构。该网络中引入多层递归神经网络,利用卷积神经网络提取输入图像的浅层特征,同时利用卷积神经网络和递归神经网络并行提取高层特征,最后将两种网络学习到的特征进行融合输入到分类器中分类。利用迁移学习理论解决小样本集数据训练不足的问题,并将这种卷积神经网络结构应用于石油物资管线钢号识别中。实验探究了递归神经网络个数与卷积核个数对网络性能的影响,实验结果表明,改进的网络结构与其它网络进行对比,错误率降低了 3% 。     

基于卷积神经网络和迁移学习的结构损伤识别

针对传统基于机器学习损伤识别方法手工提取特征适应性差、识别能力弱等问题,提出一种基于卷积神经网络和迁移学习的新颖、快速结构损伤识别方法.首先根据损伤特征向量特点,提出原始信号的分帧处理流程;其次考虑多传感器数据融合要求,建立多通道一维卷积神经网络结构损伤识别模型,给出模型的整体流程和网络参数;然后采集不同通道和不同噪声水平下,模拟不同位置程度损伤的15层框架数值模型加速度数据,进行损伤识别;最后将网络模型进行迁移学习,对7层框架模型试验进行损伤识别,并验证所提方法的可行性、准确性和计算复杂性.结果表明,该方法实现了特征自适应提取、损伤位置和损伤程度的精准识别,具有突出的计算效率.     

基于遗传算法改进的卷积神经网络短时交通流预测

交通流预测对于减少拥堵、节能减排具有重要意义.基于卷积神经网络的预测方法普遍采用梯度下降法训练神经网络,缺点在于预测对网络初始参数敏感.本文采用遗传算法对卷积神经网络的网络参数进行确定从而对短时交通流进行预测.首先,根据交通流数据的特点,设计了适用于交通流预测的卷积神经网络结构;然后,确定卷积神经网络的卷积核与全连接层参数的解空间;随后,采用遗传算法对卷积神经网络参数在可行域中通过选择、交叉、变异三种遗传操作不断迭代搜索得到最优参数解.仿真结果表明,与梯度下降法训练的卷积神经网络相比,该方法拥有更高的预测精度.     

基于多群体遗传算法的汉字识别系统设计

文章设计了一种基于粗糙集理论的手写体汉字识别决策系统,依据并行遗传算法在处理大型数据库上的特有优势,将信息熵理论作为粗糙集不确定性的度量,给出一种约简冗余条件属性求解决策信息系统约简集的多群体并行遗传算法;并提出了一种基于规则置信度的手写体汉字识别规则融合算法,提高识别准确率,对SCUT_IRAC手写体汉字库中手写体汉字进行识别实验,结果证明,该系统具有较强的手写体汉字识别能力。     

基于卷积神经网络的数字识别

为了解决银行、邮局等场合的实时数字识别问题,提出了一种优化的卷积神经网络(Convolutionnal Neural Network,CNN)数字识别方法。以Lenet-5模型为基础改进了卷积神经网络结构并推导了改进后的前向和反向传播算法,将改进的卷积神经网络在手写、印刷数字组合数据库上进行测试,分析了不同样本数量、训练迭代次数等参数对识别准确率的影响,并与传统算法进行比较分析。结果表明改进后的CNN结构简单,处理速度快,识别准确率高,具有良好的鲁棒性和泛化性,识别性能明显高于传统网络结构。     

改进的决策树算法在手写体汉字识别中的应用

介绍脱机手写体汉字识别的基本流程,以传统决策树ID3模型为基础,对决策属性挑选策略进行改进.该方法基于信息增益的计算标准,通过引入属性间相关性关系对传统ID3算法“多值偏向性”的缺陷进行补偿,提出节点协调度的预剪枝策略.从分类精确度方面对改进的ID3算法和传统D3算法进行比较和分析.将改进的ID3算法应用于手写体汉字识...     

基于多特征多分类器的脱机手写汉字识别研究

特征选取和分类器设计是字符识别系统设计的.本文针对手写体汉字识别提出了依据不同的分类要求,分别选取不同的汉字特征,而后输入BP神经网络多分类器进行识别的设计方法.实验结果表明,该方法用于手写体汉字识别是行之有效的.     

多层信息融合的神经机器翻译

现有最先进的神经机器翻译模型大都依赖于多层神经网络结构,针对多层网络结构易导致信息退化的问题,提出通过融合层与层之间的输出信息来改善各个层之间的残差连接关系的方法,从而使得层与层之间联系更紧密.相比于原来的残差网络连接,进一步优化了深层网络的信息流动结构,使得整个结构有效信息流动更充分.在Transformer模型和序列到序列的卷积(convolutional sequence to sequence,Conv S2S)模型上进行相关实验,大规模中-英翻译任务的实验结果表明,该方法提高了Transformer和Conv S2S的翻译性能.     

基于MHMM的脱机手写体字符识别

对隐马尔可夫模型(HMM)的训练方法及模型参数的选取进行了探讨,并将HMM理论用于脱机手写体识别中,建立了一种基于字符投影变换图像的边界链码特征的多重隐马尔可夫模型(MHMM).实验结果表明,该方法是可行的,且具有良好的兼容性和灵活性,可应用于手写体字符的自动识别中.     

一种基于噪声信道模型的汉字识别后处理新方法

利用上下文关系进行汉字识别后处理时 ,若候选字集中不含有正确字符 ,文本识别率的提高会受到很大限制。基于单字识别系统的噪声信道模型 ,文中提出一种扩充候选字集的方法 ,利用单字识别给出的候选字来推测可能正确的字 ,并将它们与识别候选字进行集成 ,得到新的候选字集。30 0套脱机手写体样本的测试表明 ,新候选字集的 5 0选平均错误率较原先的识别候选字集下降了 37.88%。脱机手写体文本 (约 8万字 )识别后处理中 ,语言模型为基于字的bigram时 ,文本平均识别率从扩充候选字之前的 93.93%提高至 95 .82 % ,错误率下降了 31.14%。     

一种实用手写体汉字归一化方法

在手写体汉字识别或者笔迹辨伪的过程中,一般需要用到文字的归一化处理过程,相对于印刷字体构成的书写样本,手写体存在较多的汉字交错和粘连的情况.根据汉字粘连的情况不同,进行手写体汉字的归一化困难程度也不同.为此,阐述一种实用手写体汉字归一化方法.