基于神经网络的手写电气元件符号识别系统

神经网络模式识别在现代数字图像处理中的应用,是数字图像处理技术的一次革 命．以神经网络模式识别技术在电气元件符号图形识别中的应用为对象,着重于手写电气元 件符号自动识别系统的研究,介绍了整个系统的结构和功能,给出了相应的数据流图和主要数 据结构,提出了一种基于神经网络的模式识别方法,并对系统的实际应用作了验证,为进一步 的研究奠定了基础．     

神经网络与污损的手写印刷体字符的识别

通过比较各种模式识别方法的特点,确定了用神经网络方法识别污损的手写印刷体字符的可行性和必要性,介绍了神经网络摸式识别系统,讨论了用神经网络方法对污损的手写印刷体字符的识别,最后给出实验结果     

联机手写藏文字符笔划的分类统计与分析

根据藏文字丁的笔划特性,将笔划分解成笔段,对笔段合成的笔划进行分类处理,通过对32套样本,每套107个基本字符,共50832个笔段的统计,依据笔段出现频率,揭示出藏文字丁笔划的内在本质规律,得到手写藏文字丁的16类基本笔划,定义其为联机手写藏文识别的基本笔划类型,将更加精确、完整,更具科学性。     

应用专门知识引导的联机自然手写汉字识别

研究一种识别联机自然手写汉字的方法,充分利用汉字知识,构造联机汉字的知识框架,在专门知识引导下识别自然手写汉字。汉字的多种静态构形规律和动态书写规律被用于联机汉字的知识表达和建模,输入汉字经过笔划元提取后,采用框架描述,与知识库中存储的汉字模型进行不精确匹配实现识别。对国标一级汉字进行了测试。在对书写次序、笔划数目、是否连笔等很少限制的情况下,能获得很高的识别率,证明该方法是行之有效的。     

基于神经网络的手写电气元件符号识别系统

神经网络模式识别在现代数字图像处理中的应用,是数字图像处理技术的一次革命,以神经网络模式识别技术在电气元件符号图形识别中的应用为对象,着重于手写电气元件符号自动识别系统的研究,介绍了整个系统的结构和功能,给出了相应的数据流图和主要数据结构,提出了一种基于神经网络的模式识别方法,并对系统的实际应用作了验证,为进一步的研究奠定了基础。     

基于人工神经网络的手写阿拉伯数字识别

本文讨论了人工神经网络在手写数字识别中的应用,针对手写体数字的结构特点,采用改进的BP学习算法进行识别.建立了基于神经网络的手写数字模式识别系统,并用Matlab仿真进行结果分析,该系统识别率为70%.     

一种联机手写汉字识别算法的设计与实现

提出了一种统计识别算法与结构算法相结合的联机手写汉字识别算法，模糊采集手写汉字与模板的结构对应关系．应用统计算法进行特征匹配识别，实现了与书写笔划顺序无关的快速、高识别率、手写字形限制小的国标两级汉字识别．     

论数学中的模式识别方法

模式识别是数学学习中的一种常用方法,善于进行模式识别是数学学习者必须具备的一项基本技能.从心理学来看,模式识别的机制可以用模板说、原型说和特征说这三种观点来进行解释,模式识别的类型通常包括对象识别、特征识别、关系识别、句法识别、方法识别及结构识别等.     

一种联机手写汉字识别算法的研究与实现

联机手写汉字识别(On-line handwritten Chinese character recognition,简称OLCCR),是指用笔在图形输入板上写字,人一面写,机器一面认,是一种方便的汉字识别手段,是在各种自动识别输入的方法中,能够代替或部分代替人工编码输入的惟一可能的方法。设计了一种基于获取笔段序列的联机手写汉字识别方法,并用可视化编程工具VC++6.0实现了该算法,经测试,平均识别率达95.7％。     

分层逐步求精的知识发现KDD模型结构及其应用

知识发现（ＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙｉｎＤａｔａｂａｓｅ）作为人工智能、机器学习、模式识别、统计学、数据库和知识库、数据可视化等众多学科相互交叉融合发展起来的新兴研究领域,已引起了学术界和工业界的广大关注．本文提出基于示例学习分层逐步求精的ＫＤＤ模型结构,在借鉴模式识别有关知识的基础上,有机地与领域知识相结合,应用于无约束手写数字识别ＫＤＤ系统,得到较满意的结果．     

联机方法与脱机方法相结合识别自由手写数字

提出了一种将脱机方法与联机方法有机结合的字符识别方案。将其用于识别自由手写数字时,对５万手写字符的识别率为９７．５４％,误识经为１．９８％,拒识率为０．４８％。     

BP神经网络在脱机手写吾美藏文识别系统中的应用

本文通过对现在流行的各种识别技术的分析比较,以及对吾美藏文手写体特征的深入分析研究,提出了一套基于BP神经网络分类器的吾美藏文OCR识别方案。基于该技术,开发出一个吾美藏文识别系统。结果表明,依赖特定人的辅音字母识别率达到95%以上。     

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.     

用于手写体汉字识别的汉字结构模型

针对手写体汉字识别问题，选取笔段和笔划作为基元，分析手写体汉字的组成规律和变形规律，提出了两种汉字结构模型：笔段中心点模型和笔划关系矩阵模型，以及基于模型的分类依据和识别方法．根据所提出的模型，采用两级分类方案构造汉字识别系统，粗分类采用笔段中心点法，细分类采用笔划关系矩阵法．实验表明模型是有效可行的．     

基于BP神经网络的手写数字识别系统

提出了利用BP神经网络方法来实现手写数字识别系统的方案。手写数字图像通过颅处理后,在特征提取方面采用两种适应性较强的特征提取方法,即18点特征提取方法和手写数字笔画特征提取法．不但减少了提取时间。而且提高了手写数字图像的识别率。利用Visual C＋＋编写手写数字识别系统,得到了较好的识别结果。     

手写数学符号的基元识别方法

对手写数学字符的联机识别进行了研究。首先分析了９４个常用数学符号的结构,指出这些符号均由１０个基本结构元组成,其次抽取数学符号的三个重要特征：基元矢量、基元之间的位置关系和基元长度矢量并采用了一种基元排序法,同时考虑匹配值和不匹配值以及增加几何约束改进了传统的动态规划匹配方法,并用改进的Ｋｕｈｎ－Ｍｕｎｋｒｅｓ算法求最佳匹配。在对２０人无限制书写的数学符号的识别试验中,正确识别率为９２．５２％,误     

自然手写汉字五笔码识别法

在深入剖析五笔字型键盘输入法编码原则和字根结构基础上,结合联机识别技术特点对五笔字根作出适应性发行后,提出了一种联机识别自然手写汉字新方法：五笔码识别法。在构建的识别体系中 采用了层间分级技术,并提出将键盘输入技术与联机识别技术有机融合,为联机识别自然手写汉字探索新途径。     

印刷体藏文识别技术

藏文字符识别是中国的多文种信息处理系统的重要组成部分,本文论述了印刷体藏文识别系统的原理和预处理、识别、后处理过程,分析了文字识别的常用方法及其优缺点和印刷体藏文识别技术,着重分析了印刷体藏文识别中特征提取和分类器设计这两个关键技术,并对藏文识别研究领域今后的研究方向和发展前景提出了自己的看法.     

一种实时手写数学公式识别系统

该文讨论了设计一个实时手写数学公式识别系统时需要解决的主要问题。系统通过手写输入接口及输入笔划组合软件,进行符号、字符识别及图形语法分析,产生与输入相对应的语法分析树,并由此转换成诸如Latex、数学的或LISP-like符号等输出形式,与基于特殊方程描述语言的识别系统相比,该文的手写数学公式识别系统相对简单,使用方便。     

基于笔划方向特征和非对称分布的手写体汉字识别

基于笔划方向特征和非对称分布的手写体汉字识别模型，提出一种从手写体汉字骨骼图像上提取分叉点的有效改进算法，保证笔划提取的可靠性，并直接从笔划结构上计算统计识别特征矢量；采用主向量空间的非对称参数分布模型计算距离测度．实验表明，基于笔划方向特征和非对称分布的统计识别模型具有优良的识别性能．