图像处理与汽车牌照识别

在图像处理技术的基础上，对系统设计的关键环节如汽车牌照的定位与分割、光学字符的识别提出自己的看法，并借鉴已经成熟的数字图像处理技术来进行快速高效的汽车牌照识别。     

基于神经网络与粗糙集的车牌字符识别方法

车辆牌照的自动识别是目标自动识别的一种重要形式,针对车牌识别的后期技术,即牌照识别技术做了研究并提出了一种基于神经网络与粗糙集的车牌字符识别方法,实验结果表明,和标准神经网络相比,该算法具有更加良好的性能,满足实时识别车牌的要求。     

汽车牌照自动识别技术的现状与发展

在介绍国内外汽车牌照自动识别技术的现状 ,与讨论我国汽车牌照识别的特殊性的基础上 ,分析了汽车牌照自动识别技术的发展趋势 ,认为基于计算机视觉技术、人工神经网络技术和图象处理技术的无源型汽车牌照智能识别系统具有广泛的应用前景 .     

基于神经网络算法的汽车牌照自动识别系统设计

论述了汽车牌照自动识别系统的组成、原理及车牌图像预处理、字符的定位和分割方法,并在对字符进行特征提取的基础上,研究了利用神经网络算法对字符进行识别这一问题.     

多特征与BP神经网络车牌识别系统研究

汽车牌照识别技术是智能交通管理系统中的关键技术;基于数字图像处理理论,将计算机视觉与模式识别技术相结合,对车辆牌照识别系统进行了研究。为了提高系统车牌识别能力,提出了一种综合颜色特征和投影特征相结合的车牌定位方法。字符分割采用了投影法;字符特征选取了互补性强的粗网格特征、投影特征以及外围轮廓特征;最后采用BP神经网络进行车牌字符识别。对车牌字符的识别分为汉字、字母及字母数字三类进行。实验表明,多种图像处理技术与模式识别技术有机结合能有效地提高系统的识别能力;本系统所采用的方法取得了较好的识别效果。     

一种应用于模式识别的神经网络模型

本文首先引入了感知神经元，建立了一种应用于模式识别的三层神经网络模型．对于任一组二元标准模式（二元图象或特征值序集），我们根据给定模式及要求设计神经网络，使之对输入模式进行识别．这种神经网络结构明确，易于实现，其实施有助于提高模式识别系统的执行速度与识别能力．     

基于改进特征提取的BP神经网络车牌识别

车辆牌照的自动识别是计算机视觉与模式识别技术在智能交通领域的重要应用．为提高车牌字符识别系统对字符的整体识别能力,对车牌上的汉字与数字字符做分类处理,利用粗网格、边框和笔划密度方法更好地提取识别对象特征,最后采用BP神经网络进行字符识别．实验表明,本文所采用的方法能达到较好的识别效果,说明多种特征提取方法和神经网络识别技术的有机结合能显著提高系统性能．     

汽车牌照自动识别技术与原理

汽车牌照自动识别系统涉及光学、图像处理、模式识别、神经网络等多项技术,本文阐述了汽车牌照自动识别的组成原理,并探究了自动识别系统中的几种关键技术。     

汽车牌照自动识别技术与原理

汽车牌照自动识别系统涉及光学、图像处理、模式识别、神经网络等多项技术,本文阐述了汽车牌照自动识别系统的组成原理,并探究了自动识别系统中的几种关键技术.     

一种新的汽车牌照识别的图像增强算法

汽车牌照区域分割是牌照识别的关键步骤，增强图像中的牌照区域，抑制背景区域，可以有效降低牌照区域分割的难度。将图像分解为一组二值图像的组合，然后在二值图像上计算各连通分量及其特征参数，利用牌照区域和背景区域对应的连通分量的特征差别，可以有效抑制背景而保留牌照。处理后的二值图像可重构出牌照区域被增强的图像。还采用等高线标记代替连通分量标记，以减少计算量，使得算法具有实用性。试验表明，这种算法有效地突出了牌照区域而抑制了背景，提高了牌照定位分割的效果，可以很好地用于实际的汽车牌照识别系统中。     

基于Simulink的BP神经网络实现研究

BP神经网络是人工神经网络中的一个典型代表,但利用BP神经网络解决实际问题时,经常涉及到大量的数值计算问题,而运用计算机高级语言编程对BP神经网络模型进行仿真和辅助设计是件十分麻烦的事情,为了解决这个矛盾,Matlab中的Simulink提供了大量的可用于实现BP网络的模块,本文通过应用Simulink中的模块构建了一个BP网络,并通过一实例验证了所构建的BP网络的可行性.从而使应用BP网络来解决许多领域的实际问题变得非常方便和有效.     

基于BP神经网络的行人和自行车交通识别方法

研究了基于BP神经网络的行人和自行车识别方法.首先对图像提取4个特征,形成特征向量作为BP神经网络的输入;然后设计BP神经网络的结构,网络输出为对行人和自行车的识别;为了确定BP神经网络合理的隐层神经元数目,分别对不同隐层神经元数目的神经网络进行了实验分析.最后利用实测的数据对BP神经网络进行训练、仿真实验,并对实验结果进行分析;结果表明:最佳网络的正确识别率为84%,行人和自行车的正确识别率分别为89%和71%.     

一种基于优化小波神经网络的语音识别

在以往的BP小波神经网络中,最常用的学习算法是BP算法,BP算法实质上就是梯度下降法,是一种局部搜索算法,梯度下降法使得网络极易陷入局部最小值,从而使得网络训练结果不尽人意,搜索成功概率低.取代传统的梯度下降法,利用粒子群算法对小波神经网络中的参数进行优化.然后利用基于粒子群优化(PSO)的小波神经网络进行抗噪声语音识别实验,仿真结果表明,与BP网络相比,PSO算法在迭代次数、函数逼近误差、网络性能方面均优于BP网络,系统的识别率也得到较大的提高.     

一种双向映射神经网络模型

在传统BP神经网络的基础上,提出了一种双向映射网络,证明了该网络的存在性,并验证了该网络的可实现性.该双向映射网络为某些问题的研究开辟了一条新思路.     

应用反向传播神经网络算法的发动机动态总压畸变预测

为提高动态总压畸变预测的准确性,通过引入反向传播神经网络算法,研究其在紊流相关中的可行性和准确性.结果 表明:反向传播神经网络可应用于紊流相关以预测动态总压畸变;采用单个工况进行自我预测时,神经网络显示了良好的预测能力,预测结果与试验值吻合很好;采用反向传播神经网络法,5个工况作为样本预测各工况紊流度时,样本工况的平均紊流度与试验值一致,而测试工况中个别工况的平均紊流度与试验值有些偏差,网络的设置和训练需要进一步研究,以提高网络的预测能力.从与最小二乘法的预测结果对比来看,神经网络法是一种更有前途的预测方法.     

一种改进的BP人工神经网络模型

针对人工神经网络 BP 模型在实际应用中会遇到一些问题。该文指出了 BP 神经网络模型结构和算法的一些不足,并针对 BP网络模型算法存在的局部极小问题、BP 网络学习速度较慢以及 BP 模型网络结构训练过度和降低网络归纳能力等问题提出了引入规则、选择激发函数和转换函数、采用隐含神经元以及改变网络拓扑结构等一些改进措施,对于提高 BP 模型在实际应用中的效果具有重要意义。通过实际应用,证明了改进后的算法是行之有效的。     

BP神经网络在车辆制动性能预测中的应用

首先建立了车辆制动过程数学模型,利用该数学模型对JS2310农用运输车的制动性能进行了计算机仿真,并与试验结果进行了比较,表明模型是正确的为进一步提高该车辆制动性能预测的精度,引入了神经网络技术使用BP网络对不同条件下的多次仿真结果进行第一步学习,将数学模型转化为车辆制动性能预测的神经网络模型,再进一步使用整车部分试验结果对已得到的神经网络进行训练,得到最终的预测模型结果表明使用神经网络模型可以提高车辆制动性能预测的精度     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

BP网络初始权值的选取方法

研究了运用BP网络对经过旋转任意角度的二值图像的训练和识别,提出了具有一定借鉴性的网络初始权值的选取方法,并在实验中对各种不同的旋转图像进行了训练和识别,所训练出的BP网络正确识别率高达90%以上.     

在片学习及权值刷新神经网络硬件实现方法

提出几种电流模式电路块，并用这些模拟电路块构成一个电流模型式ＢＰ人工神网络，该ＢＰ神经网络具有在片学习和在片权值存储能力。对所设计的模拟电路块进行了理论对构成的ＢＰ神经网络作了应用实例研究，并提供了ＰＳＰＩＣＥ仿真结果。