基于模糊方位转换技术手写文字识别的研究

提出了一种基于模糊方位转换技术实现手写字辩识的方法，介绍了模糊方位转换技术的基本原理，并编制了仿真程序对该技术进行验证。     

基于模糊方位转换技术手写文字识别的研究

提出了一种基于模糊方位转换技术实现手写文字辨识的方法，介绍了模糊方位转换技术的基本原理，并编制了仿真程序对该技术进行验证。     

基于LSTM的智能手机3D手写识别

针对传统传感器需要在特定的空间区域内才能进行人机交互,极易受到外部环境因素干扰的问题,提出一种新的基于长短时记忆神经网络(LSTM)的智能手机3D空间手写识别方法,用于非特定三维空间中实现的人机交互.首先,利用智能手机内置三轴加速度传感器,采集手部运动数据,并将采集的数据进行预处理操作,构建3D手写识别数据集;然后,基于LSTM构建3D手写识别模型,并利用构建的数据集进行训练;最后,利用训练后的模型实现智能手机的3D手写分类识别.通过在本文自建的非依赖用户数据集上进行测试,实验结果表明,该识别方法可以实现86.4%的准确率,88.1%的召回率,88.4%的精准率和88.0%的F₁分数.     

手写汉字的文字识别

主要对利用神经网络进行手写体汉字识别的方法进行了介绍。最后对手写体汉字识别技术进行了展望。     

基于改进的VGG-Net的手写蒙古文字元识别

现有蒙古文文字存在元样本尺寸较小、使用标准VGG-Net进行字元识别不能达到较好效果的问题,提出基于改进VGG-Net的蒙古文字元识别方法.通过改进的VGG-Net模型对手写蒙古文字元图像数据增强后的23类手写蒙古文字元样本进行识别.结果表明,改进的VGG-Net对字元图像识别的准确率达到96.83％,相比传统VGG-...     

基于Faster-RCNN的水书古籍手写文字的检测与识别

中国非物质文化遗产水书文化面临失传威胁,近年大量深度学习的方法用于手写古籍文字的识别.但水书古籍文字识别面临数据集建立和标注困难、样本不平衡等问题,研究进展不大,且鲜少进行水书古籍页面级的文字检测与识别.首先建立了一个较大规模的水书手写文字数据集,通过几种数据扩增方式,获得包含80个文字类别,共110610个带标签的字...     

LLE算法及其在手写文字识别中的应用

手写体识别有着广阔的应用前景和很高的理论价值,其主要分为在线识别和离线识别两种.在分析局部线性嵌入算法LLE和文字识别过程的基础上,实现了整个手写文字识别过程,包括图像获取、预处理、特征提取、分类、LLE降维、识别输出等过程.通过文字的相容度试验,确定了本过程的有效性.     

基于多头注意力的双向LSTM情感分析模型研究

文本情感分析是自然语言处理领域中的重要任务,是指通过提取文本特征对基于文本的情感倾向进行分类。为了有效地提高文本情感分析准确率,提出一种新的基于多头注意力的双向长短期记忆(long short-term memory,LSTM)文本情感分析模型(Multi-Head Attention-based Bi-LSTM Model,MHA-B)。模型先利用双向LSTM进行初步特征提取,再结合多头注意力机制从不同的维度和表示子空间里提取相关的信息。在Large Movie Review Dataset与Semeval-2017-task4-A English两个数据集的实验结果表明:MHA-B模型的情感分析准确率与现有多种模型相比都有所提高。     

用于手写文字识别的MQDF替代参数选择方法

针对修正二次判别函数(MQDF)的替代参数的选择问题,提出一种选择参数h的方法.首先通过分析h在MQDF中的作用,将h对判别结果的影响分为两类情况;然后对每类情况在训练集上统计h的取值分布,并分析如何选择h可获得最优的分类结果;最后用非参数方法得到这两种情况的概率分布,从而得到h的最佳取值.在手写数字数据库MNIST和手写汉字数据库ETL9B上的实验结果表明了该方法在识别效率以及时间效率方面的有效性.     

基于双向LSTM神经网络可穿戴跌倒检测研究

针对老年人跌倒后不能得到及时救助带来的伤害,研究跌倒检测算法和及时告警,可以减轻跌倒给老年人带来的严重危害和后果。为了提高跌倒检测精确度和实时性,本文提出基于双向长短期记忆神经网络的可穿戴跌倒检测算法,该算法可以对输入的数据(取自惯性传感器)自动提取跌倒行为内部更深层的数据特征,实现数据从预处理到检测结果的过程处理。算法模型通过神经网络提取加速度传感器的特征向量,并利用双向长短期记忆神经网络进行跌倒检测。通过跌倒公开数据集SisFall验证算法模型,结果表明该算法在SisFall实验数据集上具备较高的检测精度,满足准实时检测要求,具有较好的实用性和较强的泛化能力。     

基于KNN算法的手写数字识别研究

KNN算法用于手写数字识别的时候,需要将待识别的手写数字图像(测试集)与一些已知的手写数字图像(训练集)联合在一起求向量之间的最短距离,才能判断待识别数字图像的分类.设计了一种将测试集图像中的数据与尺寸转换为与训练集图像完全相似的转换算法,并在此基础上,将测试集和训练集都转换成有相同列数量的一维向量,进而求出向量之间的距离,并通过编写Python程序对该算法进行了验证.测试结果表明,该方法对手写数字图像的正确识别率能够达到95%以上.     

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%.     

基于双向LSTM神经网络可穿戴跌倒检测研究

针对老年人跌倒后不能得到及时救助带来的伤害,研究跌倒检测算法和及时告警,可以减轻跌倒给老年人带来的严重危害和后果。为了提高跌倒检测精确度和实时性,本文提出基于双向长短期记忆神经网络的可穿戴跌倒检测算法,该算法可以对输入的数据(取自惯性传感器)自动提取跌倒行为内部更深层的数据特征,实现数据从预处理到检测结果的过程处理。算法模型通过神经网络提取加速度传感器的特征向量,并利用双向长短期记忆神经网络进行跌倒检测。通过跌倒公开数据集SisFall验证算法模型,结果表明该算法在SisFall实验数据集上具备较高的检测精度,满足准实时检测要求,具有较好的实用性和较强的泛化能力。     

基于人工神经网络的手写数字识别

基于手写体数字的几何结构提取端点及其方向、凸点及其方向、三叉点数和四叉点数等数字特征值,运用单字单网的10个并行BP神经网络进行数字识别,达到很好的识别效果.     

融合多尺度注意力和双向LSTM的行人重识别

将深度学习应用于行人重识别领域,嵌入多尺度注意力融合模块至神经网络中进行多尺度特征提取和表示,可有效提升注意力机制对深度学习网络的识别性能。提出了一种基于SE block的多尺度通道注意力融合模块,并结合ResNet50卷积神经网络提取特征;然后通过双向LSTM网络进一步提取特征序列上下文信息,在提高模型对图像重要特征的提取能力的同时,降低对图像冗余特征的关注度;最后使用级联难采样三元组损失函数和交叉熵损失函数共同训练网络模型,使样本能够在高维特征空间中实现聚类,进一步提升模型识别准确性。所提出算法在Market1501数据集和CUHK03数据集分别进行实验,并在同等条件下和其他注意力模块算法进行比较。为进一步验证各模块作用,对算法进行消融实验,以验证各模块的有效性,实验结果表明,所提出方法可有效应用于行人重识别     

基于OCR技术的书写文字识别系统设计

OCR(Optical Character Recognition,光学字符识别),是属于图型识别(Pattern Recogni-tion,PR)的一门学问。其目的就是要让计算机知道它到底看到了什么,尤其是文字资料。书写文字识别是人工智能理论在这一领域应用的一个分支,它研究的对象是如何利用电子计算机自动辨认人书写在纸张上的文字。文章主要是对模式识别的基本原理以及如何利用图像识别技术对书写文字的识别的研究,并给出了模板匹配法识别图像的原理。     

基于AdamOptimizer自编码的手写数字识别研究

介绍自编码神经网络的基本原理,并将自编码神经网络应用于手写数字识别中。实验中采用手写体数字库MNIST作为数据源,通过实验结果表明自编码神经网络在手写数字识别中能达到很好的识别效果。经过优化器为AdamOptimizer与RMSProp Optimizer比较发现不同优化器所获得的识别效果不同,优化器为AdamOptimizer的识别效果比优化器为RMSProp Optimizer的识别效果更好一些。由于隐藏层为3层出现的过拟合情形,带来了识别效果不如隐藏层为2层的神经网络。通过调节参数可以使得cost值继续减小,效果达到更优。     

基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

基于LVQ神经网络的手写字母识别

提出了一种基于LVQ神经网络的手写英文字母识别方案.介绍了LVQ神经网络的基本原理,并利用LVQ神经网络的结构简单、泛化性能好、收敛速度快的特点,将它应用于复杂的英文字母识别.通过对英文字母图像进行预处理和特征提取,将提取的特征对网络进行训练,并利用训练好的网络对英文字母进行识别.Matlab仿真实验结果表明,LVQ神经网络可以对英文字母获得较高的识别率.