脱机手写体数字识别器的研究

OCR技术是解决计算机输入瓶颈的关键之一.目前印刷体识别技术已经比较成熟,研究的重点是手写体识别技术.本文首先介绍了OCR的基本概念和方法,然后讨论了用RBF进行手写体数字识别的有关问题.     

基于粗糙集的手写体数字识别多分类器

提出了一种新的手写体数字识别方法.首先采用多分类器提取手写体数字的各类特征,以提高识别正确率;然后利用粗糙集对这些特征属性约简来提高识别速度.测试结果表明,该算法的提出是成功的.     

一种基于BP-bagging的手写体数字识别算法

基于BP-bagging的手写体数字识别算法,以BP网络做基本分类器,用Bagging产生多个基本分类器,把每一个手写体数字作为一幅图像,通过扫描提取25维特征,并投影压缩生成5维特征向量,并输入到BP-bagging分类器,用简单多数投票法进行集成,实现手写体数字的分类识别.经反复的实验证明,该手写体数字识别算法具有...     

基于卷积神经网络的藏文手写数字和字母识别研究

在文字识别领域中,手写体识别比印刷体识别更具挑战性.藏文手写体识别已经成为重要的研究课题之一.本文提出了一种基于卷积神经网络LeNet-5模型的藏文手写数字和字母识别方法.分别采集藏文数字手写体样本和字母手写体样本17768和77636例,并对其进行预处理;然后按8∶2划分成训练集和测试集,并在CNN(LeNet-5)模型上进行训练.经过测试,数字和字母识别准确率分别达到98.81%和97.89%.     

基于深度学习的手写数字分类问题研究

手写体数字因其书写风格差异大、上下文无关及识别准确度要求高等原因导致其识别难度大,针对手写体数字识别的特点及要求,使用深度学习算法进行分类,通过对样本的训练完成手写体数字的识别,同时与SVM算法及BP神经网络分类效果进行对比;实验结果表明深度学习在识别手写体数字时具有更高的准确率。     

脱机手写体数字识别研究综述

介绍了目前脱机手写体数字识别在预处理、特征提取、分类识别3个阶段主要采用的方法,比较了各种方法的优缺点,并提出了一种将相关向量机有效地用于解决多分类问题的方法.最后指出今后研究中需要注意的问题和方向.     

手写体数字识别方法研究

本文主要研究了一种基于BP网络的手写体数字识别方法。根据手写体数字的几何结构提取特征值,将这些特征和大量手写体数字样本送入BP神经网络,最后,使用训练好的BP网络识别手写体数字。结果表明,该识别方案达到了一定的有效性和实用性。     

统计不相关性的最佳鉴别变换的手写数字识别

为了进一步深入研究推广手写体数字识别技术,介绍并验证了具有统计不相关性的最佳鉴别变换在手写体数字识别中的优越性.与经典的Foley-Sammon鉴别变换法相比,具有统计不相关性的最佳鉴别变换相关性更小,提取的特征更有效.提出利用具有统计不相关性的最佳鉴别变换来提取特征并结合BP网络设计分类器用以实现手写体数字识别.通过3个对比实验证实了基于具有统计不相关性的最佳鉴别变换方法的识别方法的有效性.     

基于多小波神经网络簇轮廓伸展的手写体数字识别

提出采用多小波神经网络簇伸展轮廓识别手写体数字的方法. 该方法的原理是： 跟踪待识别数字的轮廓, 对轮廓进行均衡化和重采样, 使其具有平移不变性和缩放不变性;采用多小波神经网络簇对轮廓壳进行伸展得到数级多分辨率和其平均值;将这些壳系数输入前馈神经网络簇, 以识别该手写体数字. 研究结果表明, 该方法可用于将轮廓壳进行多分辨率分解.     

基于改进的C-支持向量机的手写体数字高识别率方法研究

手写体数字的识别在社会经济、社会生活的许多方面都有着广泛的应用。同时支持向量机是近几年来模式识别领域中的一种新技术,它被广泛应用到文字识别、人脸识别等应用中。为此将支持向量机技术应用到手写体数字的识别中,通过使用改进的C-支持向量机进行手写体数字的识别,并得出相应的识别率,结果表明此方法可行且有较高的识别率。     

多层神经网络在手写体数字识别中的应用

手写体数字识别是模式识别中的研究课题之一，本文对多层神经网络用于手写体数字识别进行了探讨。文中所采用的特征输入神经网络方法，通过模拟实验，取得了良好的效果。     

基于Fisher的手写体数字识别研究与实现

在手写体字符识别研究中,由于书写风格的不同造成了字体变化大,导致识别难度很大,采用面积滤波对数字图像预处理消除离散点,使用Fisher分类器对样本进行分类识别,进行了手写体数字识别研究与实现,分类器识别正确率为96%.     

质心层次特征的无约束手写体数字识别

光学字符识别（ＯＣＲ）是模式识别最为成功的应用之一．目前,ＯＣＲ的研究重点是无约束手写体字符识别．采用了基于字符质心的层次特征对无约束手写体数字进行分类识别．基于字符质心的不均匀分块方法,在一定程度上可以克服无约束手写体数字字形千变万化所引起的不稳定性．层次特征将字符在空间的二维分布转化为一维,特征抽取过程简单,易于实现．将该算法应用于无约束手写体数字的信函分拣系统,单字的平均识别率达９７％以上．     

手写体数字形成的计算机模拟

研究邮政编码及各种票据的手写体数字识别时,需要深入了解手写体数字的形成过程,而人工手写体难于取得大量样本,且样本特征不完整,不易对样本的退化程度进     

手写体数字识别方法研究

手写体的识别是模式识别的一个重要课题。针对手写体识别中单一识别方法的局限性，提出采用多层识别法对手写体数字进行识别，并对预处理技术进行改进，较好的抽取出字符的特征，为识别打下良好的基础，其分层判决机构极大地提高了系统的识别率和鲁棒性。     

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Matlab的神经网络数字识别系统实现

通过Matlab编程能形成一种可以识别扫描到计算机里的图片上的数字的神经网络数字识别系统,此系统能达到一定的识别精度,其有别于一般的数字识别系统将印刷体和手写体字符分开考虑,而是将两者结合在一起考虑,并对手写体数字字符有所限制,即需要有一定的工整度。通过对真实图片的处理,本系统可对印刷体数字达到近百分之百的识别率,对较工整的手写体数字能到达近百分之八十的识别率。     

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.     

基于Bayes决策的手写体数字识别

提出了一种用Bayes决策理论进行手写体数字识别的方法，对已知类别的样品提取特征建立数字样品库，对于任意的手写数字提取特征，根据数字样品库中已知样品的特征，运用基于最小错误概率的Bayes决策进行识别、实验证明Bayes决策理论用于手写体数字的识别有较好的效果，一般情况下识别率能达到96％以上．     

用一种新的属性文法识别无限制手写体数字

近年来所发表的识别无限制手写体数字的方法大多是几种已知方法的不同组合形式,因而在结构与技术上比较繁杂。本文从理论的角度出发,发展了一种带有位置和形状属性的文法,以描述和识别模式,它能有效地克服模式的形状差异对识别的影响。这种方法的进一步发展和完善,可能为识别无限制手写体数字提供一个有效的途径。