湘西方块苗文图像的预处理方法

湘西方块苗文是湖南湘西苗族地区使用的一种文字,对该文字的机器识别还几乎处于空白状态.预处理是整个文字图像识别过程的前提,其处理的效果将直接影响到文字图像特征提取和识别的效果.采用加权平均法对湘西方块苗文图像进行灰度化,采用Ostu算法对其进行二值化处理,基于同态滤波和改进的中值滤波相结合的方法对其进行平滑和归一化,得到适于湘西方块苗文图像预处理的方法,为后续的湘西方块苗文识别研究提供基础.     

基于构件汉语拼音的湘西方块苗文输入法

在分析湘西方块苗文的结构特点及其构件拆分方法的基础上,提出了一种基于构件汉语拼音全部字母的输入编码方案,设计了输入法编码映射表;并以多多输入软件生成器为工具,实现了基于Windows IMM-IME结构规范的湘西方块苗文输入法软件及其安装程序.测试结果表明,基于上述输入编码方案的苗文输入法易学易用,能够有效地解决湘西方块苗文的计算机输入问题.     

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．     

一种基于BP神经网络的车牌字符识别方法

根据字符的不同统计特征设计了不同的特征提取方法和分类器。实验表明,本文提出的字符识别方法,对车牌字符识别具有一定的识别率。     

一种基于特征的BP神经网络车牌字符识别

字符识别是自动车牌识别系统中很关键的一步.字符识别有以下几步,首先,对车牌图像进行预处理.其次,通过竖直方向投影分割字符.最后,将提取的字符特征输入网络进行训练.在实验中,利用该方法对光照不均、字符大小不一、运动背景的图像,特别是相似字符的识别获得了较高的识别率,并且将其与字符输入BP神经网络进行对比分析.实验结果表明,该方法对字符识别有很好的鲁棒性、有效性.     

基于BP神经网络方法的焊缝图像识别系统

在工业探伤领域中,由于焊接过程出现的各种问题,会导致焊缝中含有气孔和裂纹等缺陷,影响产品的质量,所以焊接图像中缺陷的检测十分重要。受传统X射线焊缝图像检测的评片人员的技术素质和经验的影响,焊缝缺陷的检测逐步从人工评片过渡到计算机智能识别。本文以数字图像处理技术为基础,应用Matlab建立了基于BP神经网络的焊缝图像识别系统,实现故障类型的识别。     

基于BP神经网络的C波段无线电信号分类识别

使用主成分分析法,对C波段无线电信号进行特征提取,使用BP神经网络模型作为其智能分类器.从BP神经网络的设计结构入手,在网络初始化权值的选择、网络隐含层数及隐含层结点数确定多个方面进行研究,以提高分类器的分类性能.     

基于BP神经网络的水稻害虫自动识别

针对水稻害虫自动识别问题,对害虫图像采用基于骨架的形态特征提取方法,自动提取害虫的骨架点的分支数、骨架累计长、横轴纵轴比、圆形性,以此作为BP神经网络的输入因子,并以从20种害虫图像提取的特征值,训练网络,较好地解决了这一问题.     

基于BP神经网络的数字字符识别

本文介绍了字符识别的常用方法及BP神经网络的基本原理,并将BP神经网络应用于数字字符识别。通过Matlab实现了对采集的数字图像进行样本训练以及基于BP神经网络的数字字符识别。仿真试验结果表明,BP神经网络可以对阿拉伯数字进行快速、准确的识别。     

一种基于BP神经网络的车牌字符识别方法

就机动车牌照的字符识别与处理进行了详细的讨论,重点讨论了BP神经网络方法在机动车牌照字符识别中的应用,用Visual C++完成了对机动车牌照字符识别的模拟,最后给出实验结果。     

纹理特征抽取和纹理识别的神经网络系统

本文提出一个纹理特征抽取和纹理识别的神经网络系统,它含有一基于纹理回归模型的特征抽取网络和一个纹理识别的多层神经网络,尤其是前者是一个能求解回归系数的,神经网络,不仅解决了纹理特征抽取问题,而且解决了一大类采用最小二乘估计的应用问题,因而具有一定通用性.     

基于神经网络的人脸主特征提取

提出了用神经网络提取人脸图象主特征的方法，并对主特征在分类识别中的作用作了详细的分析，理论和实验证明，主特征不仅具有较强的分类能力而且具有很强的独立描述图象的能力。     

基于不变矩特征及BP神经网络的图像模式识别

根据图像的不变矩特征,应用BP神经网络实现了图像的模式识别.由于神经网络本身具有很强的学习能力及容错能力,且采用并行工作方式,因此,此识别方法与传统的模式识别方法相比,具有较强的抗干扰能力及较快的识别速度.本文通过实验验证了此方法的有效性.     

基于脉冲耦合神经网络的目标特征抽取方法

为解决待识别目标的特征抽取问题,提出了一种脉冲耦合神经网络结合形状信息的图像混合特征抽取方法。该方法利用脉冲耦合神经网络将图像空域信号转化为时域信号的特性,结合物体形状信息,对图像的灰度和形状进行了统一描述。实验结果证明,该方法在一定程度上对物体的形变、平移、缩放不敏感,对目标识别系统是一种很好的特征抽取方法。     

基于BP神经网络的环境质量评估

利用人工神经网络对地区综合环境质量进行了评价,提出了基于BP人工神经网络、以Matlab为平台的算法程序的人工神经网络环境质量分类模型．并以某地区环境监测数据值为样本,进行了环境质量评价分析．研究结果表明,BP神经网络应用于环境质量评价无需构建复杂的参数方程,且具有基于知识学习的特性,结构简单实用,具有客观性和通用性．     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于神经网络的中文姓名抽取技术

设计了一个中文姓名抽取系统, 该系统采用神经网络进行汉语句子的分词处理, 根据姓名后置特征词进行姓名的抽取, 成功解决了尾字和下文成词的姓名抽取问题. 以1998年1月份《人民日报》语料库中含有此类姓名的语句作为测试数据,结果表明, 姓名抽取的召回率和精确度较现有方法都有很大提高.     

基于BP神经网络的海洋声学仪器信号识别方法

分析了几种常用海洋声学仪器信号的基本特征,提出一种基于误差反向传播(back propagation,BP)神经网络,以实现对信号特征参数进行分类、识别的方法.该方法采用短时傅里叶变换提取信号特征参数,运用Levenberg-Marquardt算法训练BP神经网络.以实测海洋声学仪器信号的特征参数进行训练后,采用实测和仿真样本对BP神经网络的识别能力进行测试.实验结果表明,BP神经网络能够有效地区分不同海洋声学仪器的信号,识别准确率达到95%以上,且虚警率低于5%.该研究成果可用于识别海域中不同海洋声学仪器,检测海洋中声学仪器的工作状态.该识别方法对于其他海洋声信号的识别研究也有一定的参考价值.     

基于粗糙集和BP神经网络的空气质量评价方法

基于粗糙集理论,提出了空气质量评价参数的选取算法,在不降低有效分类信息的前提下对监测数据经过约简并作为BP神经网络的输入数据,简化了网络结构,提高了训练速度和测试精度.基于BP神经网络的空气质量评价方法能有效融合多种监测数据,系统通用性强.实验表明,基于粗糙集和BP神经网络的空气质量评价方法是可行有效的.