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。     

基于混合特征提取的手写体数字识别方法的研究

文章对用ＢＰ神经网络实现手写体数字的识别进行了研究，提出混合特征提取的方法，提高了特征提取的效率和识别率，对一些不能识别的样本做了分析和研究，采取在样本集中增加相近样本的方法改善神经网络对这些样本的识别效果。     

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.     

基于人工神经网络的手写体数字识别

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12个并行BP神经网络进行数字识别，把同一个数字特征值差别很大的字体当不同的类别来处理，最后能达到很好的识别效果。     

基于压缩子结构特征的手写体数字识别

在对字符结构进行分析的基础上 ,提出了一种用于自由手写体数字识别的子结构特征 .由于绝对位置、笔画长度等特征因人而异 ,文中利用字符的拓扑信息来增强特征的稳定性 ,并将字符模式表达为一个矩阵 ,矩阵的每一列即为字符的一个子结构特征矢量 .由于子结构特征表达的模式可分性强 ,可通过矩阵运算对模式进行特征压缩 ,同时将不同模式等维化 ,利用一变结构神经网络构造分类器 ,避免了传统子结构特征规则匹配的缺点 ,提高了模式匹配速度 .利用信函分拣机提供的数字进行测试 ,识别率可达 97.58%.     

基于压缩了结构特征的手写体数字识别

在对字符结构进行分析的基础上，提出了一种用于自由手写体数字识别的子结构特征。由于绝对位置，笔画长度等特征因人而异，文中利用字符的拓扑信息来增强特征的稳定性，并将字符模式表达为一个矩阵，矩阵的每一列即为字符的一个子结构特征矢量，由于子结构特征表达的模式可分性强，可通过矩阵运算对模式进行行征压缩，同时将不同模式等维化，利用一变结构神经网络构造分类器，避免了传统子结构特征规则匹配的缺点，提高了模式匹配速     

手写体数字分割的研究

手写体数字分割是手写体数字识别中预处理的重要一环，本文就预处理中的字答分割的方法作了讨论，并提出了一种基于参考定符方向，局部分割与全局随机统计最佳准则相结合的字符分割算法，初步用于表格自动处理系统中，取得了较好效果。     

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%.     

一种手写体数字识别的神经网络方法

本文提出了一种基于不变矩特征的手写体数字识别的神经网络方法,比较了采用不同类型神经网络时一般短和轮廊矩的分类能力,并给出了实验结果。     

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%.     

基于空间分布特征的手写体数字识别

首先根据手写体数字在空间上的分布情况，提取其空间分布特征，同时定义了一种新的特征；其次，提出了一种新的细化方法，并用最小距离法对手写体数字进行了识别。该识别方法较传统方法简便，不必考虑笔划的多变性，具有较高的识别正确率，并能实现快速识别。     

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.     

属性链匹配法识别自由手写数字

本文提出一种属性链匹配识别自由手写数字的方法,以带有属性的基元描述待识字符,粗分类后的一般类字符用属性链匹配法识别.     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

基于改进卷积神经网络与动态衰减学习率的环境声音识别算法

环境声音识别在音频检索、监控方面有着广泛的应用,是听觉识别任务中的一个热门研究领域。但由于其声音信号的复杂多变,使得该任务在识别率提升方面依然面临许多挑战。针对这一问题本文提出了基于改进卷积神经网络的环境识别模型（S-CNN）,该模型采用反复堆叠的递减型卷积核提取不同尺度的局部特征,并在每层卷积层后采用Batch Normalization（BN）层对特征进行归一化操作。同时,利用动态衰减的学习率训练模型,以提高模型收敛速度与收敛稳定性。实验结果表明,相比于传统的机器学习与卷积神经网络模型,本文所设计的改进卷积神经网络模型S-CNN具有更好的识别率。在ESC-10环境声音数据库上,识别精度达到91.3%。     

基于卷积神经网络的钳剪工具痕迹识别

钳剪工具痕迹识别对法庭审判和侦查破案有着重要的参考价值,是物证分析识别的重要组成部分。针对该类工具种类繁多,现场痕迹复杂多样的特点,本文提出了一种基于卷积神经网络识别的钳剪痕迹分析方法。使用断线钳、线缆钳等10类常用钳剪工具,采集制作了300枚钳剪样本,在此基础上对特征区域进行录制,共200余段视频,提取钳剪痕迹特征图像共120 000张。提出TpsNet,以钳剪断头的侧面图片为识别分类对象,通过图片的分类实现对钳剪痕迹的分析识别。结果表明,TpsNet模型在钳剪痕迹数据集上的分类精度达到97.56 %,可作为钳剪痕迹分析与识别的重要依据。     

基于主元神经网络和K-均值的道路识别算法

为了提高道路识别算法的鲁棒性和自适应性，提出了基于局部统计特征和主元分析的道路识别算法．该方法用广义Hebb学习规则训练主元神经网络权值，然后将局部统计特征和图像像素值输入主元神经网络得到图像特征矢量，最后用K-均值分类器对该矢量进行分类，通过参考区域识别道路．仿真结果表明，该算法对于光照变化剧烈和阴影遮挡的道路图片均有较好的识别效果，以及较好的鲁棒性和自适应性．