基于BP神经网络的脱机手写混排字符集的识别方法

脱机手写字符自动识别是计算机光学字符识别(OCR)领域的一个活跃课题,有着十分广泛的应用前景.文中提出了基于BP神经网络的脱机手写中英文和数字混合字符集的识别方法,给出一种特征提取方法,通过实验说明如何选取网络隐含层神经元个数,以及如何选取网络连接权值的初值.对由不同人手写的中英文字符的混合字符集做识别实验,结果表明文中所设计的神经网络分类器,不仅能保证识别精度和识别速度,而且能有效的识别混合字符集.     

基于LVQ神经网络算法的脱机手写数字识别研究

针对BP神经网络进行脱机手写数字识别所存在的问题,提出用自组织竞争神经网络(LVQ)对脱机手写数字识别的方法.介绍了LVQ神经网络算法,并构建了LVQ神经网络的识别模型,用Matlab软件进行了仿真.将获得的仿真结果数据与BP神经网络的测试结果进行对比分析,发现LVQ神经网络对脱机手写数字的识别率明显高于BP神经网络,且收敛速度更快.该方法在脱机手写数字识别领域具有一定的可行性与指导性.     

基于改进卷积神经网络及SVM的手写数字识别方法

手写数字识别在数据的自动读取、银行支票识别、邮政编码自动识别等领域有重要的实际应用价值.为了提高手写数字识别的准确率,提出一种将卷积神经网络与批量归一化(BN)网络结合来提取手写数字图片特征、并用支持向量机(SVM)进行分类的手写数字识别方法.经实验验证,所提出的手写数字识别方法准确率达到99.6％,相比于Vgg-16、Xception等改进卷积网络的识别准确率有较大的提高.     

面向中文语音情感识别的改进栈式自编码结构

为进一步提高汉语语音情感识别率,基于深度学习中的自编码、降噪自编码及稀疏自编码的网络结构,提出了一种改进的栈式自编码结构.该结构第1层使用降噪自编码学习一个比输入特征维数更大的隐藏特征,第2层采用稀疏自编码学习稀疏性特征,最后使用softmax分类器进行分类识别.训练过程首先采用逐层预训练的方法,达到网络参数全面初始化的目的,然后对整个网络进行微调.在中文语音库上的情感识别实验显示,相较于单独使用栈式降噪或稀疏自编码,所提结构具有更好的识别效果.此外,基于CASIA库的对比实验显示,该结构比K近邻算法、稀疏表示方法、传统支持向量机和人工神经网络识别率分别提高了53.7%,29.8%,14.3%和1.9%.在自行录制的语音库中,该结构的识别率比人工神经网络提高了1.64%.     

基于AP和BP神经网络算法的手写数字识别

针对现有的手写数字识别技术不适合大规模应用的问题,提出了一种基于AP和BP神经网络的快速手写数字识别算法。首先对预处理后的样本通过AP算法(affinity propagation)聚类消除冗余,重新构造样本空间;然后构造BP(误差反向传播)神经网络模型,学习测试集合样本。采用UCI机器学习数据库中的数据进行实验,结果表明,算法的识别正确率可达96.10%,高于BP神经网络算法的识别正确率94.88%,且执行时间约为后者的10%,具有较高的实用价值。     

基于TensorFlow手写数字识别模型改进

设计手写数字识别模型,在TensorFlow框架上使用Softmax回归算法实现手写数字图像的识别,并且在此模型基础上添加神经网络改进模型。实验表明,使用TensorFlow能够快速实现手写图像识别,改进模型后实验准确率可从87.8%提升到99.2%。     

基于遗传优化的粗糙神经网络模式识别器及应用

通过粗糙集获取知识表达系统的分类规则，用产生的规则对神经网络进行编码，并利用遗传算法对初步学习后的神经网络的权值进行优化，最终得到一个神经网络模式识别器。举例说明了采用这种方法得到模式识别器的过程及其对待识别对象的学习和分类效果。结果表明：采用粗糙规则对神经网络编码可以缩短神经网络的训练过程，遗传算化对神经网络权值的优化可在一定程度上提高模式识别的精度。     

基于惯性传感器的空中运动轨迹识别与实现

为了实现在空中手写的人机交互方式,给用户带来一种新型的人机交互体验,设计了一种基于惯性传感器的空中手写轨迹识别系统。系统主要包括数据采集滤波模块、四元数法坐标系转换模块、积分获取测量轨迹模块和神经网络识别模块四部分。本文在原始数据采集和积分获取轨迹两个环节采用卡尔曼滤波算法。为了验证系统的准确性,以在空中书写数字8为例,经卡尔曼滤波后在空间范围内的轨迹完整、清晰,对数字0-9轨迹的捕捉也验证了这一点。设计了AlexNet神经网络迁移学习模块进行轨迹识别,实验结果表明,识别准确率为87.3%,轨迹识别度较高,达到了预期效果。     

基于BP神经网络的手写字符识别

提出一种基于BP神经网络的手写字符的识别方法，首先建立样品库，对样品库中的样品提取特征，作为输入层的输入值,采用改进BP算法进行网络训练，不断修改权值和阈值，然后对任一输入的手写字符，运用BP神经网络进行识别,实验证明将改进的BP算法用于手写字符识别有较好的识别效果，提高了算法的收敛速度。     

基于结构特征的汉字识别

提出一种基于文字结构特征的神经网络手写汉字识别策略 ,根据所提取的文字笔画方向、基本轮廓和交叉点等特征 ,采用基于自组织神经网络的模式聚类该方法完成正规手写文字的识别 .该方法提取的笔画轮廓十分准确有效 ,对手写汉字的约束少 ,可识别的汉字数量大 ,在仿真实验中有效地识别了绝大多数手写汉字     

手写数字识别的系统设计

数字识别技术的研究不仅可以解决当下面临的数字识别问题,同时在图像识别,机器学习等方面也有铺垫作用。该文主要通过卷积神经网络(CNN)方法实现手写数字的识别。先设计网络模型,再用MNIST数据集训练,并测试网络模型的识别准确率,接着对手写数字进行图像的预处理,输入到模型中,验证正确程度。     

无限制性手写数字的多神经网络识别

研究一种多神经网络的组合结构,这种组合结构有效地克服了ＢＰ算法学习速度慢,难以收敛的主要缺点多神经网络的组合结构应用于手写数字识别,达到较好的识别结果     

BP神经网络探析脱机手写汉字识别

神经网络是一种新型的信息处理模型,通过对生物神经系统的模拟,凭借自适应学习以及自动处理等功能,可达到预期目的。脱机手写汉字识别难度较大,为提高识别速度和精确度,采用了建立在反向传播法基础上的神经网络模型,对脱机手写汉字进行识别。以小字符集汉字识别为例,针对反向传播法中存在的缺陷,如收敛速度过慢,易陷入局部最小点等,对其算法进行了改进,取得了较好的效果。     

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。     

神经网络与污损的手写印刷体字符的识别

通过比较各种模式识别方法的特点,确定了用神经网络方法识别污损的手写印刷体字符的可行性和必要性,介绍了神经网络摸式识别系统,讨论了用神经网络方法对污损的手写印刷体字符的识别,最后给出实验结果     

利用小波和RBF神经网络进行手写数字识别

提出一种基于小波和RBF神经网络的手写数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用RBF神经网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有很好的效果.     

基于BP神经网络的手写数字识别系统

提出了利用BP神经网络方法来实现手写数字识别系统的方案。手写数字图像通过颅处理后,在特征提取方面采用两种适应性较强的特征提取方法,即18点特征提取方法和手写数字笔画特征提取法．不但减少了提取时间。而且提高了手写数字图像的识别率。利用Visual C＋＋编写手写数字识别系统,得到了较好的识别结果。     

优化算法在人脸表情识别中的应用研究

在人脸表情识别任务中,适用的优化算法可以有效地提高表情识别的效率。针对人脸表情识别任务中的优化算法选择问题,比较研究了SGD、Momentum以及Adagrad、Adadelta、Adam 3种自适应学习率方法在人脸表情识别任务上的表现。特别是为了检验结果的可靠性,采用相同方法在MNIST数据集上进行手写数字识别测试。实验结果显示,在人脸表情识别与其他任务中,自适应学习率方法和动量法性能优于SGD方法,且自适应学习率方法在提高模型准确率上更为突出,Adadelta在表情识别和手写数字识别任务上的准确率达到了96.12%和99%。研究表明,在人脸表情识别任务中,自适应学习率的优化算法具有明显优势。     

手写数字体自动识别技术的研究现状

脱机手写数字体自动识别一直以来是图像处理与模式识别领域中的研究热点及具有较高的实用价值。文章对手写数字体研究现状进行概述,着重分析了预处理中的二值化、细化等方法,对特征提取中较重要的统计特征和结构特征分别进行阐述,讨论了分类识别中BP神经网络、支持向量机等关键技术的各种主流方法。通过分析,以期使读者对手写数字体识别的进展有较全面的了解,并对未来的研发有切实的帮助。