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。     

基于OpenCV视觉库的手写数字识别系统

运行在电脑的手写数字识别系统在移动性和便捷性方面存在诸多缺陷,为此,将数字识别算法移植于灵活小巧的高性能嵌入式设备,设计了一种基于视觉库OpenCV (Open Source Computer Vision Library)的手写数字识别系统.通过舵机云台调整拍摄角度,利用图片拼接和数字分割技术,实现短距离、大面积的手写数字识别.比较了使用KNN(K-Nearest Neighbor)、支持向量机和人工神经网络3种分类算法训练的模型在识别速度、识别准确率、模型体积等方面的区别,经过测试,使用人工神经网络算法在树莓派上的识别时间可低至0.115 s,识别准确率可达72％,具有一定的应用价值.     

基于神经网络的手写电气元件符号识别系统

神经网络模式识别在现代数字图像处理中的应用,是数字图像处理技术的一次革命,以神经网络模式识别技术在电气元件符号图形识别中的应用为对象,着重于手写电气元件符号自动识别系统的研究,介绍了整个系统的结构和功能,给出了相应的数据流图和主要数据结构,提出了一种基于神经网络的模式识别方法,并对系统的实际应用作了验证,为进一步的研究奠定了基础。     

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。     

手写汉字识别系统的研究与应用

本文在研究汉字识别理论的基础上,介绍了手写汉字识别系统研究的意义及其在实际中的应用,并对当前手写汉字识别的现状及存在的问题进行了分析,提出了限定性脱机手写汉字识别的研究方向,以供研究参考。     

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%.     

基于多级分类器的自由手写数字在线识别

设计了一种用于手写字符在线识别的多级分类器模型。在该模型中,通过对四个独立的分类算法进行集成,将脱机方法与联机方法,神经网络方法与传统方法有机地结合起来构成一个完整的手写字符在线识别系统。理论分析和实验结果表明,该集成系统比单一系统具有明显的优越性。     

基于卷积神经网络的手写数字识别应用

数字识别(Digit Recognition),是计算机从纸质文档,照片,或其他来源接收和理解并识别可读的数字的能力.根据数字来源的产生方式的不同,目前数字识别问题可以区分为手写体数字识别,印刷体数字识别,光学数字识别,自然场景下的数字识别等,具有很大的实际应用价值.目前比较受到关注的问题主要是手写体数字识别,由于其具...     

手写数字的综合智能识别

研究手写数字多种智能识别方法的逻辑组合和加权统计综合模型．应用综合模型对多种智能识别系统进行综合,提高了手写数字识别的可靠率．     

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.     

联机方法与脱机方法相结合识别自由手写数字

提出了一种将脱机方法与联机方法有机结合的字符识别方案。将其用于识别自由手写数字时,对５万手写字符的识别率为９７．５４％,误识经为１．９８％,拒识率为０．４８％。     

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.     

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．     

多层分组神经网络的手写体数字识别

手写体数字识别的应用研究是字符识别中具有挑战性的课题．提出一种基于二进小波变换与多层分组神经网络的自由手写体数字的多分辨率识别算法．该算法包含二进小波变换的多分辨率特征抽取单元及多层分组神经网络分类器,与传统的完全连接的神经网络相比,该网络结构简单、输入节点少,并且由于网络分为子网结构,不同子网学习的是不同的特征映射值,某一子网不收敛不会影响到其他子网的收敛,网络鲁棒性好．采用信函分拣机提供的字库测试表明,其正确率为９８％左右．     

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%.     

经验模型分解在手写体数字识别中的应用

将经验模型分解方法应用于手写体数字识别,提出了一种新的识别方法. 该方法基于字符的轮廓信息特征,具有平移不变性、缩放不变性、旋转不变性. 本文基于分段线性逼近方法提取手写体数字图像的外轮廓,由外轮廓数据构造一个信号s(t),对s(t)进行经验模型分解以抽取它的第一个内蕴模式函数并计算该内蕴模式函数的瞬时频率,选取5个较大的瞬时频率值以及它们之间的时间间隔作为9个特征值;然后对s(t)的波形再重采样16个点作为16个描述s(t)的波形的特征值;最后,采用基于反向传播算法的有多个多输入单输出形式的三层前馈神经网络进行分类与识别. 实验结果表明该方法获得了97.5%以上的正确识别率.     

一种实时手写数学公式识别系统

该文讨论了设计一个实时手写数学公式识别系统时需要解决的主要问题。系统通过手写输入接口及输入笔划组合软件,进行符号、字符识别及图形语法分析,产生与输入相对应的语法分析树,并由此转换成诸如Latex、数学的或LISP-like符号等输出形式,与基于特殊方程描述语言的识别系统相比,该文的手写数学公式识别系统相对简单,使用方便。     

藏文联机手写识别的难点及其解决方法

通过分析各种联机手写识别方法(统计模式识别方法、结构模式识别方法、结构和统计模式识别方法) 以及藏文自身的特点,总结出藏文联机手写识别的方法.     

自然手写汉字五笔码识别法

在深入剖析五笔字型键盘输入法编码原则和字根结构基础上,结合联机识别技术特点对五笔字根作出适应性发行后,提出了一种联机识别自然手写汉字新方法：五笔码识别法。在构建的识别体系中 采用了层间分级技术,并提出将键盘输入技术与联机识别技术有机融合,为联机识别自然手写汉字探索新途径。