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。     

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

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。     

手写体数字识别系统中一种新的特征提取方法

本文对手写体数字的特征提取方法进行了讨论,分析了当前使用较多的三种特征提取方法,指出了各自的优缺点,并在此基础上提出了一种新的特征提取方案,即13点特征提取方法,该方法从每个字符中提取关键的13个点作为特征点,其主要特点是特征提取简单有效,节省了特征提取时间,提高了识别系统的运行速度.用同一种网络对特征提取后的结果进行训练和识别.仿真结果表明,13点特征提取法用于手写体数字的识别有着极好的适应性,在运行速度和识别率上比起其它算法都有很大的提高,从而极大地证实了新算法的有效性及实用性.     

基于二维主元素分析的手写体数字识别研究

二维主元素分析(2DPCA)是基于二维图像,而不是像PCA一样基于一维的向量化图像,是一种用于人脸识别中的典型的特征提取技巧,与传统的PCA方法相比,它具有更高的识别率和更短的特征提取时间。运用2DPCA的手写体数字识别方法,与PCA方法在误识率上进行了数值对比试验。然后,在特征提取阶段进行改进,它是一个样本图像分组策略,称之为NetPCA,此方法比较好的综合了统计特征和结构特征两种提取方法。     

基于神经网络的手写体数字识别

本文将奇异值分解方法用于神经网络结构优化。通过收敛后网络的权值矩阵作ＳＶＤ分解，根据分解结果确定出较适宜的隐层神经元数目，这样神经网络结构得以简单化，连接权的数目将减少，从而使计算理减少，节约存贮资源及时间。     

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。     

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.     

基于BP分类器的数字识别研究

本文通过分析BP(Back Propogation)神经网络的结构、原理及其算法,对已经经过预处理的图像进行分析和识别,使分类器能够对0～9之间的数字在最短的时间进行准确分类,从而达到识别出图片中的数字。系统既可以单独使用,也可以作为一个识别系统的软件核心应用到大规模数据统计、财务、税金、金融和车牌识别等系统中。     

人工神经网络在数字识别中的应用

BP神经网络是最常用的一种人工神经网络。本文介绍了利用BP神经网络来实现离线手写体数字识别的基本方法,分析了传统BP算法的一些缺点,针对这些缺点指出了一些较新的改进算法。利用MATLAB验证了这些较新的算法。实验数据表明,改进的算法具有较高的识别率。     

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。     

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%.     

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.