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%.     

基于模糊神经网络的车牌图像识别方法

提出了一种基于模糊神经网络的方法对汽车车牌字符进行识别.该方法首先基于Rough Sets.思想获取初始规则和训练集,基于图像识别目标确定网络结构,通过神经网络的学习算法对网络进行优化.然后根据图像识别的模糊特性,利用模糊神经网络对汽车车牌进行精确的识别.实验结果证明该算法比常规识别算法识别率更高.     

钢板结构损伤的自适应神经网络识别

探讨了动量系数和学习率自适应调整的神经网络算法.以反映结构损伤位置和程度的固有频率作为神经网络输入的特征参数,利用有限元法对钢板结构裂纹损伤位置和程度进行数值模拟,获取训练样本数据,通过自适应神经网络对结构裂纹损伤识别问题进行了定性定量研究.结果表明,采用自适应神经网络技术对钢板等工程结构进行损伤特征识别分析是可行的.     

基于改进粒子群算法优化神经网络结构和权值

神经网络识别能力的优劣是由网络结构和权值共同确定的.本文设计一种粒子群编码方式,实现神经网络结构和权值同时优化,并采用目标函数正则化的方式,使神经网络的学习能力和识别能力相结合,同时,设计出一种动态协同粒子寻优方式,在兼顾基本粒子群算法全局收敛的快速性的基础上,加强局部搜索的开发性,有效提高了算法寻优效率.将该模型应用到UCI标准数据集进行仿真实验,实验结果验证了本文方法可以提高神经网络的学习和识别能力.     

基于BP神经网络的船舶号灯识别模型与仿真

建立基于误差反传神经网络的船舶号灯智能识别模型,在众多的号灯识别参数中进行优化分析,确定了能见度、号灯亮度、背景亮度和眩光4个重要输入参数;利用这4个参数,基于误差反传神经网络对船舶号灯的可识别性进行建模和仿真,比较利用Levenberg-Marquart(L-M)、动量梯度下降、变学习率动量梯度下降和弹性反向传播等学习算法建立的误差反传神经网络模型,并确定L-M算法具有最优结果.通过号灯识别的仿真结果表明,识别结果与航海专家评估的结果一致.本模型实现了复杂光环境下船舶号灯可识别性的预报和影响因素分析,对保障船舶的夜航安全有着重要意义.     

基于克隆优化的船舶号灯神经网络识别模型

针对复杂光环境下船舶号灯识别模型的高维、强非线性及影响因素复杂等特性,提出一种基于克隆选择优化算法的BP神经网络识别模型.通过对影响因素的筛选确定BP神经网络的输入,将号灯识别码作为网络的输出确定BP神经网络模型.采用免疫克隆选择优化算法,确定网络层数和各层节点数目,结合灵敏度分析法选择非线性寻优的方向和尺度,以减少BP神经网络的迭代次数,提高搜索效率.通过对海上夜航时拍摄的一些实景照片进行学习和识别的仿真,验证了所建立的船舶号灯识别模型的有效性.     

利用神经网络预测与控制丝杠螺纹磨削过程

研究了基于神经网络的丝杠螺纹磨削过程的智能预测与控制问题.基于误差反向传播的机制,针对连续制造过程的预测与控制,提出多层神经网络的逐个样本学习算法.对逐个样本学习算法和目前广泛采用的B-P算法进行了比较和讨论,实验结果表明,逐个样本学习算法比B-P算法具有更好的收敛性.最后,介绍了多层神经网络模型在丝杠螺纹磨削过程的预测与控制中的应用.     

基于神经网络的汽车操纵逆动力学模型识别

针对驾驶员建模中不确定因素的影响,采用操纵逆动力学方法,反求出驾驶员的操纵输入来避开驾驶员建模.神经网络作为一种较好的识别驾驶员输入的方法,其学习速度和收敛精度会影响识别精度.为了提高汽车操纵逆动力模型识别时神经网络的学习速度和收敛精度,基于Elman网络,采用一种新的动态神经网络结构——状态延迟输入动态递归神经网络(SDIDRNN).首先,建立三自由度人—车闭环模型并以实车试验数据验证了模型的正确性.然后,通过建立SDIDRNN网络模型,取闭环模型的仿真结果做为训练样本,对汽车操纵逆动力模型进行了识别,所得结果及误差分析说明了该神经网络在学习能力上的优越性及识别模型的有效性.     

基于旋转电弧传感器的水下焊缝偏差识别算法

提出了基于旋转电弧传感器的Nu-SVR水下焊缝偏差识别算法.Nu-SVR通过对基于旋转电弧传感器采集到的不同偏差的水下焊接信号进行学习,然后对水下电流信号进行焊缝偏差识别得出偏差.相对于传统的回归算法--区间积分法和神经网络法,算法具有更好的识别能力.最后通过水下焊接实验,其最大的识别误差仅为0.554 mm,证明了该方法十分有效.     

基于BP神经网络的录音地点识别方法

现有的数字音频取证技术很难做到录音地点的识别,因此司法机关就不易对音频证据的有效性做出判断.针对现状,本文设计了一种基于BP神经网络的录音地点识别方法.该方法是将电网频率(ENF)作为识别根据.进行地点识别操作时,首先将电网ENF作为训练样本训练BP神经网络,然后从待取证的音频文件中提取电网频率数据并作为输入样本,用训练好的BP神经网络对输入样本进行识别,最后用模拟退火算法从识别结果中搜索出最佳识别结果,从而识别出录音的地点.实验结果表明,该方法的识别准确率最低达到90.6%,可靠性满足一定的要求.     

基于BP神经网络的行人和自行车交通识别方法

研究了基于BP神经网络的行人和自行车识别方法.首先对图像提取4个特征,形成特征向量作为BP神经网络的输入;然后设计BP神经网络的结构,网络输出为对行人和自行车的识别;为了确定BP神经网络合理的隐层神经元数目,分别对不同隐层神经元数目的神经网络进行了实验分析.最后利用实测的数据对BP神经网络进行训练、仿真实验,并对实验结果进行分析;结果表明:最佳网络的正确识别率为84%,行人和自行车的正确识别率分别为89%和71%.     

一种时间规整算法在神经网络语音识别中的应用

提出一种新的网络结构,这种网络能够很好地解决神经网络语音识别中的时间规整问题。该网络从输入语音信号的特征矢量序列中提取一组固定数目的特征矢量,然后将这组特征矢量馈入神经网络分类器进行识别。和其他的神经网络语音识别方法相比较,用这种网络进行前端处理,可以缩短后端神经网络分类器的训练和识别时间,简化分类器的网络结构并保持较高的识别率。     

基于动量BP神经网络的英文字符识别

英文字符识别已经广泛地应用于很多重要领域.已有的英文字符识别算法很多,一种典型的算法是BP神经网络算法.但是,BP神经网络算法有时不收敛,或陷入震荡.这就导致识别率下降.为此,本文研究了一种改进的称为动量BP神经网络算法用于英文字符识别.这种算法在BP神经网络算法的网络参数控制中添加一个动量系数和一个动量项.这样可以避免迭代的震荡,加快收敛速度.提高识别率.利用动量BP神经网络算法,对52个英文大小写字符进行了识别试验.实验结果表明,这种算法能获得满意的识别率.     

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.     

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．     

基于输出响应的识别结构参数的神经网络方法

讨论了在输入未知时结构模态参数基于频率响应函数的神经网络识别方法 ,并研究了不同的噪声水平和网络输入层结点数目的变化对网络输出误差的影响 .讨论了网络对不同阶数模态参数的识别精度 .数值结果表明该方法是可行的     

基于贝叶斯网络和卷积神经网络的手绘草图识别方法

为实现笔画的分组和识别,现有的草图识别算法通常会采用限制用户的绘图习惯来达到目的.该文提出了利用贝叶斯网络和卷积神经网络(CNN)的草图识别方法解决此问题.首先,使用高斯低通滤波器处理输入草图,得到更平滑的图像.然后将连续输入的笔划分为两部分,分别使用贝叶斯网络和卷积神经网络对分割后的笔画进行识别,当笔画的可靠性大于阈值时,以贝叶斯网络的识别结果为准,反之采用CNN的识别结果.实验结果表明,该文算法在电路符号绘制过程中的识别率和绘制完成后的识别率均取得了较好的结果.该文算法具有良好的应用前景.     

基于MLP神经网络的超宽带信号自适应识别算法的研究

提出一种利用人工神经网络进行超宽带信号调制模式自适应识别的方法。采用三层MLP神经网络进行调制模式识别。首先对超宽带数字调制信号进行统计特征参数提取,特征参数作为MLP网络的输入层神经元参数,隐含层是双层结构。实验证明,当中间层采用正切型激活函数、输出层采用线性激活函数时,MLP分类器的识别性能最好。在5 dB信噪比环境下,算法的正确识别率高于95%。与传统的统计判决方法相比,神经网络分类器不需要设定判决门限就能实现自适应识别,并且达到更好的识别率,解决了软件无线电系统中的超宽带信号自动识别的问题。     

一种基于RBF神经网络的英文字符识别方法

提出了一种基于RBF神经网络的英文字符识别方法。该方法首先提取字符的结构特征和统计特征，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。使用了高斯函数作为神经网络的激励函数，并以最小二乘准则对字符进行识别。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。     

神经网络技术在工程图纸识别中的应用

提出一种应用神经网络技术识别工程图纸扫描图象中图形符号的方法,这种神经网络分类器不仅使识别系统具有自适应性、可拓展性等特点,而且可适应工程图中符号处于粘连、相交、退化等复杂情况下的识别,对目前工程图识别中的最困难问题提出了一个有效的解决方法。