卷积神经网络在手写字符识别中的应用

随着人工智能的发展,计算机对于输入的手写字符识别需求越来越大,采用改进的卷积神经网络对手写字符进行识别分类。用VGGNet16模型构造卷积神经网络模型,每一层都加上批标准化,通过平均值池化对卷积层进行下采样,利用PRELU激活函数代替ReLU激活函数,最后通过Softmax分类器对手写字符图像进行分类。在MNIST手写数字数据集和EMNIST-bymerge手写字母及数字数据集下进行实验,改进的卷积神经网络模型在MNIST数据集中识别准确率提升到99.65%,在EMNIST数据集中识别准确率为90.37%。因此,改进模型识别准确率较高,适用于手写字符识别。     

手写数字识别方法研究

提出了一种用BP神经网络识别手写数字的方法。论述了其良好的监督学习功能,并结合轮廓特征提取进行训练,给出了一种基于梯度下降法训练BP神经网络的手写数字识别方法。实验结果表明,该方法简单且有较好的识别效果。     

基于支持向量机的手写数字串识别

手写数字识别是手写字符识别的一个重要分支,单个数字识别技术已经比较成熟,而手写数字串的切分与识别则成为了该领域的一个难点。本文针对手写数字串的切分和识别设计了一种实验模型,该实验模型针对手写数字串的过度切分以及不足切分的特殊情况设置基于支持向量机的检测器进行再次识别确认,实验证明,使用基于支持向量机的检测器大大的减少了因为错误切分而带来的识别率的下降。     

基于支持向量机的手写数字串识别

手写数字识别是手写字符识别的一个重要分支,单个数字识别技术已经比较成熟,而手写数字串的切分与识别则成为了该领域的一个难点。本文针对手写数字串的切分和识别设计了一种实验模型,该实验模型针对手写数字串的过度切分以及不足切分的特殊情况设置基于支持向量机的检测器进行再次识别确认,实验证明,使用基于支持向量机的检测器大大的减少了因为错误切分而带来的识别率的下降。     

基于遗传-BP神经网络的手写数字识别

简要介绍了遗传算法和BP算法,并结合手写数字识别的实际应用,提出了手写数字识别的遗传神经网络算法。实验表明,多种算法综合使用比单独使用一种算法得到的图像识别率要高。     

基于深度学习的数字识别方法研究

近年来,手写数字识别是计算机视觉与模式识别中一个广受关注的问题。该问题的主要挑战是如何设计一种有效方法,以识别用户通过数字设备提交的手写数字。目前,深度学习算法在计算机视觉领域非常流行,被用于处理诸如图像分类、自然语言处理及语音识别等问题。以几种深度学习常见算法,包括线性感知器、卷积神经网络、循环神经网络、长短时记忆网络等为研究对象,分析其在手写数字识别方面的优缺点,并引入Google 第二代人工智能系统 TensorFlow,对比相同算法在不同框架下的识别速度及准确率。实验结果表明,几类深度学习算法都能明显提高识别准确率,且在训练数据集时不会损耗过多计算资源。     

基于神经网络的大数据分析方法

基于不同视角和情境特征的大数据定义诠释了大数据的 5V 特性,在扩展大数据价值空间与应用模式的同时催生了以“数据驱动+模型驱动”范式转变为代表的核心问题。为解决大数据分析核心问题,引入神经网络,采用性能优越的卷积神经网络设计对比实验,运用两个公开数据集对其进行训练,并在输出层分别使用L2-SVM 和 Softmax 激活函数。在手写数字识别和彩色图像识别中,L2-SVM 的识别错误率分别为 0.87%和11.9%。实验结果表明,基于 L2-SVM 的神经网络大数据分析方法可以获得更高的识别精度。     

BP神经网络在数字识别中的应用

神经网络(neuralnetwork)是近年来再度兴起的一个高科技研究领域,数字识别就是其中一项既基本又非常重要的应用性研究领域。BP神经网络(Back-Propagation),又称误差反向传递神经网络,是一种依靠反馈值来不断调整节点之间的连接权值而构建的一种网络模型。BP网络可以看作是对多层感知器网络的扩展,即信息的正向传播及误差数据的反向传递。本文给出了设计用于识别手写数字BP神经网络的过程。     

基于深度学习的手写表格识别系统研究与实现

为了对非固定样式的手写表格文档进行批量识别处理,实现自动录入功能,首先通过空表识别生成单元格信息,分析版面结构;其次对图片进行去噪、倾斜校正、二值化等处理,对手写内容进行分割;最后搭建识别手写字符的卷积神经网络。实验结果表明,最终实现的识别系统能对不同格式的手写表格进行识别并生成数据格式文件。基于空表识别得到单元格信息的手写表格识别系统能对不同样式的表格进行批量识别处理,且通过CNN搭建识别模型,手写汉字也能被识别,使系统通用性更好,便于应用扩展。     

基于CNN的多尺度特征在手写数字识别中的应用

在手写数字识别数据集(MNIST)情景下,为了提高卷积神经网络的识别正确率,提出了一种改进的基于卷积神经网络(CNN)的多尺度特征识别算法.首先,利用卷积操作和池化操作提取图像中的全局特征及局部特征,通过二次卷积与特征融合获得数字图像的多尺度特征.然后,将多尺度特征送入全连接网络和Soft Max分类器,实现手写数字图像识别.最后,通过对不同网络结构的CNN算法进行评估表明,本文提出的算法可以有效提高网络精度,具有较好的泛化能力.     

SVM在手写数字识别中的应用

将SVM应用于手写数字的识别,即将采集、预处理后的样本图像的各个像素点直接作为SVM的输入进行训练,通过交叉验证得到最佳参数,取得了较高的识别率.通过与BP神经网络的实验对比表明了在小样本、高维度的应用环境中,SVM具有训练简单、识别率高的特点.     

基于离散Hopfield神经网络的数字识别研究

离散Hopfield神经网络具有联想记忆的功能,利用这一功能对数字进行识别可以取得令人满意的效果,并且其计算的收敛速度很快。通过创建Hopfield网络,将带噪声的数字点阵输入到其中,利用MATLAB神经网络工具箱中的函数进行仿真测试,并对测试的结果进行分析、比较,实验结果表明Hopfield神经网络用于数字识别是可行、有效的。     

基于特征匹配与 CNN 的浮动验证码识别研究

为有效识别浮动验证码,提出一种基于特征匹配与卷积神经网络的识别方法。首先使用特征匹配的方法得到匹配特征点,结合交叉匹配算法与 K 近邻匹配算法滤除错误匹配;然后对特征点进行聚类及投票分析,得到待识别字符区域,将其分割得到单个字符;最后在 mnist 手写数字数据集的基础上加入英文字符,构建卷积神经网络模型,将数据集送入模型进行训练。对 10 000 张浮动验证码进行测试,结果表明,该方法对浮动验证码的识别准确率达 95%,且构建的训练集具有可扩展性,可进一步应用到其它类型的字符识别中。     

基于时域卷积与双向GRU神经网络的时序预测模型

随着物联网技术和5G技术的发展,各类智能设备收集的时序数据规模急剧增长,为了利用深度学习技术对大规模时序数据进行预测,提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理,然后利用双向GRU神经网络层提取时序数据的前向特征和后向特征,最后对时序数据进行预测。在真实数据集上的实验结果表明,该模型相比传统长短期记忆网络模型,预测准确度提高了近70%,预测速度提高了近10%,可更好地满足对大规模时序数据的预测需求。     

基于GA-BP神经网络的脱机手写藏文识别方法

通过对当前流行的各种识别技术进行分析比较,在对藏文手写体特征展开深入研究的基础上,考虑到将来的研究趋势及可扩展性,提出了一套基于手写藏文识别的技术方法,即基于GA-BP神经网络的藏文识别方案,并着重对手写藏文识别中的特征提取和分类器设计进行了分析,提出了藏文识别领域今后的发展方向。     

面向手写汉字识别的残差深度可分离卷积算法

卷积神经网络(CNN)在脱机手写汉字识别领域取得了杰出的研究成果。采用更深层卷积神经网络可取得更高识别准确率,但是模型容量和计算复杂度也会增加,将模型部署到存储资源和计算力有限的移动设备上变得更加困难。为解决上述问题,提出一种基于深度可分离卷积的残差卷积神经网络。深度可分离卷积将标准卷积操作分离成特征提取和特征融合,逐深度卷积被用于特征提取,特征融合采用逐点卷积实现。使用深度可分离卷积改进残差网络,实现较深层的残差网络。模型使用联合的中心损失函数和softmax损失函数进行监督训练,可使模型学习具有判别性特征,提高了模型识别准确率。采用CASIA-HWDB数据集进行实验,结果表明该方法具有较低的模型容量和计算复杂度,能够达到96.50%的主流识别率。     

混沌风险探测模型的研究与应用

BP神经网络是应用最广泛的预测模型,它能方便、灵活地对信用卡消费行为进行探测,但BP网络有很多固有缺陷,比如结构难确定、初始权值选择盲目性导致训练速度慢等,结合信用卡交易数据的混沌特征分析,通过应用混沌理论中的相空间重构技术,把信用卡客户的相关数据嵌入到重构的相空间中,然后利用BP神经网络技术建立混沌风险探测模型,对信用卡交易行为进行风险预测.实验结果表明,该模型的预测精度高于一般的神经网络预测方法,其中正确检出率比使用BP神经网络模型提高了3%.     

空中手写汉字交互输入与识别实验平台构建

设计与实现了基于微软Kinect摄像机的在线空中手写汉字交互输入与识别实验平台。在研究现有联机手写汉字识别的方法基础上,提出了基于视觉汉字笔画顺序和统计特征的空中手写汉字特征向量提取方法,并利用流形学习方法训练大汉字集的低维流形表示和显式映射函数,结合邻域搜索策略和语义联想可实时高效的进行空中手写汉字识别。该实验平台为空中手写汉字识别方法提供了的客观分析、评价的方式和手段。     

融合型神经网络的人员再检测

随着对跨境跟踪技术的关注不断增加,人员再检测技术也是一大研究热点。我们从外界影响的因素出发,提出了一种手动特征与神经网络特征提取结合的融合特征算法应用于人员再检测技术。首先利用改进型的生成式对抗网络(GAN)扩大数据集;然后利用颜色模型HSV和尺度不变局部三元模式结合神经网络特征融合的方案提取特征;再者,在分类模型中,利用交叉熵损失来进行计算相似度量。实验结果表明,与传统算法相比,性能有一定的改进。     

ResNet多输出特征的手指静脉识别

为了解决成像环境复杂、生物组织引起红外光散射导致识别准确率低的问题,在基于神经网络分类的手指静脉识别技术基础上,提出神经网络拓展结构模型,并采用机器学习方法计算区分性好的特征,弥补原神经网络引起的部分特征缺失,避免了模型迁移到小型数据库上由于样本数量不足带来的性能下降问题．利用ResNet18、ResNet34和ResNet50三种神经网络在手指静脉数据库上进行的分析与实验表明,拓展结构模型显著提高了识别性能．