基于小波变换和梯度方向的脱机手写藏文字符特征提取方法(英文)

为了提高脱机手写藏文字符的识别效果,提出了一种在小波变换基础上计算局部梯度方向直方图的特征提取方法.首先,对一个脱机手写藏文字符样本图像进行一次Haar小波变换,得到相应的一级近似分量;然后,将这个一级近似分量划分成几个等尺寸的子区域;最后,计算每个等尺寸子区域的局部梯度方向直方图,并将所有子区域的全部局部梯度方向直方图的值作为该字符图片的特征.在最近建立的脱机手写藏文字符样本数据库(THCDB)上的实验结果表明:提出的特征提取方法识别效率较高,且识别效果较好;和细节分量相比,近似分量对提高识别精度具有更大的贡献.     

基于多重HMM的脱机手写汉字识别

介绍了一种基于多重隐马尔克夫模型(Multiple HMM——MHMM)的手写体汉字识别新方法。该方法首先提取基于区域投影变换形成的边界链码特征,对每个汉字建立4个HMM,通过等比重综合方法将4个分类器的计算结果进行综合,从而得到识别结果。实验结果证明该方法较传统的HMM具有更高的抗干扰能力和更高的识别率。     

基于GA-BP神经网络的装配式高层住宅成本预测

装配式高层住宅成本受诸多因素影响,成本与各个因素之间存在复杂的非线性关系,BP神经网络难以对其进行准确的成本预测。文章提出了一种遗传算法（GA）优化BP神经网络的预测方法,利用GA-BP神经网络模型提高装配式高层住宅成本预测的准确率。通过对GA-BP神经网络模型的权值和阈值进行优化,构建了GA-BP神经网络装配式高层住宅成本预测模型,并以50组装配式高层住宅样本数据为例,分别运用GA-BP神经网络与BP神经网络预测模型进行了对比试验。试验结果表明,GA-BP神经网络预测模型具有较强的稳定性和更高的预测准确率。     

基于BP神经网络算法对手写数字识别系统的设计

构建手写数字识别系统,并对系统中BP网络反传学习速率进行改进,提高了识别率并缩短了学习时间;在特征提取上针对数字综合采用二值化并统一规格化的方法,优化了系统的识别精度并提高了识别速度。采用BP算法增强了数字识别的容错性、鲁棒性。     

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。     

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。     

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。     

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GA-BP神经网络的信息化课堂教学质量评价

为了提升信息化课堂教学质量评价精度,基于GA-BP神经网络方法,构建信息化课堂教学质量评价指标体系,利用层次分析法建立各评价指标的递阶层次结构模型。通过1-9标度法确定判断矩阵,对判断矩阵实施一致性校验后,计算各评价指标的权重。通过遗传算法（GA）优化BP神经网络权值、阈值,将各个课堂教学质量评价指标权重输入到GA-BP神经网络,网络输出结果即为信息化课堂教学质量评价分值。实验结果表明,BP神经网络的最佳隐含层节点数为7,GA-BP神经网络迭代次数为95时网络性能达到最优。利用该方法可以精准评价信息化课堂教学质量,实际应用效果好。     

基于卷积神经网络的手写数字图像识别方法

本文使用深度神经网络算法对手写数字图像进行分类识别.该算法利用20个卷积层提取手写数字图像的特征向量,特征向量经过Re LU激活函数后被20个池化层进一步降低向量维度,最后通过softmax激活函数输出.结果表明,训练数据8 000以上时识别率会超过90%,训练次数8次以上识别率高于96%.结论:采用整流线性单元函数作为激活函数,有效解决了梯度消失问题和过拟合问题.     

兼顾连笔及笔顺自由的联机手写汉字识别方法

文章将手写汉字的可见线段和不可见线段进行联合编码,并对汉字笔画编码进行加权分类,较好的解决了联机手写汉字识别中连笔及笔顺自由问题,最后采用无回溯串匹配算法实现了汉字识别。     

基于神经网络的数字识别技术研究

将图像的像素特征与矩特征结合,构建了神经网络分类器,利用提取的特征向量对分类器进行了训练和测试。将图像二值化,并归一化为16*16大小,提取了其每个像素点的0、1特征共16*16=256维,图像的网格特征13维,及Hu矩特征7维,一共276维特征。建立了BP神经网络分类器,分别使用最速下降BP算法、动量BP算法、学习率可变BP算法对BP神经网络分类器进行了训练,得出了在相同条件下学习率可变BP算法训练时间短,收敛快的结论。建立了PNN神经网络分类器,与BP神经网络分类器性能进行比较,实验结果表明,PNN神经网络分类器性能更好。     

压铸工艺参数GA-BP网络优化

针对遗传算法在全局寻优的特点和BP神经网络在局部精确搜索的特性,通过采用遗传算法优化神经网络初始权值,加速BP网络训练速度。通过算法比较和实例结果分析,表明该算法可以有效、可靠地运用铸造工艺参数优选中,并可方便地应用于专家系统。     

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.     

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。     

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。     

基于卷积神经网络的人体行为识别方法

为提高基于智能手机三轴加速度传感器的人体行为分类模型准确率,提出了一种卷积神经网络人体行为识别方法,通过固定时间窗口对连续样本数据进行切割分片,构造多层神经元网络结构,优化调整关键核心参数,使用新方法训练出的人体行为识别模型平均交叉准确率可达91.7%,较其他传统机器学习算法有较大提升.     

基于概率神经网络和贝叶斯判别模型对手写字体识别的研究

通过建立概率神经网络和贝叶斯判别模型对手写字体进行了研究,主要对样本二值图像进行分析,运用Matlab工具箱,将样本数据进行训练后对检验图片进行判别,同时对噪声干扰下的判别效果进行了对比。发现机器识别性能比人工识别差距较大,提出可以通过与Logistic回归、支持向量机等模型进行综合评判,同时对样本数据中异常值在识别错误后予以剔除再进行训练,提高模型判别精度。     

基于神经网络的尿样颜色识别方法比对分析

针对颜色色空间转换非线性的复杂关系,在获取标准阈值颜色色度值,进行归一化处理后,利用学习矢量量化(LVQ)神经网络和概率神经网络(PNN)进行尿样颜色识别。比对结果表明:(1)利用神经网络进行分类识别时实验数据的归一化处理是完全必要的。(2)与颜色色差评价方法进行了比对,该方法可行而有效。     

基于Neuroptica的光学神经网络仿真实验设计

光学神经网络光电子技术与神经网络模型,有望突破传统电子神经网络计算速度和网络功率效率低的技术瓶颈。为解决教学活动中缺乏实际演示案例问题,设计了利用光学神经网络进行手写数字识别实验。利用光学神经网络芯片级仿真平台Neuroptica构建手写数字识别系统,学生在不同参数下训练模型进行对比实验,也可自主编程设计ONN模型实现其他机器学习任务以验证模型的优劣。