基于遗传BP算法的手写体识别

神经网络具有模拟人类的大脑活动、良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力.本文阐述了BP神经网络基本原理以及BP网络手写体识别模型,研究分析了BP神经网络手写体识别模型的缺陷并提出了优化策略.在此基础上,提出一种基于改进结构的BP神经网络来实现手写体数字识别方案,除了改进BP网的结构外,还对网络学习算法进行了改进,采用了BP和GA相结合的算法,提高了网络的学习训练速度和识别效果.     

神经网络的人民币序列号识别算法

研究人民币智能鉴伪问题,人民币序列号是人民币的“身份证”,优化识别人民币的真伪将直接影响经济秩序.由于人民币在流通过程中容易出现磨损、污染和缺损等,导致人民币序列号识别的正确率不高.为了提高人民币序列号识别的正确率,更好地鉴别出入民币的真伪,提出根据BP神经网络对人民币序列号识别算法.首先对人民币图像进行预处理,消除一些不利信息和噪声,然后对人民币序列号进行分割和归一化,并提取字符的特征向量,最后采用BP神经网络对字符进行仿真.仿真结果表明,BP神经网络识别算法的人民币序列号识别正确率达到97％以上,并且识别速度快,为人民币识别提供了有效方法.     

遗传算法优化BP神经网络的网络游戏流识别

网络游戏作为一种新兴的娱乐社交方式,现已拥有着庞大的用户群体,且不断增加,因此对网络游戏数据流进行识别有十分重要的意义.利用BP神经网络优秀的非线性拟合能力,结合遗传算法全局搜索的优点,优化BP神经网络的初始权值和阈值,建立遗传算法优化的BP神经网络模型,并提出利用多维度输入信息对网络游戏数据流进行识别.通过实验仿真,说明选取的多维信息和建立的模型能够很好地应用于网络游戏流识别.     

基于灰色关联度神经网络的雷达型号识别模型

针对现代电子战对雷达目标信号的复杂性和残缺性以及实用雷达目标识别系统的健壮性和扩展性等要求,提出一种基于灰色关联度和BP神经网络的灰色神经网络识别模型.首先采用比较成熟的BP神经网络对侦察雷达目标信号进行粗分,识别出雷达的体制;然后把模板数据库中该体制的雷达标准数据作为比较序列,建立差异信息空间,再把观测的数据和比较序列进行灰关联度分析,得出其对应的关联度,从而识别出雷达的具体型号.仿真结果表明在对参数残缺或畸变以及新体制的雷达辐射源进行识别时,取得良好的效果.表明综合灰色神经网络对辐射源进行识别是完全可行的,并且可以提高识别率、可靠性.     

基于粗糙集和BP神经网络的天然裂缝识别

研究粗糙集理论和BP神经网络算法,以及如何结合两者构建天然裂缝智能识别的应用.选取与天然裂缝发育有关的测井曲线作为样本集,先用粗糙集理论约简样本信息,然后采用BP神经网络识别天然裂缝.给出了基于粗糙集和BP神经网络的天然裂缝智能识别的设计方案,通过长庆油田实际油井的应用,结果表明这种识别方法效果显著.粗糙集有效地约简样本信息,BP神经网络很好地识别天然裂缝,故基于粗糙集和神经网络的智能识别方法切实可行.     

改进神经网络算法在车牌识别中的应用

研究现代智能交通管理中的车牌准确识别问题.由于车牌图像存在模糊不清、倾斜,分割后字符图像笔画粗细不均、断续不完整等特殊性,导致传统车牌识别算法识别速度慢、识别正确率低,不能适应车牌识别的实时性要求.为了提高车牌识别正确率,提出一种BP神经网络的车牌识别算法.该算法首先对车牌字符图像进行归一化处理,消除图像中无用信息,然后对车牌字符进行特征提取,消除笔画粗细不均、断续不完整等影响,再将提取车牌字符特征输入到BP神经网络进行学习和识别,并采用动量因子和自适应学习速率对BP神经网络进行改进,加快其收敛速度,从而提高识别的实时性.仿真结果表明,改进用BP神经网络提高了车牌识别正确率和识别速度,缩短了识别时间,适合于实时性强的智能交通管理系统应用.     

基于遗传算法和BP网络的文字识别方法

将基于遗传的BP神经网络算法用于文字识别算法结合了遗传算法和BP网络的优点.先采用遗传学习算法进行全局寻优、再利用BP算法进行精确训练、优化BP(Back Propagation)神经网络权重学习和训练的神经网络文字识别算法.实验结果表明该算法完全达到了文字识别要求,识别率达到了98%.并且在识别速度上也明显优于传统的BP神经网络及其他改进算法,具有精确性、收敛性和识别速度快等特点.     

基于深度学习的步态识别算法优化研究

基于深度学习的神经网络,对步态识别算法进行了优化研究。利用粒子群优化BP神经网络阈值、权值,在神经网络中代入优化后的初始值进行训练,避免陷入局部最优。通过Vicon MX系统对角度特征值进行采集,利用基于粒子群优化BP神经网络进行识别,验证其识别步态的可行性;筛选出传感器系统特征值,在对其优化改进时选取粒子群优化BP神经网络。与传统神经网络法、粒子群优化法相比,基于粒子群优化BP神经网络法的识别方式,识别时间短且识别率高。     

基于改进神经网络的火车票号识别算法研究

为提高火车票识别精度和效率,将图像处理技术和BP神经网络结合,提出了一种基于图像处理和BP神经网络的火车票号识别算法.首先,通过图像预处理、目标区域的定位、二值化、倾斜校正和字符分割,提取火车票的身份证号码特征信息,建立特征信息库;之后,将特征信息库作为BP神经网络的输入,数字和字符类别作为BP神经网络的输出,建立BP神经网络的火车票号识别模型.研究结果表明,与模板匹配和SVM相比,提出的方法可以有效提高火车票号的识别精度和效率,识别精度高达97.7％,从而为火车票号识别提供新的方法.     

基于MATLAB和BP网络的语音识别系统

神经网络是近年来信息科学、脑科学、神经心理学等诸多学科共同关注和研究的热点.由于其具有良好的抽象分类特性,现已应用于语音识别系统的研究和开发,并成为解决识别相关问题的有效工具.文章在讲述语音识别过程的基础上重点讨论利用BP神经网络对语音进行识别,用MATLAB完成对神经网络的训练和测试,并获得满意的结果.     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

基于BP训练数据选取的压气机特性曲线计算

基于BP神经网络方法,研究了压气机特性曲线的拟合及BP神经网络结构设计。对不同训练数据选取方法和比例情况下的BP神经网络进行了计算,分析BP神经网络数据选取与网络泛化能力之间的关系。分析结果表明,均匀顺序选择的BP神经网络在压气机特性曲线仿真上具有更优的泛化能力。     

基于BP神经网络的电子设备故障诊断技术

故障诊断涉及模式分类与识别问题,神经网络对外界输入样本有很强的识别分类能力,能很好地实现非线性曲面的逼近.因此神经网络在设备故障诊断中能很好地得到应用,BP神经网络是目前最为广泛和成功的神经网络之一.介绍了BP神经网络在电子设备故障诊断技术中的应用,讨论了BP神经网络的算法和改进算法及其诊断过程,并对某型电台的故障诊断进行了MATLAB仿真.     

基于BP的燃气管道评估专家系统设计与实现

BP神经网络具有并行处理、自适应学习、容错能力好等优点,根据地下燃气管道安全评估的应用要求,对其算法进行改进,结合专家系统的设计思路,构造了一个基于BP神经网络的地下燃气管道安全评估专家系统,包括知识表示、知识荻取和推理解释等模块.然后利用已有的样本编制软件进行实验,结果表明,该系统评估正确率达91%,推理效率高、扩展性好,从而很好地满足了实际应用的要求.神经网络为专家系统的发展提供了一条新的途径.     

多神经网络在高维数据分类中的应用研究

针对BP神经网络在高维数据分类中存在训练时间长的缺点,提出一种新的多神经网络分类模型,该模型采用自组织特征映射(SOFM)网络对训练样本集进行无监督聚类,通过优化竞争层神经元权值,并以此训练BP神经网络实现数据分类.最后对自由手写数字样本进行识别,仿真实验表明,这一模型具有较强的分类能力和泛化能力.     

基于BP神经网络的浓度传感器非线性校正

提出基于BP神经网络的浓度传感器非线性误差校正方法。文中详细给出了BP神经网络算法原理及训练方案。当替换传感器或环境条件发生变化时,只要获取一组输入输出样本对,便可重新训练网络,获得新的输入输出样本关系,从而实现传感器非线性校正和动态标定,提高传感器的互换性,有实际应用价值。     

基于自适应并联结构神经网络的交通流量预测

由于现有优化算法在全局优化方面的局限性,导致神经网络需要多次训练才能获得满意的结果。为了解决神经网络训练中的一致性问题,文章提出了一种自适应并联结构神经网络（Adaptive Parallel Structure Neural Network, APSNN）。APSNN由多个神经网络单元并联组成,在训练过程中,采用常规优化算法对各神经网络单元进行训练。神经网络单元的训练样本由上一级神经网络单元的训练残差构成,通过训练残差在各神经网络单元中的单向传递,实现训练残差的逐级减少。神经网络根据训练残差,决定是否进行神经网络单元级联和结构扩张,从而保证训练结果的一致性。文章对5种非线性函数进行了神经网络逼近测试。与BP神经网络相比较,APSNN在50次不同初始条件下,训练精度十分稳定,具有很好的一致性。为了实现对交通流量预测,文章将APSNN与BP神经网络和小波神经网络进行了对比研究,结果表明：APSNN的预测总体标准差均小于BP神经网络和小波神经网络,交通流量的预测偏差较BP神经网络和小波神经网络分别降低2.7%和9.7%。     

基于BP神经网络的产品造型设计评价

为了对产品的造型设计进行评价,在分析人工神经网络原理的基础上提出了应用BP神经网络评价产品造型设计的方法.根据BP神经网络具有自学习、自组织、自适应和非线性动态处理等优点,建立了产品造型设计BP神经网络评价模型,选择某一产品造型设计的13款方案作为样本,利用Matlab软件进行了BP网络的实例训练和验证.实验结果表明,BP神经网络模型可以较准确的对产品造型设计进行评价.     

基于模拟退火优化BP神经网络的PH值预测

为自动准确测定水质p H值,采用大量的具有代表性的p H值检测数据为样本,提出了一种基于模拟退火优化BP神经网络的p H值预测方法。利用模拟退火算法优化BP网络的权值,调整优化样本的选取和隐层神经元数,训练BP神经网络预测模型得到最优解。由测试样本对网络进行了预测试验,并与非线性回归的预测结果进行了对比。结果表明,该方法对水质p H值预测具有较好的非线性拟合能力和更高的预测准确性。     

基于模糊C均值和神经网络的驾驶行为评价研究

交通拥挤正成为一个日益严重的问题,一些不安全的驾驶行为所导致的交通事故是造成拥堵的主要原因之一.因此,如何准确评价驾驶员的驾驶行为成为研究的热点.本文提出了一种基于模糊C均值聚类（Fuzzy C-Means,FCM）和BP神经网络相结合的驾驶行为评价方法,首先利用FCM对驾驶行为进行初始聚类,基于FCM聚类结果,为了提高BP神经网络分类精度,本文提出了一种自动挑选训练样本即典型样本的方法,利用BP网络进行学习,最终用训练得到的BP神经网络分类器对驾驶行为进行实时分类,研究结果表明该算法摒弃了人为主观因素,实现了驾驶行为准确、客观、高效的评价.