基于神经网络复杂背景下车牌识别系统的研究

车牌识别系统是以汽车车牌字符为目标对象的一个计算机视觉系统。由于获取的车辆图像受光照、噪声等外界因素的干扰,通常具有复杂性和不确定性,导致复杂场景下车牌字符识别更加困难。为提高识别率,首先利用BP网络对模糊处理后的定位车牌进行训练识别,利用MATLAB进行实验。再用卷积神经网络对车牌进行识别实验研究,与BP算法进行比较,对提出的算法进行仿真与实验,将两种方法进行对比发现看卷积神经网络算法对车牌字符识别率有较高的识别率,应用十分广泛。     

BP神经网络对驻极体麦克图像特征识别的研究

人工神经网络是特征识别的有力工具。在研究对驻极体麦克图像识别方法的基础上,本文提出了一种用改进的BP神经网络进行图像特征的识别和学习算法,并给出了动量系数和学习率的调整方法。对比传统方法测定的结果,使用改进的BP神经网络在识别不规则特征时：减少了输入信息冗余,网络结构相对简单;神经网络输出的各项指标明显提高了精度,对麦克图像特征的平均识别正确率达到92．7％;识别速度也满足在线实时检测的要求。理论分析和实验均表明该算法能实时有效地检测出驻极体麦克图像的特性。本文为研究图像不规则特征的识别提供了一种新的方法。     

基于区域统计和BP神经网络的车牌识别

为从车牌图像中获得车牌的字符信息,需要对字符识别系统进行研究。车牌识别过程分为图像预处理、车牌定位、车牌校正与分割和车牌字符识别4个环节。针对前3个环节,完成了图像中值滤波、Sobel算子边缘检测、数学形态学处理、Otsu二值化和Hough变换校正等工作,获得了单一标准字符图像。在车牌字符识别环节中,首先根据汉字位置,利用模板匹配算法对汉字进行识别,对于数字、字母字符,将字符图像分割,通过统计图像各部分的连通区域数以获得字符形态特征,据此设计并训练BP神经网络识别字符。最终获得能完成图像中的车牌字符识别的系统。     

基于改进隐马尔可夫特征的车牌识别技术

为实现复杂光照条件及字符图像存在旋转、遮挡和污损等情况下车牌字符的准确识别,提出基于改进隐马尔可夫特征的车牌字符识别算法,算法通过快速独立成分分析对隐马尔可夫特征降维,减少参与神经网络分类的特征维数从而提高识别效率,通过选取代表性训练样本参与分类器训练,减少算法对硬件性能的要求从而进一步提高算法的识别效率。实验结果表明,该算法在保持原有统计特征分类识别性能的条件下,显著减少了运行时间,提高了识别准确率。     

一种改进的神经网络车牌识别算法研究

根据实际应用要求,要求使车牌实时识别系统识别准确率高,提出了一种改进的神经网络车牌识别算法,基于标准的神经网络的识别算法上进行了改进,在标准神经网络算法中增加惯性冲量分批处理的方法进行改进,并通过训练大量样本进行了实验。实验结果表明,改进的神经网络识别算法与未改进的标准神经网络字符识别算法相比其识别率和处理速度有了很大的提高,已在小区停车场应用,达到了应用的要求,证明了改进后的神经网络车牌识别算法与标准神经网络算法相比在实时识别正确率上有了很大提高。     

基于BP神经网络的运动想象脑电信号分类研究

运动想象脑机接口因具有更大的自主性、灵活性,在脑机互联领域得到了广泛应用,相比较其它范式分类准确率偏低,限制了其发展。本文利用时频图谱、脑地形图两种特征分析方法对上肢运动想象脑电信号进行了特征分析,并采用滤波器组共空间模式(filter bank co-space,FBCSP)特征提取算法对上肢运动想象信号数据进行了特征提取,再将提取结果分别利用支持向量机（support vector machine,SVM）算法、K-最近邻(K-Nearest Neighbor)算法、反向传播（back propagation,BP）神经网络三种分类算法进行分类,研究结果发现SVM算法、KNN算法、BP神经网络算法应用在上肢运动想象脑机接口系统的平均分类准确率分别为76.45%、74.55%、81.70%,BP神经网络算法相比SVM算法、KNN算法在上肢运动想象任务的分类准确率上分别高出了5.25%、7.15%,并且t检验后得到分类准确率均具有极显著的统计学差异,并利用ROC曲线和AUC值检测了分类器效果,BP神经网络的AUC值相比SVM算法、KNN算法也分别提升了0.1226、0.1285,表明BP神经网络分类算法相比较SVM算法、KNN算法更适用于上肢运动想象脑机接口系统,提高了系统的分类准确率,推动了上肢运动想象脑电信号实际应用的发展进程。     

基于PSO改进的BP神经网络数据手套手势识别

针对5DT数据手套手势识别这一问题,提出BP神经网络和PSO算法相结合的识别方法。首先利用特征提取和归一化方法建立通用手势模板,并基于此模板采用BP神经网络进行训练学习,同时通过PSO算法修正BP神经网络的权值和阈值,将训练完毕的神经网络用于实际操作过程中的手势识别。该方法既保留了BP算法结构简单、易于实现的优点,同时避免了不同操作者复杂的标定过程。仿真和实验结果表明,所提出的控制方法有效的缩短了学习时间,并且提高了识别过程的实时性和精确性。     

车牌识别系统的设计与实现

针对某市电子警察的需要设计了车牌识别系统。本方案选用的是基于小波变换的车牌定位和基于改进的BP神经网络的字符识别。用该方法构造的车牌识别系统识别率高、识别速度快、车牌定位准确，在实际运用中取得了良好的运行效果。     

基于神经网络BP算法的模糊自适应控制器的研究与实现

提出了一种基于神经网络BP算法的模糊自适应控制器 ,通过BP算法 ,修正量化因子和比例因子 ,使模糊控制器具有自适应的能力。计算机仿真结果和实验表明 ,这种智能控制器超调小、响应快且具有良好的鲁棒性。     

基于多特征融合神经网络的串联电弧故障识别技术

传统低压保护装置如低压断路器、熔断器等无法有效检测出由于接触不良、绝缘失效等导致的串联电弧故障,因此如何准确检测串联电弧故障成为目前研究的热点问题.为此,采用基于电流波形的检测方法展开深入研究,通过搭建电弧故障平台模拟串联电弧故障,获得了不同负载下正常和电弧故障的数据;然后在此基础上建立了多特征融合的神经网络算法,并利...     

基于FPGA的车牌识别系统研究与实现

本文对目前车牌识别技术进行分析和研究,并提出了一种基于FPGA的车牌识别方案。文中详细介绍了系统设计思路、用FPGA设计电路的具体方法以及实际测试结果。将本系统与以往基于PC或DSP的车牌识别系统相比,该系统具有体积小、运算速度快、识别准确度高等特点。系统经过100多组不同环境下车牌图像的测试,其结果显示本系统识别准确度在98%以上。     

基于LSTM 算法的车牌识别系统方法研究

本文针对自然光照以及阴雨天气等复杂环境导致识别精度、响应时间降低问题,提出一种将LSTM理论和算法融于复杂环境下的车牌识别算法。通过将采集的车牌图像进行腐蚀算法、灰度化、二值化等预处理,增强车牌区域对比度,减少定位难度;其次,利用图像识别处理算法进行车牌定位、字符分割、字符识别等操作。将车牌分割后所得的字符归一化处理,统一的合适大小,作为长短时记忆网络（LSTM）的输入,对应汉字字符、数字和字母字符作为输出,通过训练所得LSTM网络实现车牌识别系统模型。经大量数据采集以及训练验证,与现有车牌识别系统相比,本文提出的算法汉字字符识别准确率达98.90%,字母以及数字字符识别准确率达99.40%,单图识别速度达2.65ms。     

基于BP神经网络的线圈定位技术研究

随着人类社会电动汽车普及化程度的提高,电动汽车无线充电作为一种更为方便快捷的充电方式也逐渐投入使用。电动汽车无线充电过程中发射线圈与接收线圈的对准与否直接关系着充电功率与充电效率,本文提出了一种基于BP神经网络的接收线圈定位技术,通过建立以探测线圈感应电压为输入层、接收线圈二维坐标为输出层的神经网络实现定位功能,并通过仿真和实验验证了所提出的定位方法。该技术有助于指引驾驶员或自动驾驶系统驾驶车辆对准发射线圈,对电动汽车无线充电技术的发展与推广应用具有积极意义。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

基于GA-BP神经网络在手写数字识别中的应用研究

手写数字识别在当今社会有着重要的应用价值，在金融、社交、教育、通信等领域有着广泛的应用前景。手写数字识别是光学字符识别技术的一个分支，目前大多采用BP神经网络进行识别，但BP神经网络存在局部极小值、学习速度慢、结构选取上无确定准则三方面缺陷，影响其识别效果。通过遗传算法寻优BP神经网络最佳的初始阈值、初始权值、结构来克服其缺陷。通过MATLAB仿真，结果表明，用遗传算法优化后的BP神经网络具有辨识正确率更高、泛化能力更强、收敛速度更快、实用性更强的优点，达到了预期的目的，为手写数字识别提供了良好的理论研究价值。