基于改进AlexNet卷积神经网络的手写体数字识别

为了提高手写体数字的识别率,在AlexNet网络模型的基础上进行改进,引入Inception-resnet模块替换模型中的Conv3和Conv4来提升模型的特征提取能力;使用批归一化处理（BN）方法加快网络的收敛速度,防止过拟合;减少卷积核的数量,提升网络的训练速度。在MNIST数据集上进行训练与测试,实验结果表明改进的网络模型具有较高的检测精度,达到了0.9966,证明了本算法的有效性。     

基于改进卷积神经网络的手写体识别研究

针对卷积神经网络层数设计和参数优化问题,改进和测试了LeNet-5模型。通过MNIST字符库,分析了卷积层参数滤波器数量、核大小、池化方法、激活函数和网络学习速率等对机器手写体识别性能的影响。实验结果表明,改进后的网络结构简单,预处理工作量小,可扩展性强,识别速度快,识别率达到0.993 9,有效缓解了过拟合。     

用分组神经网络识别手写体数字

用神经网络识别手与体数字，大多数采用的单个的神经网络结构。本文给出一个基于输入的手写体数字识别的分组神经网络结构，它是一个混合网络。实验的结果表明，同只采用单个神经网络结构的方法相比，分组网络具有更好的识别结果。     

用分组神经网络识别手写体数字

用神经网络识别手写体数字,大多数采用的是单个的神经网络结构.本文给出一个基于特征输入的手写体数字识别的分组神经网络结构,它是一个混合网络(Hybrid System).实验的结果表明,同只采用单个神经网络结构的方法相比,分组网络具有更好的识别结果.     

基于神经网络方法的手写体数字识别

利用神经网络技术对无限制手写体数字进行识别。在选取合适的特征基础上，对图像进行分域处理，每一小域对应输入层的一个神经元。测试结果表明，该识别方案具有很强的抗畸变，抗旋转能力。     

基于神经网络方法的手写体数字识别

利用神经网络技术对无限制手写体数字进行识别。在选取合适的特征基础上，对图像进行分域处理，每一小域对应输入层的一个神经元。测试结果表明，该识别方案具有很强的抗畸变、抗旋转能力。     

基于连续非对称卷积结构的手写体数字识别

为了提高手写体数字识别的准确率,设计并提出了一种基于连续非对称卷积结构的手写体数字识别的深度学习算法.以连续非对称卷积结构为基础,结合极限学习机和MSRA初始化设计网络结构.在识别输入图像时,利用CUDA并行计算与Cudnn神经网络GPU加速库对手写体数字识别进行加速.在MNIST手写体数字数据库上进行实验,提出的网络结构识别准确率达到99.62%,单张图像识别速度为0.005 8 s.经实验结果对比表明,该网络结构在识别准确率和识别速度上得到有效提升.     

基于卷积神经网络的手写数字识别

在LeNet-5模型的基础上,改进了卷积神经网络模型,对改进后的模型及网络训练过程进行了介绍,推导了网络模型训练过程中涉及到的前向和反向传播算法。将改进的模型在MNIST字符库上进行实验,分析了卷积层不同滤波器数量、每批数量、网络学习率等参数对最终识别性能的影响,并与传统识别方法进行对比分析。结果表明:改进后的网络结构简单,预处理工作量少,可扩展性强,识别速度快,具有较高的识别率,能有效防止网络出现过拟合现象,在识别性能上明显优于传统方法。     

基于遗传神经网络的手写体数字识别算法的探讨

针对神经网络BP算法在学习过程中的一些缺点,提出一种基于遗传算法与神经网络的手写数字识别新算法,将遗传算法与BP算法有机结合起来.文中给出了算法模型,并将此算法应用于手写体数字的识别中,实验结果证明它比单一BP算法有更佳的结果.     

多层前向神经网络在手写体数字识别应用中的研究

针对手写体数字的特点并从实用性的角度出发，采用了一种融字符特征抽取和识别于一体的五层结构的前向传播网络，为了减少连接权值的个数，在网络中采用了权值共享和部分映射，在系统的训练过程中，利用误差函数的二阶导数加速网络的收敛，取得了较好的结果，比传统ＢＰ算法快４～５倍。在此基础上，利用二阶导数的信息对网络进行了神经损伤即鲁棒性实验，使网络权值数大大减少。     

基于卷积神经网络的验证码识别

针对传统验证码识别受字符分割限制的问题,将卷积神经网络应用到验证码的特征分析和识别中。使用验证码图像整体作为输入,对传统的LeNet-5的网络结构进行改进,构建一种端到端的卷积神经网络对图像由低级到高级逐层提取图像特征,选取ReLU作为激活函数,实现对验证码的识别。实验过程中设置对照组,研究不同因素对识别准确率的影响。测试结果显示,该模型能够进行端到端的识别,避免了字符分割方法流程过多导致的不足,在测试集上达到99%的识别率。结果表明训练次数的增加以及学习率的优化有助于提高卷积神经网络的准确率。     

基于卷积神经网络的人耳识别研究

在分析人耳生物特征及其识别方法的基础上,提出了一种基于卷积神经网络的人耳识别方法.该方法直接提取人耳的图像特征,利用两次特征提取分类识别,在不同角度变化和不同维数情况下,嵌入维数越大,降维后所保留的特征信息越多,识别概率越大;维数的变化对于CNN识别没有任何影响.实验结果表明,该方法在人耳姿态变化时能够保持良好的识别概率,对人耳识别角度变化具有较好的鲁棒性.     

基于卷积神经网络的道路拥堵识别研究

为解决城市道路日益严峻的拥堵问题,结合深度学习和图像处理技术,提出了一种基于卷积神经网络的道路拥堵检测方法.此方法相对于传统机器视觉方法,无需前期提取道路背景,不受光照亮度和实际环境的影响,具有识别速度快、占用计算资源少、泛化性好等特点.现已在实际项目中得以应用,并取得了较好的效果.     

基于改进的PSO神经网络的手写体汉字识别

为了克服手写体汉字识别中传统神经网络训练算法存在网络易于过早收敛的缺陷,本文提出采用自适应惯性权值的粒子群优化算法训练神经网络,即利用粒子更新迭代训练神经网络最优的权值和阈值,其中对粒子更新的惯性权值进行了自适应性的改进.试验中提取了大量汉字样本的笔画数量信息和分布信息作为特征向量,利用改进的粒子群神经网络对汉字进行分类,并与BP神经网络的识别效果做了比较.结果表明:自适应惯性权值的粒子群优化算法能有效避免网络"早熟",大大提高了网络训练精度,网络对汉字的识别正确率明显提高.     

一种识别无限制手写体数字的方法

对无限制手写体数字的两大特点──畸变性和旋转性，提出了一种链匹配识别算法。全面描述了边界的拓扑结构（基元），根据形成输入字符图像的一维链码与参照链的匹配结果进行识别。压缩了原始图像信息，提高了处理速度，同时也达到了较高的识别率。     

一种识别无限制手写体数字的方法

对无限制手写体数字的两大特点－畸变性和旋转性，提出了一种链匹配识别算法。全面描述了边界的拓扑结构（基元）、根据形成输入字符图像的一维链码与参照链的匹配结果进行识别。压缩了原始图像信息，提高了处理速度，遇时也达到了较高的识别率。     

双通道卷积神经网络人脸表情识别

将卷积神经网络的单通道全连接层改为双通道,构建并训练了一个新的双通道卷积神经网络模型以增强模型的特征表达能力。在全连接层用Maxout激活函数代替传统的ReLU激活函数以优化网络内部结构。在网络训练过程中,采用A-Softmax损失,使卷积神经网络能够学习角度判别特征。改进后的卷积神经网络模型在FER2013数据集上准确率为73.6%。     

基于卷积神经网络车身颜色识别技术研究

研究车身颜色识别技术可为公安部门打击套牌车辆等交通犯罪行为提供技术支持,并为道路行车安全提供理论依据。文章基于Caffe深度学习框架,提出了一种基于深度卷积神经网络车身颜色识别技术的研究方案,分析了网络层数、迭代次数和学习率对模型的影响,对卷积神经网络CNN模型进行优化,并将优化的网络模型与支持向量机SVM、改进后的HSV模型进行对比分析。结果表明:卷积神经网络最优模型的神经网络层数为8,最大迭代次数为30万,学习率为0.001;支持向量机SVM、改进后的HSV颜色模型及卷积神经网络识别率分别为80.05%、85.25%、90.20%。     

基于双神经网络分类器的脱机手写体汉字识别

脱机手写体汉字识别因其自身的复杂性,系统的实现具有很大的困难。现有的方法,多针对小字符集。为了能在更大的字符集内实现脱机手写体汉字识别,文章结合双重特征提取方法,提出了将双神经网络分类器引入脱机手写体汉字识别。该方法提取汉字字符的2组特征,将2组特征输入双重神经网络进行并行训练,再经过后处理选择最优结果。将该方法与用于小字符集的SVM方法进行了比较,结果表明其识别率明显高于SVM方法,说明双神经网络在脱机手写体汉字识别中有较强的可行性和实用性。