ART2神经网络在手写体汉字识别中的应用

该文提出了一种基于神经网络的手写体汉字识别方法,该算法充分利用神经网络的自适应学习能力。ART2网络通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无教师无监督的自学习。其学习过程是自组织的实时学习,能够迅速识别已学习过的样本,并能迅速适应未学习过的新对象。考虑到Gabor滤波器具有优良的方向性,该算法采用Gabor特征作为字符特征。Gabor特征反映字符的空间分布特征,而且可以组合成高维矢量,特别适用于汉字识别这大型模式识别场合。实验结果显示,该算法对测试样本识别正确率达到94％,比其他方法更准确、更可靠。     

基于贝叶斯网络的脱机手写体汉字智能识别

针对汉字识别的超多类问题,将贝叶斯网络分类器引入小样本字符集脱机手写体汉字识别中．对手写大写数字汉字的小样本字符集构造识别系统,同时与传统的欧氏距离方法进行比较,实验表明该算法将识别率提高到92．4％,在小样本字符集脱机手写体识别中具有较强的实用性和良好的扩展性．     

脱机手写体汉字识别中多模板字典的制作方法

针对手写体汉字字形变化复杂的特点,提出了一种基于特征向量分布的多模板字典制作方法,并通过赋予该多模板字典自学习功能,来提高其泛化能力。实验证明,用这种方法制作的字典与用传统方法制作的同类字典相比,能够有效地提高系统的总体识别率。     

手写体数字识别中一种新的倾斜校正的方法

介绍了在手写体数字识别预处理过程中一种新的倾斜校正的方法,该方法利用手写数字的图像的高与宽的比值是否最大来确定倾斜校正是否完毕。在校正过程中,手写体数字的图像高度逐渐变高,宽度逐渐变窄,所以当图像的高与宽的比值最大的时候倾斜角度最小。     

雷达目标一维像识别中的自适应特征子空间法

针对雷达目标一维距离像识别中常规特征子空间法的缺点,提出了一种自适应特征子空间法。该子空间既能自适应子空间维数的变化,又能自适应目标类别数的变化。同时,与常规特征子空间相比,建立自适应特征子空间的运算量大为减少。对三类和四类目标的仿真实验结果表明了该方法的有效性。     

基于自编码神经网络的手写体数字识别中 关于特征表达的研究

研究多种改良的自编码神经网络（Autoencoder）,如稀疏（Sparse）、噪声（Denoising）、权值对称（Tied Weight）。 探究这些自编码神经网络的改良在图像特征表达中的原理。将方法应用到手写体数字的识别中,通过设置各种改良自编码神 经网络的参数取值并且对比各种改良自编码神经网络的特征表达效果,证明改良自编神经网络的理论原理。实验证明稀疏和 噪声对于自编码神经网络性能具有较大提升。     

基于Tensorflow深度学习框架的手写体数字识别模型优化及应用

优化后的基于TensorFlow的全连接神经网络模型,在手写体数字数据集上的识别正确率从91.2%提升到98.3%。增加隐藏层和加入RELU激活函数,对提升识别率效果显著,而指数衰减的学习率、滑动平均模型和正则化损失则对识别正确率无明显影响。将改进后的模型,移植到ROS操作系统中,调用已训练好的模型及参数,并将识别功能封装成ROS节点,最后运用消息机制对摄像头采集到的图像消息完成识别。     

基于自适应阈值的动态手势分割和识别

对手势视频流进行了帧分离,通过对人体肤色的检测来分割手势,识别过程采取了自适应阈值二值化方法进行预处理,特征提取兼顾了手势本身的形状特征和整个手势序列的运动轨迹特征。实验结果证明获得了较高的识别率,此方法是可行的。     

基于自适应神经网络的岩性识别动态建模

针对研究对象定量研究复杂度高的地质工作，应用计算机进行定量化和信息化的研究，需要建立一定的数学模型，然而，传统的数学方法难以得到精确的数学模型，神经网络作为一非线性建模方法，具有良好的自组织和自适应性等功能，可以逼近任意的非线性函数（映射）。本文提出利用神经网络的自组织，自学习，自适应功能实现数学模型的实时建立的方法，并在反传神经算法前馈神经网络（BP）模型引入了自适应动量因子α，使得网络计算量小，收敛速度快，最后将该模型应用到某地岩性识别动态建模中，取得了较好的效果。     

特殊类别特征的多项式分类器在模式分类及其手写体数字识别中的应用

在模式分类中，多项式分类器（PC）是一个具有简化子空间特征的二项式多层神经网络，在输入中显示出超强的特性。本文提出了从特殊类别子空间提取特殊类别特征的多项式分类器（CFPC）。与其它普通的PC不一样，多项式分类器采用了单独的类别子空间。CFPC可以通过普通PC的组合以及投影距离的方式来检测。特殊类别特征对类别有较好的分割，特殊类别的合并和投影距离可进一步改善分离性。CFPC的连接权重是有效的，学习的分级意味着对训练样本正交误差的最小化。对于CFPC，我们通过手写体数字识别和NIST特殊数据库中的数字串识别实验来验证。数字识别也可在USPS和MNIST数据库中进行，其结果显示，CFPC的特性优于普通PC，它是一种与支持向量分类器不相上下的分类器。     

基于词典的手写体字符串分割与识别及在日文地址阅读中的应用

本文论述了基于大词汇量词典的日文邮件地址手写体字符串的识别系统，所用词典包含了lll，349个地址短语。在识别过程中，文本行图像与词典入口进行匹配，以获得可靠的分割和合理的地址短语。在预分割中，文本行图像通过连接组件分析和以边缘轮廓线分析为基础的粘连模式分裂被分割为原始的段。词典匹配中，连续的段动态地合并成候选字符模式。一个精确的字符分类器嵌入在词典匹配中，以此从动态分类集中选择候选模式匹配的字符。在词典匹配中，采用了一种Beam搜索策略来荻取实时识别的效果。在测试3589封实际邮件的实验中，本文提出的方法正确率达到了83．86％，而错误率小于l％。     

基于大间隔最近邻的人体动作识别

为实现日常生活中动作的识别,以提高家庭服务机器人的服务质量,为人类提供安全舒适的环境,提出了一种基于马氏距离的度量学习方法进行人体动作的识别．首先,利用Kinect获取人体动作的关节点数据．然后,基于关节点数据构建动作敏感特征集合,即由人体的关节点坐标构造人体的结构向量以及相应的角度,并对每一样本的长度进行归一化处理．采用大间隔最近邻（LMNN）分类算法进行马氏距离学习得到变换矩阵L,将归一化之后的原始数据映射到更优特征空间．最后,采用k近邻算法进行动作识别．在自建的数据集上,得到97%的识别率．实验结果表明,LMNN算法能够改善数据的分布,即缩小类内距离,扩大类间距离,较好地完成人体动作识别的任务．     

基于自适应显著特征选择的动态加权平均行人识别模型

在跨场景行人识别过程中,为了解决多种特征以一个固定的权重融合导致行人识别率低、识别速度慢的问题,提出基于自适应特征选择的动态加权平均排名行人识别方法。首先,将GrabCut算法和基于流形排序显著性检测算法相融合,提高行人外观特征提取的准确性;然后,提出自适应显著特征选择方法,有效地提取行人特征描述;最后,通过动态加权平均排名模型将多特征融合。实验表明,所提出的方法提高了行人识别的准确性,同时对姿态的变化具有较好的鲁棒性。     

一种改进的GA-BP算法在手写体数字识别的应用研究

在分析GA-BP算法不足的基础上,通过对GA算法中的相应算子进行改进设计,从而有效避免了GA算法中的出现局部次优的情况,并把GA算法产生的最优个体作为BP神经网络的连接权值和阈值,应用于手写体数字识别过程中.实验结果表明,改进的GA-BP算法可以提高BP网络的学习速度和识别效果.     

基于形态距离及自适应权重的相似性度量

针对传统的动态时间弯曲算法的性能容易受到离群点以及局部噪声点的影响,同时对于复杂数据的处理能力较差。对此,文中提出基于形态距离及自适应权重的相似性度量算法。该算法首先利用 趋势滤波对原始待比较序列进行降维,压缩;其次引入形态距离计算两时间序列的距离矩阵,最后利用自适应赋权的距离函数抽取出各个子序列所含的信息量差异并结合动态时间弯曲完成最终时间序列相似度量。实验表明该算法有更强的鲁棒性,能够更好的利用序列的形态特征完成宏观的相似性度量,同时在处理复杂数据时更加精确,高效,稳定。     

基于自适应最小距离分割算法和神经网络的腹水脱落癌细胞识别

本文针对腹水脱落细胞显微图像的多样性、短灰度级范围、杂乱和非随机噪声等复杂特征，提出了自适应最小距离分割算法，把可疑细胞和可疑细胞核从复杂背景中分割出来。根据癌细胞的形态特征，给出了其15个特征及其计算公式，利用这些特征构造BP神经网络分类器对腹水脱落癌细胞进行分类识别。通过对临床病例的检验分析，表明本算法能获得较高的诊断正确率。     

基于线性判别分析和自适应K近邻法的手势识别

基于小容量数据集的手势识别是人机交互技术研究中的一个重要课题。本文提出了一种基于线性判别分析和自适应K近邻法的手势识别方法。首先,应用高斯背景建模方法从包含目 标交互者的训练视频集中提取各类手型图像,并调整到相同尺度来构建手势训练集。然后,通过改进的线性判别分析对训练数据进行特征提取。最后提出一种自适应K近邻法对实时交互过程中得到的手型信息进行分类和识别。应用上述方法自建小型手势库进行实验和比较分析,结果显示与现有的手势识别算法相比,本文方法具有更高的识别率。     

自适应加权完全局部二值模式的表情识别

为了有效地提取局部特征和全局特征以提高表情识别的性能,提出自适应加权的完全局部二值模式（Adaptively Weighted Compound Local Binary Pattern,AWCLBP）的人脸表情识别算法。首先对人脸表情图像进行预处理分离出表情子区域,与此同时生成表情子区域的贡献度图谱（Contribution Map,CM）;然后对表情子区域和整幅表情图像做完全局部二值模式变换提取三种特征（差值符号特征CLBP_S、差值幅值特征CLBP_M、中心像素特征CLBP_C）并连接三种特征生成级联直方图,并根据CM对表情子区域的级联直方图进行加权和整张图像的直方图进行融合;最后用卡方距离和最近邻方法进行分类识别。本算法在JAFFE库上做了实验并和LBP、Gabor小波、活动外观模型进行了比较,验证了本算法的有效性。     

车牌识别中人工智能技术的应用

近年来随着人工智能技术的飞速发展,各行业都在尝试将人工智能引入到日常的工作中以提高工作效率.同时,随着经济社会的不断进步,居民家庭的汽车保有量持续增长,这为交通管理带来了一定的挑战.基于此,将人工智能技术引入到交通管理中势在必行,打造智能交通已经成为社会的共识.其中通过人工智能进行车牌识别是智能交通的重要组成部分.探讨...