一种基于改进模板匹配的车牌字符识别方法

提出了一种改进的模板匹配方法．该方法是在传统的模板匹配方法的基础上，通过对字符特征区域的扩大和加强注意设计了一种改进的模板，以达到更有效的匹配结果．将该方法应用于沪宁高速公路收费口处实拍的车牌图像库中，其平均识别率达到97．1％．实验结果表明本文所提出的改进的模板匹配方法具有较高的识别率和鲁棒性．     

模板匹配算法在车牌字符识别中的应用

车牌字符一般由汉子、字母和数字组成,本文采用模板匹配的方法对其进行识别,并与神经网络方法进行了对比,该方法实现简单,运算速度快,提高了字符的识别率,是一种有效地字符识别方法。     

基于多模板匹配的车牌字符识别算法

在车牌识别系统中,传统的模板匹配算法处理时间长,对笔画缺失或断裂的字符识别效果不好。为此本文提出一种基于多模板的匹配算法,首先构建三种类型的模板库,并在构建好的多模板库上进行模板匹配,整个过程采用分块匹配的方法来加速模板匹配的过程。     

基于多尺度模板匹配和神经网络的车牌识别

针对现有车牌字符分割算法和识别问题的分析,本文采用一种多尺度模板匹配的车牌字符分割算法;并在此分割基础上采用小波神经网络算法识别车牌字符。实验表明该分割与识别方法的结合实现了切分准确、鲁棒性强、去伪性好和快速准确识别的高效性。     

一种基于Hausdorff距离的车牌字符识别算法

提出了一种基于Hausdorff距离的车牌字符识别算法，即先对待识别的字符图像进行细化，然后用改进的Hausdorff距离进行匹配识别。     

基于小波和神经网络的车牌字符识别新方法

车辆牌照自动识别（简称车牌识别）是智能交通系统中一项重要的关键技术;首先简要介绍了车牌识别技术饷背景及意义,然后阐述了小波变换和BP神经网络的相关理论和实现细节,最后提出了一种基于小波和BP神经网络的车牌字符识别新方法,并采用了MATLAB数学工具进行仿真;实验结果显示,总的字符识别率为95．8％,平均识别时间21ms,表明该方法具有良好的实用价值,可应用于工程实践中。     

基于改进的BP神经网络的车牌字符识别方法

借助于计算机控制技术中PID增量式控制算法中“加速对给定值变化的响应”思想来改进传统的BP神经网络算法。经过网络训练之后,应用其进行车牌字符识别。实验表明改进后的神经网络收敛速度和精度方面都有所提高,能提高字符识别的速度与精度。     

基于量子门神经网络的车牌字符识别

针对车牌字符在车牌图象质量退化时识别率较低以及识别时间较长的问题,提出一种基于量子神经计算的车牌字符识别方法。该方法将通用量子门组作为神经网络的激活函数来实现量子神经计算,同时把字符的粗网格特征作为字符的识别特征进行车牌字符识别。实验结果表明,该方法能有效提高“带噪”车牌的识别率以及抗干扰能力。     

基于SCG-BP神经网络的车牌字符识别

针对传统BP网络算法存在车牌字符识别速度慢和准确率低的问题,提出了一种SCG优化的BP神经网络车牌字符识别的算法.通过对BP神经网络的输入和算法进行改进实现提高神经网络对字符的识别效率.对输入的优化是使用主成分分析法进行车牌字符特征提取,将提取的特征作为BP神经网络的输入.对算法的优化是使用成比例共轭梯度下降法寻找网络...     

一种基于BP神经网络的车牌字符识别算法

车牌识别系统是智能交通中的一个重要分支,本文针对传统的模板匹配算法存在识别准确率低的问题,提出了一种基于神经网络的车牌字符识别算法。该方法对分割、归一化后的字符进行特征提取获取其特征向量,把这个特征向量送到BP网络中进行训练,可以得到训练好的权值,以此权值对车牌字符进行识别。实验表明,本算法对车牌图像的识别率达90%以上。     

一种基于人工神经网络的快速超分辨率方法

图像的超分辨率是指利用一幅或者多幅的低分辨率图像,通过相应的算法来获得一幅对应的清晰的高分辨率图像.针对现有的基于学习的超分辨率方法低效率的问题,提出一种基于人工神经网络的快速超分辨率方法,该方法试图利用人工神经网络学习到高分辨率图像和低分辨率图像之间的函数关系,其理论基础来自于人工神经网络能够很好地求解流形学习中高维流形和低维流形之间的映射关系.     

BP模型中的激励函数和改进的网络训练法

本文研究了ＢＰ算法激励函数ｆ对收敛速度的影响，得出了陡峭函数收敛快的结论。其次，给出一个逐步增加训练数据以避免局部极小的方法。     

基于过程和特征的模式匹配参数化设计方法

本文提出了基于过程和特征的模式匹配参数化设计方法；将用户与ＣＡＤ系统之间交互的过程数据翻译成ＣＡＤ系统所支持的语言程序作为源数据，由尺寸标注等特征数据生成模式和匹配数据，通过模式匹配置换源数据生成参数化程序。     

用线性多步法训练神经网络

研究用微分方程数值解法－－线性多步法替代神经网络的学习算法,指出在一定条件下神经网络的BP学习问题与求解一个相应的微分系统在渐近意义下是等价的,从而求解微分动力系统的数值解法也可用于神经网络的学习,给出了训练神经网络的Milne方法和BP－Milne结合算法以及Hamming方法和BP－Hamming结合算法,并以9点两类模式、随机模式识别和石油地质中沉积微相模式识别等3个问题为例进行了实验,实验结果表明利用微分动力系统的数值解法进行神经网络的学习是可行的。     

用人工神经网络方法研究烷烃结构与辛烷值,沸点的关系

本文用人工神经网络拟合直链烷烃分子结构参数与其沸点和辛烷值，取得满意结果。     

规则推理的人工神经网络实现

本文从神经网络与传统专家系统相结合的角度出发,提出的一种基于层次与或图的神经网络专家系统模型。ＢＰ网被用作规则记忆器,并通过源于层次与或图的二值化样本的训练实现知识的获取,而网络的多次正向传播式的应用则用来完成相应的层次推理工作。     

人工神经网络用于蒸汽动力系统的故障诊断

文中对神经网络用于蒸汽动力系统的故障诊断进行了研究，提出了神经网络适宜的拓扑结构，并讨论了神经网络对高斯噪声的过滤作用。     

TAGUCHI'S DESIGN OF EXPERIMENT IN COMBINATION SELECTION FOR A CHAOTIC TIME SERIES FORECASTING METHOD USING ENSEMBLE ARTIFICIAL NEURAL NETWORKS

Taguchi's design of experiment, an effective approach to identify factor-level combinations, was utilized to improve the result of a proposed chaotic time series forecasting method. In the proposed method, a residual analysis using a combination of embedding theorem and ensemble neural networks was employed to forecast chaotic time series. The time series was reconstructed into proper phase space points and fed into the first neural network. The network was trained to predict the future value of phase space points and chaotic time series. The analysis of residuals of the predicted time series showed that in many events they demonstrate chaotic behaviour. The residuals were treated as a new chaotic time series and reconstructed. A new network was trained to predict the future of the residual time series. The residual analysis was repeated several times. Finally, the last network was trained using a forecast value of the original time series and residuals as input and the original time series as output. The final network was used to capture the relationship between the forecast values of the original time series and residuals and the original time series. A systematic approach is introduced using Taguchi's method to improve the combination selection of networks and their parameters. The method was applied to some real-life chaotic time series. The experimental results confirmed that the proposed method performed more effectively and accurately compared to the same method using randomized factor-level combinations and other existing forecasting methods in the literature.     

二进神经网络中汉明球的逻辑意义及一般判别方法

剖析二进神经元的逻辑意义对二进神经网络的规则提取是十分重要的，在布尔空间中，汉明球是一种线性可分的空间结构，如何从汉明球中提取出具有清晰逻辑意义的规则是二进神经网络研究的一个问题，通过对MofN规则表达形式的扩展，分析了汉明球的逻辑意义，提出了表达汉明球逻辑意义的LEM规则和GEM规则方法，并且讨论了汉明球和汉明补球的等价性，另一个重要的结果是证明了二进神经元和汉明球等价的充要条件，从而建立了判别汉明球的一般方法。     

模糊自适应神经网络应用于包装件识别的研究

本文从一般的多自由度离散系统动力学模型出发,建立了结构化神经网络模型.该模型将复杂的多自由度系统非线性特性识别问题分解为若干个单自由度系统非线性特性识别问题,简化了对于复杂系统的分析与求解.文中把模糊自适应BP算法应用于包装件缓冲垫层材料的非线性特性识别问题,在一定程度上提高了网络的训练速度,减少了对于训练参数的人为干预.在此基础上本文提出了引入变异机制的改进的模糊自适应BP算法,它进一步提高了算法的效率,增强了算法的自适应性.针对具有两种典型的包装件缓冲垫层材料的三自由度系统模型的模拟实验,表明了改进算法用于非线性识别问题的有效性.