神经网络对手写字符识别特征的提取

神经网络对手写字符有较强的识别能力,关键在于特征的提取。本文提出按字符字段和 均匀网络结构浓度提取手写文字特征的改进方法。     

基于人工神经网络自适应共振理论的手写字符识别

以人工神经网络中的自适应共振理论为基础,研究了用光标在电脑屏幕上进行手写输入的字符识别方法.根据专业领域文字输入中经常使用特殊字符的特点,程序部分由内核是Unicode的Java实现.采用Unicode编码不但可以方便地实现特殊字符的识别和显示,还有利于跨平台的移植,较好地解决了文字录入中特殊字符不易查找以及某些用户操作键盘不便等实际问题.     

神经网络对手写字符识别特征的提取

神经网络对手写字符有较强的识别能力 ,关键在于特征的提取。本文提出按字符字段和非均匀网络结构浓度提取手写文字特征的改进方法。     

用于相似字识别的手写汉字特征优化方法

针对常用的手写汉字特征提取方法不利于后续线性区分分析(LDA)特征变换中发现相似汉字的细微区分信息,通过将传统的手写汉字特征提取和LDA变换表述为像素级特征的二维特征矩阵优化问题,并利用二维线性区分分析(2DLDA)变换进行手写汉字特征矩阵的优化,提出了一种用于手写相似汉字识别的特征优化方法.该方法可以避免高维像素级特征向量利用LDA变换进行优化中的散度矩阵奇异性问题.对手写相似汉字的识别实验表明,相对于传统的方法,经过所提方法优化的梯度特征,识别错误率可以降低48.86％,验证了方法的有效性.     

结合自适应字典学习的稀疏贝叶斯重构

贝叶斯压缩感知是一种基于统计分析的压缩感知算法,具有很好的鲁棒性,能够充分利用信息间的相关性,它的重构依赖于图像的稀疏性表达.针对贝叶斯压缩感知的深层次稀疏化问题,笔者结合自适应字典学习思想,提出一种冗余自适应字典表示的稀疏贝叶斯学习算法.该算法对图像进行局部分块,从待重建图像的迭代中间图像分块中学习字典,并以该字典作为图像的稀疏变换基,通过稀疏贝叶斯学习算法获得稀疏解.实验结果表明,基于自适应字典的贝叶斯学习算法能提高稀疏化,明显改善图像的重构质量.     

方向字典子图的初始邻域嵌入重构

邻域嵌入超分辨率重构算法在空间邻域选取过程中,细节特征易被大幅度特征分量淹没,为此,提出了基于方向字典子图的初始邻域嵌入重构算法.对输入图像及邻域利用方向字典进行稀疏分解,从大、小幅值表示系数中分别重构大、小幅度特征子图,保护邻域计算中的小幅度特征;同时,为降低多子图重构的运算量,通过随机森林机制,将输入图像在分类树森林中对应叶子节点图像子库的并集作为初始邻域,减小实际参与运算的图像库大小.实验结果表明,相对于邻域嵌入超分辨率算法,基于方向字典子图的初始邻域嵌入重构的峰值信噪比值平均提升了1.0959 dB,有效改善了重构效果;重构时间仅为邻域嵌入超分辨率的13.3%,降低了重构复杂度.     

一种基于粗糙集的特征加权朴素贝叶斯分类器

朴素贝叶斯分类器是一种简单高效的分类算法,但其属性独立性假设影响了分类效果。通过放松朴素贝叶斯假设可以增强朴素贝叶斯的分类效果,但是通常会导致计算代价大幅提高。针对以上问题,提出了一种基于粗糙集的特征加权朴素贝叶斯算法,加权参数直接从训练数据中学习得到,可以看作是计算某个后验概率时,某个特征对于该类别的影响程度。将该分类算法与朴素贝叶斯分类器（na ve bayesian classifier,NB）、贝叶斯网（bayes networks）和NBTree分类器进行实验比较。结果表明：在大多数数据集上,FWNB分类器在较小的计算代价下,具有较高的分类正确率。     

一种多特征组合与多神经网络分类器集成的手写数字识别新方法

提出了一种多特征组合与多神经网络分类器集成的手写体数字字符识别方法。新方法对结构简单、书写规范的数字字符使用高效的结构分类器实现快速分类;对结构分类器不能准确分类的字符,首先通过提取多个特征,构造不同结构和类型的多个神经网络分类器,然后对多个分类器的识别结果,通过多专家集成方案对手写数字进行最终判决。实验结果表明,提出的方法能有效降低识别错误率,提高识别系统的可靠性。     

基于知识语义权重特征的朴素贝叶斯情感分类算法

针对文档级情感分类的准确率低于普通文本分类的问题, 提出一种基于知识语义权重特征的朴素贝叶斯情感分类算法.首先, 通过特征选择的方法, 对情感词典中的词进行重要度评分并赋予不同权重.然后, 基于词典极性的分布信息与文档情感分类的相关性, 将情感词的语义权重特征融合到朴素贝叶斯分类中, 实现了新算法.在标准中文数据集上的实验结果表明, 提出的算法在准确率、召回率和F1测度值上都优于已有的一些算法.     

基于中文人名用字特征的性别判定方法

基于中文人名用字具有的较强的性别区分性,提出一种利用朴素贝叶斯分类器对中文人名性别进行判定的方法,该方法将每个中文人名中的第一个字(字1)、第二个字(字2)、第一和第二个字组合(字1字2)作为区分特征,利用朴素贝叶斯分类方法对该人名所属性别进行判定。在412775个中文人名语料上采用10重交叉验证法进行训练和测试,对比了依据不同区分特征组合进行性别判定的准确率,分别采用字1,字2,字1+字2,字1+字1字2,字2+字1字2,字1+字2+字1字2(全部区分特征)构成的特征组合进行性别判定,平均判定准确率分别为72.75％,86.92％,88.84％,87.37％,89.35％,90.06％,取得的最好平均判定准确率为90.06％。     

基于局部特征和视皮层识别机制的图像分类

提出了一种新的图像分类方法,采用层次结构模拟视皮层各区细胞功能,利用Gabor滤波器提取初级图像特征,经过稀疏化处理后进行中间层模板匹配提取尺度和位置的不变性特征,最后提交给分类网络。仿真实验表明,本文采用的层次化特征提取方法在分类任务中优于经典的局部特征方法(SIFT),与其他图像分类方法相比,本文的方法在少量训练样本下,在多个数据集中可获得优良的测试效果,具有较高的实用价值。     

基于特征抽取和模式识别的工件智能检测系统

以工件为对象,研究开发了适合于工业应用的视觉算法,在图像的预处理,特征抽取和识别等方面做了深入探讨。重点介绍了形状分析和形状特征抽取算法。链码分析和傅立叶描绘子相结合是本文一大特色。理论分析和实验表明本方法是一种有效快速的高精度图像边界频谱特征的抽取方法。     

基于ICA和神经网络的手写体字符识别系统

探讨独立分量分析在字符识别系统中的应用.在分析图像处理及其特征提取的基础上,提出一种可有效提高字符识别精度、降低误识率的基于独立分量分析和神经网络的手写体字符识别系统.实验表明,提出的字符识别系统与单独基于神经网络的字符识别系统相比,其识别率和适应性优越,适合应用于对字符识别精度要求高的场合.     

基于自适应词典学习和稀疏表示的人脸表情识别

提出了一种基于随机块特征和自适应词典学习的人脸表情识别方法。利用Haar like特征和人脸几何结构信息可靠定位眼睛和嘴巴;在眼睛和嘴巴附近抽取随机块,构建特征矢量;将特征矢量进行词典学习,得到表情词典;根据待测表情在表情词典上的稀疏分解对表情进行分类。在JAFFE和Cohn kanade表情库中进行了对比实验,结果表明该方法具有较好的识别性能,对噪声和遮挡具有较好的鲁棒性。     

基于特征融合的水下目标识别方法

针对传统Hu氏不变矩易受摄像头径向畸变影响造成水下目标识别率低的问题,提出一种基于改进的Hu氏不变矩提取形状特征的方法,该方法依据摄像头的径向畸变模型重新恢复目标像素坐标与其灰度值的映射关系,构造出新的具有平移、缩放和旋转不变形的形状特征向量.同时为消除形状特征向量信息间的冗余问题,根据相关向量线性组合不改变向量自身性...     

基于自组织神经网络的特征识别

针对CAD、CAM中的特征识别问题,在特征的属性邻接图表达方法的基础上,根据特征建立的历史过程提出了特征森林的概念,作为识别的启发式信息。采用自组织神经网络识别特征。依据识别特征的规模动态确定自组织神经网络输入神经元的维数,并给出了一种矢量化方法。实验实例证明了本文方法的有效性,从而为特征识别和维护提供了一种新的有效方法。     

基于稀疏张量的人脸图像特征提取

在多线性主成分分析(Multi-linear principal component analysis,MPCA)的基础上提出了用于特征提取的稀疏张量主成分分析(STPCA)方法。该方法把MPCA中的特征值分解问题转化为线性回归问题,以此得到稀疏的投影矩阵,并通过该投影矩阵来降低遮挡对特征提取效果的影响。最后在Georgia tech和AR人脸库上进行对比实验,结果表明:本文方法无论在识别的精确度上还是在对遮挡的鲁棒性上都优于原有的MPCA算法。     

基于面向对象模糊特征类库的特征识别模型的研究

运用模糊数学的原理，将面向对象模糊特征类思想引入特征建模领域，在此基础上，提出了面向对象模糊特征类库的特征建模思想和特征模糊识别的理论路线，并举出应用实例进行说明。