基于改进BP神经网络的数字识别

针对BP(Back Propagation)神经网络易陷入局部极小、收敛速度慢的缺点,提出了一种新的BP神经网络改进算法.与标准BP算法比较,该系统通过结合附加动量法和自适应学习速率形成新的BP改进算法.附加动量法虽然可以使BP算法避免陷入局部极小,但是对初始值的选取比较敏感,而且选取合适的学习速率比较困难.而自适应学...     

基于BP神经网络的维吾尔联机手写字符识别

维吾尔文字的书写特点,给手写字符识别带来了很大的技术难题.提出了利用BP神经网络进行手写维吾尔文字符识别的方法.根据手写体运动轨迹进行特征提取,得到14维的特征编码,利用此编码对BP神经网络进行训练和学习,形成良好的识别系统.实验表明,该方法提高了字符识别的准确率.     

基于改进BP算法的数字字符识别

本文利用BP神经网络算法，在MATLAB环境下，分别用理想字符信号和含噪声字符信号对同一网络进行了训练，使系统具有较强的容错性。最后用实际扫描的不同字体字符进行了识别实验。实验结果证明了系统在实际应用中的可行性。     

基于EMD分析法和改进的BP算法的车牌字符识别

保证最优的分解效果和克服传统的BP网络训练速度慢和易陷入局部最小等缺点,首先通过EMD中的IMF分量的引入,对每一个基本模式分量进行波间与波内频率与幅度调制,得到一个可变幅度与可变频率的信号描述方法,从而实现信号的一次筛选.然后利用竖直方向的投影具有波峰、波谷间隔出现的特性,将字符进行分割.最后将分割的字符大小归一化后,送入采用动量因子的改进的BP神经网络进行字符识别.实验结果表明该识别方法可以改进信号分解或展开的效率,提高识别速度和精度.     

基于改进BP神经网络的脱机手写文字识别

在MATLAB中构建脱机手写文字识别系统,并利用Levenberg-Marquardt算法对标准BP神经网络的阈值和权值进行优化。经过仿真实验,证明该改进方法克服了在识别过程中BP网络存在的训练时间长、收敛速度慢等缺点,并且提高了系统的识别率,是一种有效可行的BP网络改进方法。     

基于神经网络的字符识别研究

神经网络被广泛地应用于字符识别。该算法识别率高，速度快，可适用于多种高噪声环境中，程序流程简洁，实用性很强。但是，这种神经网络识别方法的实现也存在着一些难点，特别是在特征提取，网络优化，网络训练等方面。通过对这些难点的分析，论述了这种利用神经网络实现字符识别的一些关键技术。     

基于BP神经网络算法的车牌字符识别系统设计

构建车牌字符识别系统,并对系统中BP网络反传学习速率进行改进,提高了识别率并降低学习时间;在特征提取上针对汉字综合采用非均匀网格特征和外围特征提取法,字母与数字采用均匀粗网格特征加笔划密度特征提取法,优化了系统的识别精度并提高了识别速度.采用BP算法增强了车牌识别的容错性、鲁棒性.     

基于改进BP神经网络的车牌字符识别

在分析了BP网络学习算法的缺陷的基础上引入动量项和遗传算法对BP网络学习算法进行改进,大大提高了BP网络的收敛速度.对车牌字符图像进行分割并利用sobel算子进行边缘检测来提取字符特征.然后利用改进的BP网络来自动识别车牌字符,提高了识别的速度和正确率.     

基于BP神经网络的脱机手写数字识别

脱机手写体数字识别有着重大的使用价值,特征提取占据了重要的位置,本文针对手写体数字识别中单一识别方法的局限性,提出采用BP神经网络进行识别,并且提出了一种特征提取方法。采用BP神经网络,利用其良好的监督学习功能进行识别,结合提取的降维数字符号的特征,能较好的识别出手写数学符号。BP神经网络（Back-Propagation）,又称误差反向传递神经网络,是一种依靠反馈值来不断调整节点之间的连接权值而构建的一种网络模型。最后,在Mnist手写数据库上的试验结果表明,该方法具有较好的识别率和较高的可靠性。     

基于改进LMS加BP神经网络的二相码旁瓣抑制

研究了BP神经网络在二相码旁瓣抑制中的应用,采用自适应学习速率梯度下降算法对网络进行训练,为了提高网络的抗噪声及多目标背景下的检测性能,训练的样本向量选取理想样本结合含噪声样本混合模式。此外,在将接收到的回波信号送入网络前,使其通过改进的自适应滤波器,以提高输入的信噪比。实验表明,对127位M码调相的不加噪声单目标回波,该算法能够使脉压输出的主旁瓣比达到60dB以上,并且在多目标及噪声环境下具有较好的性能。     

一种基于集成BP网络的手写汉字识别方法

针对脱机手写体汉字识别，文章给出了一种基于多层BP网络的并行集成方法，该方法是纯神经网络的多分类器并行集成方案。汉字经预处理后，采用弹性网格变换和Zernike矩分别对汉字进行局部和全局特征提取，利用两个BP网络分类器对这两种特征进行训练和初分类。再利用集成网络对前两个子网络的识别结果进行识别。同时对BP网络的应用做了有益的探索，也为BP网络在人类别分类问题中的应用提供了一条可行的途径。实验结果验证了此方法的有效性。     

基于PCA和BP神经网络算法的车牌字符识别

文章采用了双重PCA算法链接BP神经网络的方法对车牌字符进行识别.先由主成分分析法对原始样本数据进行分类,然后由BP神经网络法对拒识样本进行识别.研究结果表明,与传统的单一识别方法相比,提高了识别正确率,减少了训练时间.     

Wavelet Neural Network for Handwritten Manchu Character Unit Recognition

The Manchu character recognition method based on Manchu character unit is an efficient method. In this method, the recognition accuracy rate of Manchu character unit has great influence on the final recognition result. As new approach to solve this problem,a hybrid wavelet neural network scheme has been developed as an assistant method combine with the original combo - distance method. Due to the properties of the wavelet neural network,the training problem can be transformed into a convex optimization process,therefore the global minimum can be obtained and the learning speed is increases. Both the learning samples set and testing samples set are used, experimental results demonstrate the combine method based on the wavelet neural network is more efficient than the single combo - distance method.     

改进BP神经网络在物体识别中的应用

针对传统BP神经网络容易陷入局部极小、收敛速度慢和确定隐含层的神经元个数比较困难等缺点,从结构和算法两方面对BP神经网络进行改进。改进后的网络具有较快的收敛速度和较短的运行时间,加强了BP神经网络的学习能力和自适应能力,并将其应用于物体的分类识别,取得了良好的效果。仿真结果表明了此改进方法的可行性和有效性。     

改进的BP网络算法在图像识别中的应用

采用增加动量因子和自适应学习速率相结合的方法,对BP神经网络算法进行改进,利用改进的BP网络算法,可以有效地抑制网络陷入局部极小值,提高网络训练速度。实验验证表明,改进的算法对图像识别的准确率较高。     

改进BP神经网络在手写数字识别中的性能研究

BP神经网络有网络结构本身的改进，基于传统梯度下降算法的改进和基于数值优化算法的改进三个主要方面。针对经过大量预处理后的较规范手写体数字样本，提取一种13维的结构特征向量，采用多种改进方式进行训练和识别测试以比较不同算法的性能。     

基于CCD和神经网络的LCD数显字符采集与识别

利用CCD对LCD数码显示字符进行采集,在分析图像处理和神经网络理论的基础上,采用网格法与交线特征提取法,对LCD数显字符进行识别,为具有LCD数显而与计算机无标准通信接口的仪器仪表设备提供一种实用的无线接口.实验表明,系统对LCD数显字符采集方便,识别率高,并且抗干扰能力强.     

一种基于不变矩和BP网络的目标识别方法

为了有效地提高旋转、尺度变化目标的识别率,首先提取目标图像的不变矩,以此作为目标识别的特征向量,然后利用将附加动量项与自适应学习速率相结合的改进BP算法实现对目标的分类识别.字符图像仿真实验表明,这种针对旋转、尺度变化目标的识别方法是有效的,可行的.     

基于多级神经网络结构的手写体汉字识别

本文提出了一种用于手写体汉字识别的多级神经网络结构（Ｍｕｌｔｉ－ｓｔａｇｅＮｅｕｒａｌＮｅｔｗｏｒｋＡｒｃｈｉｔｅｃｔｕｒｅ，ＭＮＮＡ）模型。在该模型中，我们将多个神经网络和不同的特征提取方法有机地集成在一起而构成一个完整的模式识别系统。我们讨论了设计ＭＮＮＡ的一般原理，并提出了一个基于多层前馈神经网络的三级结构的手写体汉字识别实验系统。三种不同的特征提取方法被应用于各级子系统之中。对１００个汉字１５０００个样本的实验我们得到了９９．３４％的识别率，０．３６％的拒识率和０．３％的误识率，表明该模型是十分可行和有效的