手写数字识别的原理及应用

随着信息技术的发展,信息建设在我国得到了迅猛的发展,手写数字识别的应用需求越来越广泛.文章从概念、研究背景、研究意义等方面介绍了手写数字识别的原理及实现方法,并介绍了手写数字识别的几个典型应用.     

手写液晶体数字及识别技术

对手写数字的识别是模式识别的一个重要研究方向。通常的手写数字风格多变,无法实现高精度的识别。为此,提出一种新颖的手写数字记录方式,称为“手写液晶体数字”,进而为其设计了一种专门的识别算法。通过多个采样窗口提取图像特征,并与各类数字的标准特征向量进行相似度计算;基于贝叶斯判决原理,依据最大后验概率完成分类;建立专门的数据集并进行测评。实验结果表明,新算法具有极高的识别率,而且识别速度很快。     

基于svm手写数字识别系统设计

摘要:手写数字识别的模拟仿真系统是基于支持向量机分类方法,用sklearn自带的数据集进行训练获得svm分类模型,在Windows平台上配置使用MangoDb数据库,配置IIS解析.py文件,仿真结果表明本系统能流畅识别手写数字,达到预计目的。     

混合深度学习模型C-RF及其在手写数字识别中的应用

卷积神经网络（Convolutional neural network,CNN）是一种常见的深度学习模型,受人类视觉认知机制启发而来,能够从原始图像得到有效的特征表达。CNN模型在图像识别领域不断取得突破,但是在训练过程中需要花费大量时间。随机森林（Random forest,RF）在分类和回归上具有很高的精度,训练速度快并且不容易出现过拟合的问题,现有的基于RF的分类器都依赖手工选取的特征。针对以上问题,本文提出了基于CNN的C-RF模型,把CNN提取到的特征输入RF中进行分类。由于随机权值网络同样可以得到有效的结果,所以不用梯度算法调整网络参数,以免消耗大量时间。最后在MNIST数据集和Rotated MNIST数据集上进行了实验,结果表明C-RF模型的分类精度比RF有了较大的提高,同时泛化能力也有所提升。     

小波神经网络在手写数字识别中研究与应用

针对手写数字识别的特点,讨论了数字识别预处理的方法,包括二值化、倾斜矫正、细化和归一化。利用小波函数代替传统神经网络中的激活函数,构建了用于数字识别,小波神经网络系统。仿真结果显示,新系统大大提高了网络训练速度,数字识别的正确率也明显提高。     

基于视频的手写数字识别

随着计算机技术的不断发展,视频跟踪技术越来越成为计算机领域中研究的热点。视频跟踪技术的研究涉及范围很多,包括视频图像处理、模式识别以及人工智能等,具有较强的研究价值。手势检测识别技术作为一种基于计算机视觉的新型人机交互方式,是其中备受瞩目的研究和应用技术之一。文章采用一种简单高效的颜色直方图对目标(红色手指)进行主色定位,并在图像序列中进行目标区域提取,得到运动轨迹,进行手写数字识别。最后利用八段视频验证了该方法的简单高效,并能成功进行实时跟踪与识别。     

基于KNN算法的手写数字识别技术研究

KNN遗传算法在手写数字识别技术中的应用,对图像、字符等进行识别计算处理,提高了手写数字识别技术的应用性.从手写数字识别技术计算流程、图像处理、数据处理方面,对KNN算法在手写数字识别技术中的应用进行了研究,在KNN算法的基础之上,提出了 Python库调用设计方案,并对Classify()函数和img2vector函数的程序设计代码进行了设计研究.     

基于随机森林的手写数字识别技术

数字识别是OCR(光学字符识别)技术的一个重要分支,是模式识别中的热门研究方向.为了扩展数字识别技术应用领域,提高手写数字识别的精度,应用随机森林的方法对于MNIST手写体数据集训练集进行了训练,然后对测试集进行了结果测试,识别率达到96.8％以上,实验结果证实了基于随机森林的识别技术可进一步提高数字识别的精度.     

粗糙几何及其在脱机手写数字识别中的应用

粗糙几何学将粗糙集理论应用于几何学之中,利用图形的上近似变换,在更粗糙的粒度上构造并分析几何图形.本文着重介绍了粗糙几何学的研究动机和理论基础,同时将其应用于脱机手写数字识别,并对粗糙几何未来的研究方向进行了展望.     

一种基于纹理识别的手写数字识别方法

提出了一种新的手写数字识别方法,通过将一幅规范化手写数字图像做任意旋转和简单排列,形成纹理图像,将手写数字识别问题转换为纹理识别问题。然后提取纹理图像在不同方法的主频中心作为特征向量,用最小距离分类器进行分类。实验表明,该方法不仅具有高的识别率和低的特征维数,而且具有旋转、伸缩和平移不变性。     

基于神经网络及多层次信息融合的手写体数字识别

以信息融合技术为基础，提出了一种新的基于神经网络及多层次信息融合的手写体数字识别方法。该方法通过提取字符图像不同机制的4个互补特征，组合形成6个融合特征，利用优化的BP神经网络算法，对多融合特征进行识别分类，然后用神经网络对6个识别结果进行融合决策．实验结果表明，新的融合识别方法能有效提高识别率，并具有较高的系统可靠性。     

灵敏度正则化极限学习机及其在数字识别中的应用

针对正则化极限学习机（RELM）中隐节点数影响分类准确性问题,提出一种灵敏度正则化极限学习机（SRELM）算法.首先根据隐含层激活函数的输出及其相对应的输出层权重系数,推导实际值与隐节点输出值残差相对于隐节点的灵敏度计算公式,然后根据不同隐节点的灵敏度进行排序,利用优化样本的分类准确率删减次要隐节点,从而有效提高SRELM的分类准确率.MNIST手写体数字库实验结果表明,相比于传统的SVM和RELM, SRELM方法的耗时与RELM相差不大,均明显低于SVM, SRELM对手写数字的识别准确率最高.     

基于Bagging的手写体数字识别系统

Bagging是一种用来提高学习算法准确度的方法,通过构造一系列预测函数并将其结果按投票规则进行合成,就可以将一个弱学习算法提升为强学习算法。本文针对UK测试量表中的手写体数字,设计并实现了一个以神经网络为弱分类器的、基于Bagging的手写体数字识别系统。与单个神经网络分类器相比,Bagging后的系统显示了更加优良的性能。     

核不相关鉴别分析以及它在字符识别中的应用

核不相关鉴别分析是在线性不相关鉴别分析的基础上发展起来的．然而,由于核函数的运用,计算核不相关矢量集变得更加复杂．为了解决这个问题,提出一种解决核不相关鉴别分析的有效算法．该算法巧妙地利用了矩阵的分解,然后在一个矩阵对上进行广义奇异值分解．与此同时,提出了几个相关的定理．最重要的是,提出的算法能克服核不相关鉴别分析中矩阵的奇异问题．在某种意义上,提出的算法拓宽了已有的算法,即从线性问题到非线性问题．最后,用手写数字字符识别实验来验证提出的算法是可行和有效的．     

用于脱机手写数字识别的隐马尔可夫模型

将隐马尔可夫模型(HMM)用于脱机手写数字识别中，系统如何建模是一个值得研究的问题．在考虑手写数字自身特点及特征抽取的基础上，对HMM模型的训练方法及模型参数的选取进行了研究，以提高系统识别率．在银行票据OCR的应用中，与基于神经网络的方法结合使用，使得整张票据的拒识率降低了3％，明显提高了银行票据OCR系统的性能．     

基于小波变换和ART网络的手写数字识别

由于小波变换能有效地提取字符的结构特征,自适应共振(ART)网络有很好的学习能力。将二者结合起来,用小波变换抽取特征、用自适应共振ART网络作模式分类器来识别手写数字。实验证明该方法有很高的识别率,能够有效地进行手写数字的分类,可以满足实际应用。     

Handwritten Digit Recognition by a Mixture of Local Principal Component Analysis

Mixture of local principal component analysis (PCA) has attracted attention due to a number of benefits over global PCA. The performance of a mixture model usually depends on the data partition and local linear fitting. In this paper, we propose a mixture model which has the properties of optimal data partition and robust local fitting. Data partition is realized by a soft competition algorithm called neural 'gas' and robust local linear fitting is approached by a nonlinear extension of PCA learning algorithm. Based on this mixture model, we describe a modular classification scheme for handwritten digit recognition, in which each module or network models the manifold of one of ten digit classes. Experiments demonstrate a very high recognition rate.     

一种改进的BP神经网络手写体数字识别方法

本文介绍了利用BP神经网络来识别手写体数字的原理,分析了传统BP算法收敛速度较慢的原因,提出了一种提高网络收敛速度的改进算法。实验数据表明,该改进算法比传统的算法在网络收敛速度上提高了九倍左右。     

集成型神经网络手写体数字识别

采用Kirsch边缘检测算子对手写体数字进行特征提取，分别得到数字的水平、垂直、左右对角线方向特征以及全局特征，然后利用5个改进的BP神经网络分类器分别对5种特征进行训练和分类，最后利用一个BP神经网络对5个子网络识别结果进行集成识别，取得了较好的实验效果。     

基于DCT和SVDD的在线手写签名认证方法

为使在线手写签名认证的使用更具实用性,提出了一种基于离散余弦变换（DCT）频域分析和支持向量数据描述（SVDD）的在线手写签名认证方法.依托自制的Android手机软件采集签名数据,采用了基于DCT频域特征分析和奇异值分解（SVD）的特征融合方法提取签名特征,根据SVDD分类器适用于有限样本、一类分类方法建模的优势,建立了基于SVDD的认证模型进行在线签名认证,并采用了网格搜索法对核函数参数进行优化选择.实验结果表明,该方法算法复杂度低,快速有效,提取的签名特征区分明显,使用少量的一类真实签名作为训练样本,取得了较好的认证识别效果.