一种基于分级RBF网络的车牌字符识别方法

提出了一种基于分级RBF神经网络的车牌字符识别方法,采用两级RBF神经网络结构,由一级网络识别后,根据识别结果和置信度,建立识别分布图,进行二级网络设计,确定了12个二级子网。RBF网络中自动确定隐层神经元数,无需实验调整。用大量样本对系统进行测试,车牌整体识别率达到了85.4%,通过对比性研究,验证了该方法的有效性和先进性。     

卷积神经网络在车辆识别中的应用

针对现有车辆识别方法计算量大,提取特征复杂等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的车辆识别方法。构建卷积神经网络模型,分别使用不同的卷积核、网络层数、特征图数对网络进行训练;通过100次迭代的学习结果得到最优模型,提取隐含层所有特征,并结合支持向量机进行识别;系统分析了不同参数对测试正确率和样本均方误差的影响。实验结果显示,CNN+SVM在车辆识别中的准确率明显优于传统CNN、PCA+SVM、HOG+SVM、Wavelet+SVM,正确率为97.00%,分析了样本识别错误的原因以及今后需要改进的地方,为以后的研究指明了方向。     

基于分级网络的车牌字符识别算法*

提出了一种基于分级径向基神经网络的车牌字符识别算法,采用两级径向基神经网络结构,由一级网络识别后,通过对识别结果和置信度进行分析,确定了12个二级子网;采用动态误差分割算法进行网络训练,通过大量实验研究,车牌整体识别率达到了86.58%,平均识别时间为181ms,对比性研究验证了该方法的有效性。     

基于强分类器的神经网络三维目标识别

在使用神经网络识别三维目标时,样本之间可能存在较大差异,会给准确识别带来困难;针对这一问题,提出了一种基于强分类器的三维目标识别方法;该方法首先对预处理后的图像求不变矩,并将这些不变矩作为训练和识别的样本;然后选择任意一种神经网络作为弱分类器进行训练,将首次训练的样本权值设为平均值,之后根据每次训练情况调整下层弱分类器样本的权值,之后将每次训练得到的分类器融合起来,作为最终的决策分类器;实验结果表明,在隐含层20个神经元的3层BP网络中,该方法的识别正确率比单个神经网络的平均识别正确率高2.42%。     

中文日期词的分割与识别

非限定性手写汉字串的分割与识别是当前字符识别领域中的一个难点问题.针对手写日期的特点,提出了整词识别和定长汉字串分割识别相结合的组合识别方法.整词识别将字符串作为一个整体进行识别,无需复杂的字符串分割过程.在定长汉字串分割过程中,首先通过识别来预测汉字串的长度,然后通过投影和轮廓分析确定候选分割线,最后通过识别选取最优分割路径.这两种分割识别方法通过规则进行组合,大大提高了系统的性能.在真实票据图像上的实验表明了该方法的有效性,分割识别正确率达到了93.3%.     

一种复杂模式识别问题的求解方法

针对复杂的模式识别问题,提出了一种用串－并行混合结构的多种神经网络模型进行求解的方法。首先用ART网络对训练集中的样本进行粗分类,以减小训练集的样本规模,然后用多个BP网络并行地对小训练集进行训练。用于汉字识别问题,取得了很好的效果。     

中医脉象的BP神经网络分类方法研究

为了实现中医脉象的客观、准确分类,文章提出了一种基于BP神经网络的脉象识别方法。考察了隐层节点数对网络收敛速度、识别正确率的影响以及学习率对收敛速度的影响,改进了网络训练算法。并选取了较好的学习率参数对脉象信号进行了网络训练,获得了满意的网络收敛误差和识别精度。最后用大量临床脉象样本对网络和算法进行了检验,实验结果表明该方法能够实现对中医常见脉象的准确、快速分类。     

复杂环境中的车牌字母和数字识别研究

当前车牌识别的研究大都是针对正常环境进行的,对于复杂环境下的车牌难以达到识别要求。本文提出一种用BP神经网络构造并行神经网络的车牌字母和数字识别方法,利用PVM网络在虚拟并行平台上实现了并行神经网络,最后对复杂现场环境下获取的车牌进行了实验。实验结果证明,该算法具有良好的性能,能在28ms内实时准确的识别车牌字母和数字。     

基于支持向量机的汽车胎号识别算法研究

为了提高汽车轮胎号自动识别的正确率,提出一种利用支持向量机的汽车胎号识别算法。首先采用图像采集设备获得胎号图像,并进行预处理,然后提取字符的特征向量,采用主成分分析对特征向量进行降维处理,最后采用支持向量机进行字符识别,同时利用遗传算法优化支持向量机的参数。仿真结果表明,采用支持向量机的汽车胎号识率达到97.52%,误识率和拒识率极低,很够很好满足汽车胎号识别要求。     

基于概率神经网络的中医脉象识别方法研究

中医脉象客观化研究的关键在于对各种脉象进行客观检测和正确识别。在长期对中医脉象进行临床检测、采集和分析的基础上,针对中医脉象模糊性强、种类繁多、特征复杂的特点,以及传统识别方法和BP神经网络识别方法的不足,提出了一种基于概率神经网络（Probabilistic Neural Network,简称PNN）的中医脉象识别方法;运用所建立的PNN脉象识别模型对中医常见的12种脉象进行了识别和检验,识别正确率平均达93％（而传统模糊聚类方法的为75％,BP神经网络方法的为87.1％）。最后对PNN方法和BP神经网络方法的识别性能做了对比实验,发现在强噪声干扰下PNN方法对脉象的识别正确率远高于BP神经网络方法。     

基于神经网络的快速核子空间人脸识别算法研究

针对现有核子空间人脸识别算法计算量大且速度缓慢的现状,提出了一种基于神经网络的快速核子空间人脸识别算法模型,利用神经网络的隐含层神经元将核特征子空间的基表示进行约减,从而大幅提高了识别速度。进而基于KPCA和KFDA两种核子空间人脸识别算法,建立了神经网络逼近模型,并基于ORL、UMIST和YALE 3种人脸数据库进行了实证分析。实验结果表明,当隐含层神经元个数设置为训练样本总数一半或更少时,基于神经网络的快速核子空间算法能够取得相近甚至相当于核子空间算法的识别率。从而在满足一定识别正确率的条件下,能将识别时间缩短到50%甚至更低。     

Neural Network Recognition of Hand-printed Characters

Character recognition systems can contribute tremendously to the advancement of the automation process, and can improve the interaction between man and machine in many applications, including office automation, cheque verification and a large variety of banking, business and data entry applications.The main theme of this paper is the automatic recognition of hand-printed Latin characters using artificial neural networks in combination with conventional techniques. This approach has a number of advantages: it combines rule-based (structural) approach for feature extraction and non-linea classification tests for recognition; it is more efficient for large and complex data sets; feature extraction is inexpensive and execution time is independent of handwriting style and size. The technique can be divided into three major steps: The first step is pre-processing in which the original image is transformed into a binary image utilising a 300 dpi scanner and then thinned using a parallel thinning algorithm. Second, the image-skeleton is traced from left to right in order to build a binary tree. Some primitives, such as Straight lines, Curves and Loops, are extracted from the binary tree. Finally, a three layer artificial neural network is used for character classification. The system was tested on a sample of handwritten characters from several individuals whose writing ranged from acceptable to poor in quality and the correct average recognition rate obtained using cross-validation was 86%.     

大规模逻辑神经网络印刷体汉字识别系统

逻辑神经网络是一种采用快速学习算法、ＲＡＭ阵列实现的数字网络。本文描述了采用这种网络模型实现的印刷体汉字识别系统。这是一个初步实用的系统，可识别大约４０００个不同字号的宋体汉字及其它字符，其识别率为９９％，对于实际书刊，识别率也能达到９５％。系统使用了大约３８４，０００个神经节点，是一个复杂的大规模神经网络。和其它同类系统相比，具有适应性、稳固性好，学习速度快以及可用数字集成电路全硬件并行实现等优     

五种人民币序列号识别算法抗噪能力比较

为了比较不同的人工神经网络算法识别人民币序列号的性能,研究了离散Hopfield神经网络、BP神经网络、PNN神经网络、GRNN神经网络、SVM神经网络等五种算法的训练耗时、识别速度、识别率和抗噪声能力. 研究结果表明,在五种算法中BP算法的综合表现最差,其次为SVM和Hopfield算法,而PNN和GRNN算法表现最好,不仅识别率最高、训练和识别时间最短,而且具有较强的抗噪声能力.     

基于深度卷积自编码神经网络的手写数字识别研究

针对提高不同笔体下的手写识别准确率进行了研究,将深度卷积神经网络与自动编码器相结合,设计卷积自编码器网络层数,形成深度卷积自编码神经网络。首先采用双线性插值方法分别对MNIST数据集与一万幅自制中国大学生手写数字图片进行图像预处理,然后先使用单一MNIST数据集对深度卷积自编码神经网络进行训练与测试;最后使用MNIST与自制数据集中5 000幅混合,再次训练该网络,对另外5 000幅进行测试。实验数据表明,所提深度卷积自编码神经网络在MNIST测试集正确率达到99.37%,有效提高了准确率;且5 000幅自制数据集模型测试正确率达99.33%,表明该算法实用性较强,在不同笔体数字上得到了较高的识别准确率,模型准确有效。     

Small-vocabulary speech recognition using surface electromyography

We present results of electromyographic (EMG) speech recognition on a small vocabulary of 15 English words. EMG speech recognition holds promise for mitigating the effects of high acoustic noise on speech intelligibility in communication systems, including those used by first responders (a focus of this work). We collected 150 examples per word of single-channel EMG data from a male subject, speaking normally while wearing a firefighter’s self-contained breathing apparatus. The signal processing consisted of an activity detector, a feature extractor, and a neural network classifier. Testing produced an overall average correct classification rate on the 15 words of 74% with a 95% confidence interval of (71%, 77%). Once trained, the subject used a classifier as part of a real-time system to communicate to a cellular phone and to control a robotic device. These tasks were performed under an ambient noise level of approximately 95 decibels. We also describe ongoing work on phoneme-level EMG speech recognition.     

深度学习在农作物图像识别中的应用研究

深度学习在语音识别、视觉识别以及其他领域都引起了很多研究者越来越多的关注.在图像处理领域,采用深度学习方法可以获得较高的识别率.本文以玻尔兹曼机和卷积神经网络作为深度学习的研究模型应用于农业方面,从病虫破坏农作物图像识别的角度,结合上述研究模型,并分别结合不同应用场景对模型进行改进.针对病虫破坏农作物的图像识别采用玻尔...     

基于特征的BP神经网络人民币号码识别系统

介绍了一种简单、准确、快速的人民币号码识别系统。采集到的人民币号码图像经过预处理、特征提取和神经网络训练识别几个过程识别出号码串。特征提取采用的是水平方向5行逐像素特征提取法,该方法的优点是提取相对较少的特征点即可反映丰富的信息量。实验结果表明,提出的特征提取方法可以使BP神经网络很快收敛,训练效果也较好,该识别系统能高效准确地提取出人民币号码串,识别率达到95%以上,平均识别时间为35 ms,适应性也较强。     

基于多维特征及BP网络的高分辨雷达目标识别

高分辨雷达目标的识别性能取决于目标特征的提取以及分类器的设计。为解决雷达高分辨距离像（HRRP）的方位、平移和幅度敏感性问题,采用了序贯预处理方法,有效提高了HRRP的信噪比。通过提取能较好反映雷达目标散射点回波特性的多维特征向量,设计BP神经网络作为分类器,提出了一种基于目标多维特征向量以及BP神经网络的高分辨雷达目标识别方法。利用在微波暗室测量获得的三种国产飞机模型回波数据进行目标识别处理,实验结果表明,提出的方法能有效地完成三种目标识别任务,在虚警率低于3%的情况下正确识别率优于95%。