基于改进BP网络在车牌字符识别中的应用

本文研究针对传统神经网络在字符识别存在识别准确率低、效率低的问题,提出了一种基于误差反向传播的人工神经网络算法（BP神经网络算法）。该算法首先对字符图像进行归一化处理,然后对字符进行特征提取,采用PCA主成分分析对Gabort提取的特征进行降维处理,将提取字符特征输入到BP神经网络进行学习和识别,并采用动量因子和自适应学习速率对BP神经网络进行改进,加快其收敛速度,从而提高识别的实时性。     

基于聚类分析的车牌字符识别方法与应用

在车牌字符识别的实际应用中,只采用改进的BP神经网络算法不能彻底改变其固有的算法缺陷.因此,重点阐述采用聚类分析与神经网络的方法分别对车牌中汉字和英文字母及阿拉伯数字进行识别,以加快车牌的识别速度,以适应高速公路收费系统即时、准确的要求.实验结果表明,对数字与字母的识别率为97.0%,对汉字的识别'率为90.1%,识别时间小于3s,既兼顾了BP神经网络识别的稳定性,又考虑到高速公路收费的实时性需要.     

基于人工神经网络的光谱反射率重建

目的研究基于BP神经网络法和FNN神经网络法重构图像光谱反射率的精度。方法以SG标准色卡作为训练样本,分别使用BP和FNN神经网络法,对测试样本DC标准色卡的光谱反射率进行预测,并利用CIEL*a*b*色差公式、均方根误差(ERMS)和光谱匹配精度(GFC)对结果进行评价。结果 BP和FNN神经网络重构的光谱反射率平均色差(ΔEab)分别为2.997和3.071,平均均方根误差(ERMS)分别为0.056和0.049,平均光谱匹配精度(GFC)分别为0.987和0.991。结论 2种神经网络方法重构的光谱反射率具有相当优越的色度和光谱精度。相比于FNN神经网络,BP神经网络更加适合于光谱图像的获取领域。     

采用BP神经网络的车牌字符识别方法研究

将BP神经网络应用于汽车车牌的自动识别，在简述车牌预处理的基础上，重点讨论了用BP神经网络方法对车牌照字符的识别，用MATLAB完成了对车牌照数字识别的模拟，最后给出实验结果：     

字符识别系统综述

字符自动识别系统是智能管理系统中的关键技术。本文总结了目前字符识别系统的发展现状和存在的问题,分别从车牌字符识别、纸币识别这两个字符识别系统的方法,以不同的理论角度对近年来国内外出现的字符自动识别系统方法进行了综述。最后对字符识别系统进行了总结并提出今后一些研究方向。     

基于BP神经网络的字符图像识别方法

字符图像识别是数字图像处理技术中的重要应用,本文研究了一种基于BP神经网络的字符图像识别方法。首先对图像进行预处理,包括临域法去杂及灰度、二值化处理;然后采用垂直投影法进行图像分割,对字符进行网格及交点特征的提取;最后利用经过训练的BP神经网络进行字符识别。     

基于OpenCV的香烟圆周检测

针对香烟烟条生产中烟条移动速度快,非接触式测量的特点,本文提出了基于开源视觉库Open CV的香烟圆周在线检测系统,并对香烟检测系统的精确性和实用性进行了探究。设计了一种利用工业相机采集烟条图像视频信息,以Visual Studio 2013为软件开发平台,基于Open CV图像处理功能的香烟圆周在线检测系统。本文介绍了该系统的基本结构、工作原理、工作过程等,并通过工程实践验证检测系统的实用性和精确性。     

基于OpenCV和Adaboost算法的人脸检测

通过OpenCV软件,选取扩展的Harr-like特征,实现人脸检测分类器的训练,并最终通过实验深入分析不同分类器训练样本库大小对实验结果的直接影响,通过比较给出一个较合适的通用分类器样本库大小。     

基于OpenCV的车牌检测

为了获取车牌图片,提出了一种基于开源计算机视觉库OpenCV的车牌检测方法。车牌提取过程为导人原图、二值化处理、边缘提取、去噪处理、有兴趣城提取、有兴趣区域替换等过程,通过OpenCV的引入,很好的提取出了车牌的图像,简化了程序,节省了处理的时间。     

基于人工神经网络的振动削波数据恢复

数据削波是工程测试中经常遇到的问题,基于人工神经网络方法,利用被测数据中的正确信息,通过建模、函数逼近等处理,对削波数据进行恢复。实际处理分析表明,方法能够较好地恢复被削波信息。     

基于BP网络的人脸朝向识别模型

本文基于BP神经网络建立数学模型解决人脸朝向识别这一重要问题。通过对图片压缩、标准化处理等步骤,建立了一个全新的BP神经网络。并用MATLAB对50张图片进行了实验,实验结果表明,该方法识别准确率高、识别过程速度快。最后,我们就训练样本数目的确定与更有效识别方法的探索两个方面对模型提出了改进。     

Recognition of a Life Distribution Based on a Neural Network

In general, we describe three different methods to select an appropriate distribution form:histogram, probability plots, and hypothesis test. The life distribution is recognized by a neural network method. The relationship among life distribution with life data is described through threshold and weight of neural networks. The method is convenient to use. An example is presented to validate this method, and the results are satisfactory.     

Ground Nephogram Recognition Algorithm Based on Selective Neural Network Ensemble

In view of the low accuracy of traditional ground nephogram recognition model, the authors put forward a k-means algorithm-acquired neural network ensemble method, which takes BP neural network ensemble model as the basis, uses k-means algorithm to choose the individual neural networks with partial diversities for integration, and builds the cloud form classification model. Through simulation experiments on ground nephogram samples, the results show that the algorithm proposed in the article can effectively improve the Classification accuracy of ground nephogram recognition in comparison with applying single BP neural network and traditional BP AdaBoost ensemble algorithm on classification of ground nephogram.     

Convolutional Neural Network Based Intelligent Handwritten Document Recognition

This paper presents a handwritten document recognition system based on the convolutional neural network technique. In today’s world, handwritten document recognition is rapidly attaining the attention of researchers due to its promising behavior as assisting technology for visually impaired users. This technology is also helpful for the automatic data entry system. In the proposed system prepared a dataset of English language handwritten character images. The proposed system has been trained for the large set of sample data and tested on the sample images of user-defined handwritten documents. In this research, multiple experiments get very worthy recognition results. The proposed system will first perform image pre-processing stages to prepare data for training using a convolutional neural network. After this processing, the input document is segmented using line, word and character segmentation. The proposed system get the accuracy during the character segmentation up to 86%. Then these segmented characters are sent to a convolutional neural network for their recognition. The recognition and segmentation technique proposed in this paper is providing the most acceptable accurate results on a given dataset. The proposed work approaches to the accuracy of the result during convolutional neural network training up to 93%, and for validation that accuracy slightly decreases with 90.42%.     

基于神经网络的塑料打包带高光谱模式识别

目的 建立一种快速、准确、无损的塑料打包带的检验及分类方法。方法 利用高光谱在波长为350～990 nm的条件下采集52个不同来源的塑料打包带样品的高光谱数据,并对样品进行Savitzky-Golay平滑处理,同时结合主成分分析对样品进行降维。将提取到的主成分进行K-Means聚类,以聚类结果为依据建立径向基函数神经网络（RBFNN）与BP神经网络模型（BPNN）。结果 打包带样品的高光谱谱图在400～500 nm、600～700 nm处有较大区别。实验共提取了5个初始特征值大于1的主成分,可以解释96.633%的原始数据。通过K-means聚类将塑料打包带样品分为6类,Calinski-Harabasz指数为28.76,RBFNN分类准确率为86.7%;BPNN分类准确率为98.1%,BPNN的分类效果更好。结论 研究表明神经网络在高光谱谱图分类处理上具有较高的准确度,同时也验证了高光谱在区分检验塑料打包带类物证的可行性与科学性,为公安机关提供了一种新的检验方法。     

基于深度神经网络的货架商品识别方法

目的为快速统计货架商品信息,提出一种基于深度神经网络的货架商品自动识别方法。方法摄像头采集的货架商品图像经过深度神经网络算法处理,得到了图像中商品的SKU和位置。针对货架商品识别这种密集检测场景,文中方法改进了通用深度神经网络目标检测算法,将算法分为检测和分类2个阶段且重新设计了部分网络结构。最后,将文中方法和传统货架商品识别方法以及通用深度神经网络目标检测方法进行了比较。结果实验证明该方法的检测阶段的模型平均正确率达到96.5%,分类阶段的分类准确率达到99.9%。整图测试的查准率为97.56%,查全率为99.26%。结论相较于以往使用传统的目标检测模型进行货架商品识别以及使用SIFT等人工算子提取特征并分类识别商品具体SKU,文中方法的商品检出率和分类准确率都有了大幅度的提升,具有很好的应用潜力。     

基于BP网络星图识别的样本构造方法

星敏感器是一种高精度的姿态敏感测量系统，如何确定星敏感器上像点在摄影时刻所对应的恒星，即星图识别，是姿态测量的关键。本文根据星图识别问题本身的特点和神经网络技术的特性，提出了基于BP网络星图识别方法的一种可以兼顾性能和效率、利于实现的样本构造方法。     

气淮两相流流型BP网络识别

解决气液两相流流型的客观、自动识别一直是工业界和学术界所关注的问题。本以U型科垂直上升段内空气水两相流为例,采用压力、压差波动的不同特征参数的组合,深入研究了对流型自适应BP网络识别的准确率的影响,获得了能够满足工种精度要求的参数波动特征组合方式,本的结果表明,该方法需要建立大量的流型特征的数据库,适用于流型的离线识别。     

基于BP神经网络的企业标准化综合评价方法研究

神经网络作为解决当前大多数非线性科学和计算智能领域问题的主要工具,对解决一些定性问题定量处理发挥了重要的作用.标准化是介于社会科学和自然科学之间的一门复杂性科学,其具有非线性的典型特点,对一些指标进行量化就显得尤为困难,目前对一些单位和项目进行标准化评价,主要采用的方法是专家打分法,对相关的管理工作带来了一定的不便.本文借助于神经网络在处理非线性问题中的优势,通过标准化工作综合评价指标体系,建立了三层BP神经网络模型,并给出了相关的算法,从性能分析可以发现,该方法对于标准化工作的综合评价具有一定的先进性,对后续提升标准化工作的科学性具有一定的参考意义.     

基于GA-BP神经网络的结构损伤位置识别

针对传统BP神经网络训练中存在的一些问题，提出了一种基于遗传算法(GA)-BP神经网络混合技术识别结构损伤位置的方法。该方法利用基因实数编码的遗传算法优化BP网络的结构及初始参数，从而大大提高了神经网络的训练精度。运用GA-BP网络与传统BP网络技术分别对两个算例进行了结构损伤定位的识别仿真，结果表明遗传BP稳定性好，精度高，对噪声有很好的鲁棒性，便于工程应用。