基于BP人工神经网络的手写体数字识别

手写体数字识别是模式识别研究领域多年来的热点,BP人工神经网络是目前应用最广泛的神经网络模型之一。将两者融合并结合Matlab软件,提出了一种简单的基于BP神经网络数字识别的方法,仿真实验结果表明,该方法识别效果良好,准确率高,有一定实用性。     

基于BP神经网络的手写体数字识别

手写体数字识别是多年来的研究热点,也是字符识别中的一个特别问题。由于手写体数字字体变化很大,传统的识别方法很难达到高的识别率。针对传统的数字识别方法的复杂性和局限性,提出了一种基于BP神经网络的手写体数字的识别方法。该方法在提取手写体数字点特征、笔划密度特征基础上,利用改进的BP神经网络进行训练识别。经实验,识别率达94％。实验结果表明,该方法对手写体数字识别效果良好,不仅简化了传统识别的繁杂性,而且提高了识别的准确性。     

基于改进BP神经网络的手写体数字识别

数字识别在许多领域有广泛的应用。通过对人工神经网络的研究与学习,运用改进的BP神经网络对无约束手写体数字识别过程中的数字样本进行识别。实验证明,该方法具有很强的抗干扰性,克服了传统BP算法的局限性,其识别率和准确率都有很大提高。     

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。     

基于BP神经网络的手写数字识别的算法

由于BP神经网络具有并行处理信息、自组织、自学习信息等优点,本文采用了BP神经网络对手写数字识别进行运算,提取笔画密度、长宽比和欧拉数等特征作为训练样本.并用Matlab对其算法进行仿真,并且很准确的识别出来,说明其有非常广泛的前景.     

基于BP神经网络的多样本手写体字符识别

手写体字符识别是人机交互领域的一个重要内容,本文基于BP神经网络实现了任意数量字符模版的多字符手写体字符识别。分为以下几步,第一,首先对目标图像进行识别前预处理。包括灰度图像二值化、图像孤立像素滤波、图像膨胀、腐蚀、按字母最小行分割、按字母最小列分割、图像紧缩、归一化等;第二,用处理好的多个样本进行BP神经网络训练。包括BP网络参数的选择、目标结果构建、输入到结果的映射即用样本库进行神经网络学习机的训练;第三,待测字母的识别。包括对图像预处理、字符提取、归一化和送入已训练好的BP网络进行识别。该系统最终实现了95%以上的手写字符识别正确率,有一定的借鉴意义。     

基于遗传BP算法的手写体识别

神经网络具有模拟人类的大脑活动、良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力.本文阐述了BP神经网络基本原理以及BP网络手写体识别模型,研究分析了BP神经网络手写体识别模型的缺陷并提出了优化策略.在此基础上,提出一种基于改进结构的BP神经网络来实现手写体数字识别方案,除了改进BP网的结构外,还对网络学习算法进行了改进,采用了BP和GA相结合的算法,提高了网络的学习训练速度和识别效果.     

基于模版对比的手写体数字识别神经网络模型

针对现有手写体数字识别神经网络模型的不足,提出基于模版对比的改进方法。建立8×12像素的手写体数字0～9的标准模版,则模版中每个数字与其他数字之间存在一定的像素差异,以此作为标准模版差异值。由于书写存在不确定性,采用在一定范围内随机增大或减小标准模版差异值的方法来构建神经网络模型的训练样本、检验样本与测试样本。在遵循建模基本原则和步骤的情况下,建立了泛化能力较好的手写体数字识别的神经网络模型。实验表明：该方法建模便捷、实用性好,测试样本的正确识别率达99.6%以上。     

基于BP神经网络的手写数字识别算法研究

讨论了一个手写数字识别系统的原理及其实现。特征提取的方法是:计算字体轮廓的曲率特征,并在计算曲率的过程中使用了B样条函数;对曲率进行了大小和平移规整化,这样得到的曲率具有大小和方向的不变性。为了得到更紧凑的特征,采用了小波对其进行降维。采用了BP神经网络作为分类器,实验结果表明,对于字形相似的数字也达到了较高的识别率。还简介了识别系统的模块设计和界面设计。     

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。     

多尺度特征和神经网络相融合的手写体数字识别

针对传统特征提取方法无法有效解决书写随意性的干扰问题,提出了一种多尺度特征和神经网络相融合的手写体数字识别方法。首先提取手写体数字二值图像的轮廓、笔画次序等结构特征,并旋转坐标轴,提取多角度结构特征;然后将字符从中心点到外边框划分为K层矩形子层,提取每层图像的灰度特征,最后以两种多尺度特征构建神经网络模型,并预测测试集合样本。将该算法实际用于以MNIST字体库构建的两个数据集识别,其精度高达99.8%,并能有效降低倾斜等手写字体的随意性影响。     

基于Sugeno模糊积分神经网络分类器融合方法在手写数字识别中的应用

神经网络是模式识别中一种常见的分类器.针对同一个分类问题,构建多个分类器并把多个分类器进行融合可以提高分类系统的分类正确率、改善系统的稳健性.首先介绍了Sugeno模糊积分及Sugeno模糊积分神经网络分类器融合方法的一般原理,而后将其应用于手写数字识别,通过实际的案例验证了该融合方法的有效性和可行性.     

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。     

基于改进的MDF特征的手写体数字识别

方向特征是目前手写体识别中最常用和有效的特征之一.为了减少方向值提取过程中带来的误差,对改进的方向特征(MDF)提出了进一步的改进(MMDF),在方向值提取过程中对方向突变条件进行调整,同时引入半方向归一化线段方向并用二维数组来表示方向值.实验证明采用BP神经网络分类器对手写数字进行识别,与MDF相比,MMDF能同时降低拒识率和提高识别精度.