基于AP和BP神经网络算法的手写数字识别

针对现有的手写数字识别技术不适合大规模应用的问题,提出了一种基于AP和BP神经网络的快速手写数字识别算法。首先对预处理后的样本通过AP算法(affinity propagation)聚类消除冗余,重新构造样本空间;然后构造BP(误差反向传播)神经网络模型,学习测试集合样本。采用UCI机器学习数据库中的数据进行实验,结果表明,算法的识别正确率可达96.10%,高于BP神经网络算法的识别正确率94.88%,且执行时间约为后者的10%,具有较高的实用价值。     

浅谈办公自动化系统中手写签批的实现方法

阐述了办公自动化系统中缺乏手写签批功能存在的问题,探索了办公自动化系统中公文文档和处理签批通过手写输入设备、原笔迹识别组件、办公文档处理软件、网页前端脚本等技术集成实现手写签批的解决方案。手写签批是办公自动化系统中技术创新、功能创新、用户体验创新的重要组成部分。     

基于关联规则的数据挖掘算法

在数据挖掘技术中,基于关联规则的数据挖掘算法是较为重要的一个课题,是我国信息技术领域的热门研究课题。基于此,本文从数据挖掘算法入手,对基于关联规则的数据挖掘算法进行了分析,将这一算法的原理作为基础,提出了提高数据挖掘算法概率的改进措施,意在提高数据挖掘算法的处理效果,使其应用于更多领域中。     

基于BP神经网络的数字识别

手写数字识别是人工智能技术中一个十分重要的分支,在人们日常生活中也应用得越来越频繁,例如在快递分拣、金融等有关数字识别的领域中都有较多的应用,这也使得越来越多人投入到手写数字识别技术研究中,人工神经网不仅具有非常好的容错能力、分类能力,还具有自适应和自学习等特性,备受人们的重视,基于此,本文在对神经网络介绍的基础上就神经网络在手写数字识别方面做了一些研究探讨。     

数字字符识别技术及应用

本文总结了常用的图像分割方法,特别是针对手写数字字符特点而提出的相关方法。介绍了数字字符特征提取及特征融合技术,分析了数字字符识别中多种分类器的特点,比较了它们在手写数字识别和车牌识别中的准确性。     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

基于机器学习算法的空调系统运行数据噪声识别与清洗技术研究

当前空调系统运行数据预处理方面的研究相对较少。分析了空调系统运行数据质量问题,论述了空调系统运行数据噪声识别与清洗的重要性。阐明了机器学习中K-Means聚类算法的模型实现,分析了基于K-Means聚类算法对运行数据进行数据噪声识别的方法;在噪声数据识别的基础上,构建了空调系统运行数据的数据噪声清洗技术。利用实际的空调系统数据进行算法的具体应用,以空调系统的180组实际运行数据为样本,应用K-Means聚类算法进行数据判别,识别出180组数据中存在的噪声数据,并进行了噪声数据的数据清洗,对每一步的噪声数据处理进行详细的说明。研究结果表明,基于K-Means聚类算法,可以有效识别和清洗空调系统运行数据中的异常值和噪声值,为后续的数据挖掘工作奠定良好的数据基础。     

基于结构式二进制编码的遗传算法在及其在BP网络中的应用

根据BP网络的拓扑特征,本文设计了基于结构式二进制编码的遗传算法,在该算法中,通过先将庞大的解空间进行分解处理,再将分解后的子空间视为个体进行遗传操作,能借助遗传算法的优势在全局范围内搜索到最优解所在的子空间,从而为下一步应用BP算法进行局部搜索明确了起点,缩小了范围,有效解决了BP算法易陷入局部极小,收敛速度慢甚至不收敛等问题,最后,通过字母识别试验证明了该算法的效率。     

Apriori算法在棉花病虫害分析中的应用

为了快速准确地掌握棉花虫害发生趋势,提高虫情测报的时效性和准确性,采用Apriori算法数据挖掘关联规则,对棉花上的3种害虫棉铃虫、棉叶螨、棉蚜的发生趋势进行综合分析。通过Apriori算法寻找出了气候因素与棉花三大害虫的发生发展有密切的关系,尤其气温变化直接影响到棉花害虫的发生种类、发生期及发生量。关联规则数据挖掘技术,在处理大量农业信息数据中起着非常重要的作用,Apriori算法在棉花病虫测报工作中将是一项新的技术,具有非常广泛的应用前景。     

基于机器学习算法的建筑能耗监测数据预处理技术研究

本文分析总结了建筑能耗监测大数据的特点,基于数据挖掘理论和机器学习算法,提出了建筑能耗监测大数据预处理体系与方法。阐明了基于k NN算法的缺失数据填充、基于K-Means算法的异常数据识别与清洗、基于PCA算法的多维度数据降维的原理,应用提出的数据预处理体系和方法,对实际项目的整个制冷季节35 380组数据进行了数据预处理,实现了缺失数据的填充、异常数据的识别与清洗、数据的降维,为后续的数据挖掘应用奠定数据基础。