特征融合用于手写体汉字识别研究

分析了手写汉字特征的提取方法,提取具有一定互补性的轮廓方向特征和方向距离分布特征,并进行K-L变换降维处理,用多特征合成一个区分能力更强的新特征.讨论了RBF网络分类器特性,结合特征融合方法和模块RBF神经网络结构有机地构建一个小类别手写体汉字识别系统.实验表明,该系统可行和有效.     

基于结构特征的汉字识别

提出一种基于文字结构特征的神经网络手写汉字识别策略，根据所提取的文字笔画方向、基本轮廓和交叉点等特征，采用基于自组织神经网络的模式聚类该方法完成正规手写文字的识别。该方法提取的笔画轮廓十分准确有效，对手写汉字的约束少，可识别的汉字数量大，在仿真实验中有效地识别了绝大多数手写汉字。     

往复压缩机的状态监测和故障的诊断方法

分析了用传统的时域和频域分析方法不能有效提取往复压缩机故障特征的原因，介绍了基于小波包分析与神经网络的往复压缩机故障诊断方法，探讨了包括往复压缩机振动信号的降噪、小波包分解与重构、故障特征提取、针对防止发生漏诊或误诊问题而提出的组合RBF网络及其训练方法和渐进学习能力等问题。还专门介绍了一种新的技术，它可以帮助我们确定一个适当的阈值，用于解释经过训练的RBF分类器的输出。     

一种基于参照模型的联机手写汉字识别方法

联机手写汉字的识别是模式识别的热点问题，现在所采用的多为特征匹配和结构匹配两种方法。结构匹配方法充分考虑了笔划间的连接关系，能构得到较好的识别率。结构匹配的关健在于如何有效地从输入手写汉字中提取笔划。考虑到同一个汉字的手写体会由于笔划的长短、延伸角度的不同而有所区别，但彼此仍存在极大的相似性，文章提出了一种基于参照模型的手写汉字笔划提取及匹配方法，以解决手写汉字识别问题中的难题。     

RBF神经网络在诱发脑电信号分类中的应用研究

采用RBF神经网络方法对麻醉状态下诱发脑电仿真信号进行分析,提出了一种通过基于RBF神经网络权值构造特征向量的特征提取方法,以达到提取信号特征的目的,并用BP神经网络分类器对提取的特征进行聚类,从而实现深浅麻醉状态下诱发脑电信号的分类,实验仿真结果表明了该方法的有效性．     

联机手写体汉字识别系统中汉字的输入及其特征的提取

汉字识别是模式识别领域最富挑战性、又极具应用前景的研究课题之一,而联机汉字识别是近期需求十分迫切的技术,字量大、字形复杂多变、笔顺没有一定的规范、笔划数目变动等多种因素,是联机汉字识别的主要困难。笔划相对易于提取是联机识别的优点。针对联机手写体汉字的特点,提出笔划轨迹点方向量化的方法,提取笔划和计算笔划间的连接关系,形成输入样本字的特征。     

手写体笔迹单笔划提取算法

汉字笔划提取在笔迹鉴别研究中具有重要的意义,一旦汉字笔划提取在正确率和速度上取得突破,汉字笔迹鉴别乃至汉字的识别都将产生重大的突破.本文借助图像压缩技术中的游程长度编码技术,以计算像素点的方向游程长度为基础,通过计算待拆分汉字笔划厚度的方法来定义像素点方向游程长度的阈值.利用游程长度的阈值对像素点的方向游程长度进行分类,处理笔划交叉问题.该算法可对书写工整的汉字进行有效笔划提取.     

一种快速有效的印刷体汉字识别方法

笔划代表着汉字的内部特征,笔划穿越次数是对笔划进行全穿越,反映了汉字的整体特征,全穿越在粗分时区分汉字的能力不是太强,增加了二级识别的工作量。除了提取笔划全穿越外还提取笔划半穿越,并把半穿越的次数进行重新组合形成新的特征值。把全穿越和半穿越结合起来作为汉字的特征值,对汉字进行粗分,粗分不能区分的汉字,采用四个角的能量值密度特征对汉字进行细分。实验结果表明了该方法的有效性。与单独使用全穿透方法相比,提出的方法在粗分时区分汉字的能力增强,减少了二级识别的工作量。     

基于视觉显著性与RBF神经网络融合的织物瑕疵检测

为提升织物瑕疵检测准确率,避免出现漏检或误检,提高织物检测智能化程度,提出基于视觉显著性与RBF神经网络融合的织物瑕疵检测方法,将织物图像经中值滤波降噪后,通过织物瑕疵区域对比度、纹理粗糙度和纹理方向的异常显著性模型计算获得显著图,并经RBF神经网络训练获得的映射函数和网络特征字典重构织物图像提取特征,之后采用最大熵自动阈值法定位分割,有效获得织物瑕疵检测结果。实验结果表明：此方法能实时有效对多种异常特征较弱的织物瑕疵进行检测,适应性强,检测准确率大幅提升,能满足实际工业织物瑕疵检测要求。     

模拟电路单故障与多故障诊断的提升小波和RBF方法

为了更高效、更准确地诊断模拟电路的单故障和多故障,提出了提升小波和RBF神经网络相结合的方法。该方法用提升小波系数表征故障电路的特征,训练RBF神经网络,将训练好的神经网络作为分类器,对故障电路进行诊断。通过对比,提出的提升小波方法诊断效果明显优于传统小波,准确率达到99.2%,用时更长。结果表明,基于提升小波和RBF神经网络的模拟电路单故障与多故障诊断方法可以有效地提取故障电路的特征并准确快速地对故障进行分类。     

往复压缩机的状态监测和故障的诊断方法

分析了用传统的时域和频域分析方法不能有效提取往复压缩机故障特征的原因,介绍了基于小波包分析与神经网络的往复压缩机故障诊断方法,探讨了包括往复压缩机振动信号的降噪、小波包分解与重构、故障特征提取、针对防止发生漏诊或误诊问题而提出的组合RBF网络及其训练方法和渐进学习能力等问题。还专门介绍了一种新的技术,它可以帮助我们确定一个适当的阈值,用于解释经过训练的RBF分类器的输出。     

小波变换和RBF网络用于模式法分解重叠色谱峰

将小波变换和神经网络相结合，研究色谱数据处理中分解重叠峰的新方法.首先利用小波变换多分辨分析和奇异性检测原理提取重叠色谱峰上的各特征点，构造反映重叠峰形状、位置和高度的5个无因次特征量，然后借助径向基函数(RBF)网络来表达重叠峰中子峰面积比和5个无因次特征量的映射关系，建立分解重叠色谱峰的模式识别模型.实验结果表明，采用训练好的RBF神经网络分解重叠色谱峰，准确度优于传统的垂线分割法，而且可实现对只有一个峰强极大点的肩峰型重叠峰的分解.     

基于双神经网络分类器的脱机手写体汉字识别

脱机手写体汉字识别因其自身的复杂性,系统的实现具有很大的困难。现有的方法,多针对小字符集。为了能在更大的字符集内实现脱机手写体汉字识别,文章结合双重特征提取方法,提出了将双神经网络分类器引入脱机手写体汉字识别。该方法提取汉字字符的2组特征,将2组特征输入双重神经网络进行并行训练,再经过后处理选择最优结果。将该方法与用于小字符集的SVM方法进行了比较,结果表明其识别率明显高于SVM方法,说明双神经网络在脱机手写体汉字识别中有较强的可行性和实用性。     

手写体汉字识别的一种粗分类方法

本文论述了一种适用于手写体汉字识别的粗分类方法。文中以方向笔道密度分布为基础,研究了手写体汉字特征的抽取,并按照方差准则选取有效的特征,以减少冗余的信息。此法用于500个常用汉字的粗分类,获得了较为满意的结果。     

印刷体汉字识别特征选择方法的研究

考虑到微型计算机内存空间有限而汉字个数较多的特点,本文提出了一个适合于微型计算机处理的汉字特征选择的可分性准则函数.使用此方法进行汉字特征选择能保证不同汉字的分类特征距离较大并且同一汉字聚类性较好,使得汉字特征选取十分合理.     

基于粗网格神经网络的车牌字符识别方法

目的为了进一步提高交通车牌字符自动识别能力.方法通过对车牌识别技术国内外现状的分析和对各类车牌识别技术的对比说明,提出了一种基于粗网格神经网络的车牌文字识别方法.该方法先将车牌字符进行预处理,用改进的粗网格法提取字符特征,并用神经网络识别车牌字符.结果在实验过程中所用的字符是从实际拍摄的车辆牌照图像中提取的汉字、英文大写字母和数字.人工提取的汉字种类覆盖了我国现有车辆牌照中出现的大部分汉字,而字母和数字的覆盖率为100%.从实验结果看:数字、字母的识别率比较高,尤其是数字,其识别率达到了99.16%.结论实验表明:数字、字母易于准确地提取特征,粗网格神经网络车牌字符识别方法具有较高的识别精度和实用价值.     

基于机器学习的手写汉字特征选择

根据机器学习理论，提出了手写汉字识别中，特征提取与识别同时进行的方法，并将决策 树归纳学习算法ＩＤ３成功地应用于学习与识别过程，在识别过程中，依据决策树有选择地提取特征进行匹配，减少了特征提取的数量，大大地提高了识别速度。     

小波包与径向基神经网络的电力电子装置故障诊断

为提高人工神经网络对电力电子装置进行故障诊断的准确性与快速性,提出一种小波包与RBF神经网络相结合并应用于电力电子装置故障诊断的方法。以三相桥式逆变电路为例,对电路的故障信号采用小波包分解,有效地提取出故障特征后利用RBF神经网络进行训练。仿真结果表明,该方法具有更快的收敛速度和更高的诊断精度,能够有效地进行电力电子电路的故障诊断。     

基于Gabor变换和LMBP神经网络的 车牌汉字字符识别

字符识别是汽车牌照自动识别系统中的关键环节,汉字字符识别是其中的难点。提出用Gabor滤波器对灰度汉字图像抽取横、竖、撇、捺的4幅能量特征图像的方法,同时对Gabor滤波器组输出值进行非线性变换,使其适应于不同亮度和低质量灰度车牌字符图像的识别,最终采用网络法提取4幅能量特征图像的特征,用改进的BP神经网络作为车牌汉字字符的识别器,提高车牌识别率。     

基于门控特征融合的中文错别字纠正模型

针对在中文错别字纠正中，平等地融合汉字的语义、读音和字形信息进行建模的方法会由于错误的读音或字形信息而影响模型性能的问题，提出了一种基于门控特征融合的中文错别字纠正模型，利用自适应门控来选择性地融合语义、读音和字形信息，提升模型性能并加强模型的可解释性。此外，使用改进的四角号码编码汉字的字形信息，有效地提取了汉字的字形特征，并且基于此扩展了模型预训练时的字形相似混淆集。使用了基于混淆集替换的预训练掩码策略，使模型能有效学习文本错误知识。在公开数据集SIGHAN13、SIGHAN14和SIGHAN15上，所提模型分别取得了78.7%、67.8%和77.7%的纠错F1分数，相比于最优基线模型分别提升了1.5%、1.5%和1.0%。