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, 其识别率达99%, 甚至对于实际书刊, 其识别率也能达到95%左右。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点。     

基于并行神经网络的汉字识别系统

介绍了一种基于并行神经网络的汉字识别系统,该系统进行汉字图象的预处理后,针对汉字平移、旋转、尺度变化,提取三类相对稳定且抗噪、反映汉字结构信息的统计特征作为神经网络的输入,神经网络采用叠层BP网,用BP算法进行训练,学习和识别。本系统对标准BP算法做了若干改进,从速度和识别率上都得到了明显的提高;用PVM网络并行平台虚拟成并行机,实现叠层BP网的并行处理。     

一种手写体汉字识别的神经网络多分类器集成方案

提出了一种基于单字单网的手写体汉字识别纯神经网络的多分类器集成方案,并通过实验证明用该方案实现的神经网络集成系统性能均比任一个神经网络单分类器都好,对1 000种不同的手写体汉字的1 000×10个字进行测试,集成后的识别率最高达到95.22%,比单分类器的识别率高出5.0%-8.7%。     

多功能实用汉字识别系统

该系统可识别印刷的各种字号的仿、宋、楷、黑体及现行繁体字文本(文件、书刊、报纸、杂志等).识别率达95％—98％,识别速度1800字/分,该系统由两级实现,第一级采用神经网络分类,第二级为全局笔划段加权匹配法最终识别,是一个传统识别方法与神经网络技术相结合的识别系统。     

一个高精度的简、繁体印刷体汉字文本识别系统

本文叙述了一个基于改进的“汉字识别特征点方法”的高精度简、繁体印刷体汉字文本识别系统。引入特征点的方向属性, 明显地提高了“汉字识别特征点方法”的汉字识别率。文中阐述了该系统各主要环节的原理。经过百万汉字真实印刷文本的严格测试,本系统汉字识别率达到97.84%。对质量较高的真实印刷文本, 汉字识别率达到99%以上。     

脱机手写体汉字识别后处理综合纠错算法设计和实现

充分利用了汉语词的信息及字词的频度信息，利用面向对象技术并用多级的纠错方法，实现了一个基于综合算法的汉字识别后处理系统，明显地提高了脱机手写体汉字最终识别率。     

基于并行神经网络的汉字识别系统

介绍了一种基于并行神经网络的汉字识别系统。该系统进行汉字图象的预处理后 ,针对汉字平移、旋转、尺度变化 ,提取三类相对稳定且抗噪、反映汉字结构信息的统计特征作为神经网络的输入。神经网络采用叠层BP网 ,用BP算法进行训练、学习和识别。本系统对标准BP算法做了若干改进 ,从速度和识别率上都得到了明显的提高 ;用PVM网络并行平台虚拟成并行机 ,实现叠层BP网的并行处理     

卷积神经网络识别汉字验证码

验证码今已广泛应用在各个领域,常见的英文字母与数字组合的验证码自动识别准确率已达到较高的水准,而汉字因其字符复杂,用传统方法进行自动识别难度很大。提出一种基于卷积神经网络的验证码自动识别方法来提高字符的识别准确率。采用Keras卷积神经网络框架,设计多层卷积来提取深层次图像信息,分别对汉字验证码和字母数字验证码进行识别,以提高模型的泛化性。实验结果表明用该方法汉字验证码的单字识别率已达到99.4%;传统四字符字母数字验证码的识别率最高达到99.3%。这一结果表明深度神经网络对验证码复杂结构的感知能力很强大,通过对比实验发现Keras框架在验证码识别领域有较好效果。     

利用统计特征和结构特征识别手写汉字的方法

手写汉字识别是实现办公室自动化的前沿课题，选择具有良好可分性的特征，是提高系统识别率的根本保证。本文提出汉字的横竖方向上笔划穿越次数投影的Rapid变换为统计特征，用汉字的四边及四角部位作为结构的特征，通过对40，000个汉字样本的实验，结果表明分类效果良好，可以用此方法做成一个汉字识别系统。     

变形变换及其在手写体汉字整形中的应用

提出了一种新的一维变形变换方法并将之应用于手写体汉字的整形变换。尽管不同书写风格的同不类手写体汉字存在较大的随意性，但它们的拓扑结构是一致的，因此可将手写体汉字看成是一种可变形物体。通过选择适当的变形参数，该变形变换可以将一个汉字变形为24种不同的收写风格，利用一个变形系数可控制各种风格的变形程序。该变形变换可以矫正手写体中偏左、偏右、偏上、偏下、偏胖、偏瘦等各种位置变形，从而达到对手写体样本进行非线性规范化处理的效果。实验结果表明，手写体汉字经变形变换后，识别率可提高大约1．5％左右，显示了本文所得算法的有效性。     

基于小波和神经网络的车牌字符识别新方法

车辆牌照自动识别（简称车牌识别）是智能交通系统中一项重要的关键技术;首先简要介绍了车牌识别技术饷背景及意义,然后阐述了小波变换和BP神经网络的相关理论和实现细节,最后提出了一种基于小波和BP神经网络的车牌字符识别新方法,并采用了MATLAB数学工具进行仿真;实验结果显示,总的字符识别率为95．8％,平均识别时间21ms,表明该方法具有良好的实用价值,可应用于工程实践中。     

基于统计与神经元方法相结合的手写体相似字识别

本文提出了一种基于统计识别方法与人工神经元网络相结合的手写体相似汉字识别方法。该方法充分利用了统计识别方法和神经元网络识别方法的优点,不仅显著地提高了相似字的识别率,而且有效地提高了系统的整体性能。对相似字的识别率由79.02%提高到84.32% ,提高了五个百分点,整体识别率提高了1.3个百分点。     

一种用于大规模模式识别问题的神经网络算法

许多实际的模式识别问题如对手写体汉字的识别,都属于大规模的模式识别问题.目前,传统的神经网络算法对这类问题尚无有效的解决办法.在球邻域模型的基础上提出一种可用于大规模模式识别问题的神经网络训练算法,试图加强神经网络解决大规模问题的能力,并用手写体汉字识别问题检验其效果.实验结果揭示了所提算法是解决大规模模式识别问题的一个有效且具有良好前景的方法.     

基于小波分析和BP神经网络识别的中医脉象信号辨识系统

讨论基于小波分析的脉象信号分解与重构、信号除噪、脉象信号时频特征值的提取和分析,构建合理的神经网络结构,各层神经元数量的确定,选择合理的学习速率,脉象信号特征值的选取,神经网络的训练等必须解决的关键问题。构建了一种比较实用的基于小波分析BP神经网络的中医脉象信号辨识系统。经1456例临床脉象检测,准确率〉90％,不仅极大地提高对平、浮、沉、迟、数、虚、实、滑、涩、洪、弦、促、结、代等基本脉的识别率,对于由上述基本脉构成的临床常见的相兼脉也有相当高的识别能力。     

基于神经网络的不变性模式识别的人脸识别系统

文章提出了一种优化的多层神经网络,能完成对图像不变性模式识别。基于此多层神经网络开发了人脸识别系统。仿真实验表明该人脸识别系统,具有较高的识别速度、准确率、容错性和鲁棒性,并且基本解决了开发实用化的人脸识别系统所面临的问题,即模式识别不变性的问题。     

基于对角切片谱的小波神经网络水下目标识别

目前水下目标识别技术识别率与实时性两难现状的解决,对舰船水下辐射噪声的正确提取具有实际意义。为了使水下目标识别更切合作战实际需要,在得到稳定、可靠的目标识别率的同时,实现高效与实时性,提出了基于对角切片谱的小波神经网络水下目标识别系统。系统充分利用高阶谱既能抑制高斯噪声又包含丰富识别信息的特点以及小波神经网络具有自适应、自学习以及逼近特性和自动收缩平移功能的优点,对三类舰船的实测数据进行仿真,结果表明,三类舰船目标的平均识别率达到90.4%,同时收敛速度也比普通神经网络提高16.9%,证明系统在水下目标识别中具有很好的应用价值。     

基于ANN和HMM的联机手写体汉字识别系统

为了解决联机手写体汉字笔划顺序、笔划数目及笔划形状变化问题,提出了一种新的联机手写体汉字识别方法:人工神经网络(ANN)和隐马尔可夫模型(HMM)相结合的汉字识别方法,首先通过BP神经网络进行笔划识别,再通过笔划类型和笔划间位置关系的隐马尔可夫模型进行整字识别。实验证明,该联机手写体汉字识别系统具有较高地识别准确率。     

ANN层状介质结构识别方法的鲁棒性研究

通过对理论信号的实测信号的分析,研究了人工神经网络对层状介质结构识别的鲁棒性,分析了层状介质物理参数的变化对神经网络识别效果的影响.实验结果表明.各介质参数在一定范围内变化时,所得神经网络具有较强的鲁棒性.该研究结果反映出利用神经网络进行层状介质结构识别具有较强的实用价值.     

一个印刷体汉字识别系统的设计

给出一个印刷全汉字识别系统的设计方案，它主要包括扫描输入，模糊增强与聚类分割 ，图象数据二值比，通过并行神经网络进行汉字匹配等四个步骤。     

基于长短期记忆神经网络的手写数字识别

手写笔迹识别是模式识别的一个重要研究领域。因为每个人的书写习惯有所不同,导致手写的字体有一定的差异。传统的Softmax模型在手写数字的识别结果上并没有达到人们的期望。目前,深度神经网络框架是模式识别领域的主流方法。长短期记忆神经网络(long-short term memory network,LSTM)是一种特殊的循环神经网络,它由输入门、遗忘门、输出门以及神经元组成。长短期记忆神经网络对于长序列问题有很好的处理。文中提出采用双向长短期记忆神经网络进行手写数字识别。采用MNIST数据集,分别使用传统的Softmax方法和双向长短期记忆神经网络方法对MNIST数据集里的图片进行识别。实验结果表明,传统的Softmax模型的正确率为92%左右,而LSTM模型的正确率达到了96.3%,提升4.3%。