基于自组织神经网络的汉字识别模拟研究

汉字识别是汉语、汉字认知研究的一个重要研究领域。该文提出了一个基于多层自组织神经网络的模型,从汉字字形聚类及汉字部件拆分的角度,对基于汉字认知的汉字识别过程进行了初步的探索。模拟研究结果表明,模型通过学习能够识别出汉字的结构类型和部件,发现汉字识别中的规律,在一定程度上模拟了汉字的识别。     

基于汉字与部件聚类的计算机模拟研究

以自组织特征映射算法为理论基础，提出了一种新的SOMNET算法，利用人工神经网络实现了具有相似特征的汉字的聚类以及汉字部件的聚类。并对汉字及其部件的显示效果进行了分析，从不同角度刻画了SOM模型的应用。研究结果对于汉字认知研究以及留学生第二语言习得教学具有一定的参考价值。     

基于SOFM网络的聚类分析

基于自组织特征映射网络的聚类分析,是在神经网络基础上发展起来的一种新的非监督聚类方法,分析了基于自组织特征映射网络聚类的学习过程,分析了权系数自组织过程中邻域函数和学习步长的一般取值问题,给出了基于自组织特征映射网络聚类实现的具体算法,并通过实际示例测试,证实了算法的正确性。     

计算机模拟汉字字形认知过程的研究

对汉字的认知研究不仅是认知科学、也是计算机科学特别是人工智能领域中的一个研究热点.但是,目前汉字认知的计算机模拟研究还相对滞后,其在认知科学研究中的作用还无法和行为实验研究等同.从认知科学的角度出发,建立汉字字形表征库,构建模型,确定训练和测试方式等,对汉字字形认知过程(学习发展历程)中汉字聚类与部件拆分意识进行了计算机模拟,以便研究汉字字形学习中的某些认知规律.通过对模型的训练与测试,得到了输入汉字的聚类效果图、部件拆分情况,以及对模型进行生字测试的结果.得出的结果能够反映某些汉字认知的规律,所以模型在一定程度上模拟了汉字字形的认知过程.     

结合SOFM的改进CLARA聚类算法

介绍了自组织特征映射（SOFM）算法及大规模应用聚类（CLARA）算法的基本思想,提出了一种首先利用SOFM算法对数据集进行粗聚类,确定簇的数目k和神经元的连接权向量,然后从数据集中找出与SOFM算法的神经元的连接权向量最相似的k个代表点作为CLARA算法的k个代表点的初始值的改进CLARA算法。实验结果表明,改进算法具有更高的聚类效率和更好的聚类质量。     

基于SOFM网络的模拟电路故障诊断方法研究

讨论了基于自组织特征映射神经网络SOFM实现交流字典的故障定位方法 ,该方法对单、多软硬故障的识别快速且有效。同时 ,利用神经网络的泛化性 ,有效地克服了容差因素对故障定位的影响。     

基于SOFM网络的模拟电路故障诊断方法研究

讨论了基于自组织特征映射神经网络SOFM实现交流字典的故障定位方法，该方法对单、多软硬故障的识别快速且有效，同时，利用神经网络的泛化性，有效地克服 了容差因素对故障定位的影响。     

迷彩设计中基于SOFM的背景图像聚类方法

迷彩设计要求用简单的几种颜色模拟自然背景纹理,因此,通过分析背景的图像,利用图像分割技术提取背景信息从而进行迷彩图案的自动设计已是近年来伪装领域研究的热点课题.目前,最常用的图像分割方法是均值聚类法,而均值聚类法由于直接利用图像的灰度差信息,容易造成分割的细节不明显,从而导致模拟背景纹理失真.针对均值聚类法的不足,结合人工智能网络学习技术,提出基于SOFM的图像分割方法对背景进行聚类分割,较好地保留了图像的细节纹理,得到了较为理想的效果.     

计算机模拟汉字字形认知发展过程的研究

对汉字的认知研究不仅是认知科学,也是计算机科学特别是人工智能领域中的一个研究热点。但是,目前汉字认知的计算机模拟研究还相对滞后。该文采用自组织特征映射网络(Self-organizing Feature Map, SOFM)和自适应谐振理论(Adaptive Resonance Theory, ART)相结合的方法,构建汉字认知过程的发展模型,对汉字字形认知的发展过程(学习发展历程)进行了计算机模拟,以便研究汉字字形学习过程中的某些认知发展规律。模型通过训练,显示出了汉字认知发展过程中的某些规律。     

SOFM网络及其在MATLAB中的实现

本文详细叙述了自组织映射网络的原理、算法及其在Matlab中实现的工具箱,并结合实例给出了SOFM在Matlab上的实现方法,对于SOFM的现存问题和未来研究趋势作了分析和展望.     

SOFM神经网络在处理非空间属性中的应用

由于非空间属性维数较高,空间聚类算法在处理非空间属性约束时难点首先在于如何为这些非空间属性设定参数,然后是哪些非空间属性在聚类中将起主要作用,并真正影响聚类的结果。对这些问题进行了讨论,并提出使用神经网络中自组织映射的方法来首先选择哪些非空间属性将被优先考虑,使用自组织特征映射（SOFM）方法对非空间属性聚类,最后把非空间属性和空间属性聚类进行合并得到最终的聚类结果的方法。     

基于特征反馈的手写体汉字识别系统研究

针对传统基于开环的汉字识别系统不完全符合人类识字过程的问题,构建了一种具有反馈结构的仿人智能识别系统。该系统根据待识别汉字的多模态定性识别结果来选择最佳的首轮识别方案,在完成识别之后,提取广义识字误差对候选字进行可信度判断和反馈校正。设计了3种广义识字误差,通过对这3种广义识字误差的类型和数值进行定性与定量相结合的分析,建立了识别结果的可信度评价指标体系和反馈校正决策机制。仿真实验结果验证了方法的可行性。     

基于模糊SOFM的网络入侵检测方法

针对目前入侵检测系统误报率过高、检测率不高和对未知入侵检测能力有限的缺陷,提出一种基于模糊SOFM的网络入侵检测方法,经训练后可形成一个稳定的神经网络系统,有效地识别网络正常行为和异常行为。采用KDD99数据集对系统进行实验,结果表明,系统在保持误报率低于3%的情况下,入侵检测率最高可以达到92%以上。     

基于语料库的中文姓名识别方法研究

本文在大规模语料基础上提取和分析了中文姓氏和名字用字的使用频率,研究了中文姓名识别的评价函数,动态地建立了姓名识别统计数据表和姓名阈值。提出了在不作分词处理的原始文本中进行中文姓名识别的方法。经开放测试,召回率为95.23%;精确率为87.31% 。     

Preprocessing for Chinese character recognition and global classification of handwritten Chinese characters

Techniques for calculating the stroke directions of thinned binary characters and for detecting the intersections and end points of strokes by means of pattern matching and weighting method are proposed as a preprocessing of handwritten Chinese character recognition. We also propose a method for global classification of handwritten Chinese characters by means of projection profiles of strokes and show that the method is available for the Chinese characters written in the square style.     

基于动态测点选择的温度状态识别

为实现对设备表面温度状态的实时识别及相关分析的智能决策化,引入了改进的层次分析法(AHP),动态地对设备表面多个监测点进行相关分析,选择出反映设备温度状态的关键测点,同时建立Kohonen自组织特征映射神经网络,对关键测点温度序列值进行一段时间的更新跟踪融合识别,获取关键测点的温度状态以此来表明设备的温度状态。以牵引电机为例,用Matlab软件仿真分析,识别正确率为89%,有效地降低了火灾发生的误报率。     

基于FSVM脱机手写体汉字分类识别研究

针对脱机手写体汉字特点,给出一种采用模糊支持向量机粗分类的方法。根据小波分解像素密度特征,利用模糊支持向量机对汉字进行粗分类。细分类识别提取外围特征,同时融合小波多网格特征,采用一对多算法进行细识别。仿真实验表明,该方法有较高识别率。     

基于DPM的自然场景下汉字识别方法

自然场景下, 汉字背景复杂且形态各异, 导致传统识别方法中的文本定位与文本矫正过程难以进行。为了避免这些问题, 采用物体识别方法中的可变部件模型（DPM）进行识别。该方法将汉字视为物体类, 训练其对应的参数模板, 然后采用滑动窗口的方法遍历待检测图片, 以判断图片中是否存在目标汉字。实验表明, 该方法对简单独体汉字有较好的检测效果, 但对于多笔画复杂汉字, 由于模型自身结构特点, 效果并不明显。     

基于非负矩阵分解方法的汉字基本部件识别

将NMF方法应用到汉字字形的处理中,成功地从一些汉字样本中抽取出构成这些汉字的基本部件。通过引入合适的惩罚因子,提出了一种扩展的NMF方法,对同样的汉字样本进行处理可以获得更好的结果,抽取出的基本部件就是构成这些汉字的偏旁部首。     

支持向量机在字符识别中的应用研究

本文应用SVM对字符图像识别进行实验研究,并在此基础上,研究了SVM对含有高斯噪声的字符图像的识别问题。研究结果表明,SVM能够在有限样本的情况下,获得较高的识别率,是目前小样本学习的最佳解决方案。