基于外接同心圆结构特征的自由手写体数字神经网络识别方法

本文提出了一种基于外接同心圆结构提取贯穿特征码的自由手写体数字的神经网络识别。该方法是用自由手写体数字的外接同心圆来提取其贯穿持征码，将获得的模式特征训练改进的ＢＰ神经网络分类器，从而达到快速分类的目的。将其应用于邮政编码识别系统，单字的识别率达到９７％以上，整信的识别率可达到９２％以上，得到了令人满意的结果。     

基于形心同心圆结构的自由手写体数字神经网络分类器

本文提出了一种基于自由手写体数字的形心同心圆结构来提取贯穿特征码的神经网络识别方法。该方法是用自由手写体数字的形心同心圆来抽取其贯穿特征码，将获得的这些模式特征训练改进的ＢＰ神经网络分类器，从而达到快速分类的目的。将其应用于自由手写体数字的信函自动分拣系统，单字的识别率达到９７％以上，整信的识别率也可达到９２％以上，得到了令人满意的结果。     

结合距离分类器的神经网络手写体汉字识别

手写体汉字识别技术中如何解决复杂的大类别识别问题,是汉字识别中的一个难点。该文介绍了基于笔划的手写体汉字特征抽取方法,提出了一种基于预分类的神经网络汉字识别方法,该方法用一个传统的距离分类器先对汉字进行预分类,神经网络根据预分类结果进行有选择的训练和识别,能有效解决神经网络大类别模式识别中的训练和分类问题,学习时间很短,识别效果较理想。     

基于模糊方向特征的手写体汉字识别

方向特征在手写体汉字识别中得到了广泛应用[1,2].本文引入模糊数学的思想,提出了模糊方向特征.汉字的模糊方向特征的提取过程包括:(1)确定模糊网络;(2)抽取边缘点"横、竖、撇、捺"模糊方向属性特征;(3)合成模糊网络和边缘点模糊方向属性特征,生成汉字字符的模糊方向特征我们应用模糊方向特征,实现了一个脱机非限制手写体汉字识别系统,对含有7 600(19类)个汉字的测试集测试,取得了较好的识别效果.这表明,本文提出的模糊方向特征对手写体汉字的识别是有效的.     

手写体数字的识别

本文针对煤气储存罐体上高度的手写数字,由图象传感器获取十个数字手写体的图象信号进行数字识别,依据手写体字符“有效行”的特征提取,提出了并列的双BP神经网络的识别方法,对手写体数字的识别获得了较好的辨识效果。     

手写体数字有效鉴别特征的抽取与识别

文中提出了基于后验概率估计的多特征多分类器组合识别的估计法,并提出了基于具有统计不相关性的最佳鉴别变换与ＫＬ变换抽取手写体数字的有效鉴别特征的方法。实验采用Ｃｏｎｃｏｒｄｉａ Ｕｎｉｖｅｒｓｉｔｙ ＣＥＮＰＡＲＭＩ手写体数字数据库。用最近邻距离分类器与最近邻相关分类器这两个分类器,对手写体数字的１２个特征做多特征多分类器组合识别实验。实验结果表明：估计法优于常用的投票法与计分法,估计法的识别率高达     

组合结构特征的自由手写体数字识别算法研究

自由手写体因其书写风格差异大、上下文无关及识别准确度要求高等原因导致其识别难度大的问题。针对手写体数字识别的特点及要求,提出一种新的基于组合结构特征的自由手写体数字识别算法。通过扩展的字符结构特征识别算法自动、鲁棒地提取手写体数字字符端点、分叉点、横线等多种结构特征,并组合应用这些结构特征构造决策树完成手写体字符的自动识别。实验结果表明基于组合结构特征的自由手写体数字识别算法的鲁棒性和识别率明显优于传统方法。     

基于多分类器组合的手写体数字识别

本文提出了一个基于多分类器组合的手写体数字识别方法。文中首先给出了一个客观评价分类器性能的参数,其后基于此参数提出了多分类器的组合方法,并从理论上研究了此方法的一些性质,本文实验采用Ｃｏｎｃｏｒｔｄｉａ大学模式识别与机器智能中心的手写体数字数据库,在实验中,使用了９个利用不同特征分类器进行组合,组合后识别率、拒识率和可靠性分别可达到９７．０５％,２．０５％,９９．０８％。     

自由手写体数字表格自动识别系统

自由手写体的识别是模式识别的一个重要课题,该文论述了一个面向具体应用领域的集数据表格的描扫、识别、数据自动入库为一体的软件系统,研究了数字的切分、快速识别等关键技术。采用了一种基于笔道方向的手写体数字识别的方法。     

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 Adaboost的手写体数字识别

提出了一种新的基于集成学习算法Adaboost的手写体数字识别系统。Adaboost方法可以在仅比随机预测略好的弱分类器基础上构建高精度的强分类器。实验证明,基于Adaboost的手写体数字识别系统具有较高的识别率和泛化能力,已经应用在OCR识别软件中。     

手写体数字识别技术的研究

简要介绍了手写体数字识别的几类主要方法,并介绍了作者利用直接逻辑法识别手写体数字的实验方案和结果。结果表明,利用本方案字符特征易于提取,识别算法灵活、简炼,对水平笔道上的断笔有自适应效果,且识别率高。     

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.     

基于结构特征的手写体数字识别算法

提出了基于结构特征的手写体数字识别方法。首先，采用14模板法进行细化，然后提取了点、线、圆等结构特征，并根据相关信息进行特征组合，最后采用粗细两阶段分类法进行分类。     

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。     

用神经网络分类器识别非限制手写体数字

人工神经得识别图象有效工具，但许多研究人员认为，神经网络尚不能处理一此诸如识别手写体数字的难题。文中，作者提出了三种新型的神经网络分类识别器，专用于识别复杂图形：（１）多重多层感知（ＭＬＰ）分类器；（２）隐含马可失模型（ＨＭＭ）／ＭＬＰ混合分类顺；（３）适配结构自组织变换（ＳＯＭ）分类器。为了验证上述分类（识别）器的性能，各项实验均采用加拿大蒙特利尔Ｃｏｎｃｏｒｄｉａ大学数据库所提供的非限制手写体