基于结构特征分类BP网络的手写数字识别

手写体数字识别有着重大的使用价值，用多层BP网络来识别手写体数字是手写体数字识别的一大进步，但是，用单纯的BP网络来识别也存在识别精度不高等的问题。将BP网络技术和数字本身的结构特征结合起来，提出了一种基于结构特征分类BP网络的手写体数字识别新方法。首先提取点、环等数字特征值，并根据一些特征进行分类；然后再运用BP神经网络识别，以提高网络的识别能力；最后，选取了500个人的0～9的手写体数字，运用以上算法进行BP神经网络识别，用3000个手写体数字作为训练样本，2000个其他的样本进行测试，网络收敛后，识别率达到96％以上，比原来有一定的提高。     

基于BP神经网络的手写体数字识别

手写体数字识别是多年来的研究热点,也是字符识别中的一个特别问题。由于手写体数字字体变化很大,传统的识别方法很难达到高的识别率。针对传统的数字识别方法的复杂性和局限性,提出了一种基于BP神经网络的手写体数字的识别方法。该方法在提取手写体数字点特征、笔划密度特征基础上,利用改进的BP神经网络进行训练识别。经实验,识别率达94％。实验结果表明,该方法对手写体数字识别效果良好,不仅简化了传统识别的繁杂性,而且提高了识别的准确性。     

基于BP神经网络的手写体数字识别

手写体数字识别是多年来的研究热点,也是字符识别中的一个特别问题.由于手写体数字字体变化很大,传统的识别方法很难达到高的识别率.针对传统的数字识别方法的复杂性和局限性,提出了一种基于BP神经网络的手写体数字的识别方法.该方法在提取手写体数字点特征、笔划密度特征基础上,利用改进的BP神经网络进行训练识别.经实验,识别率达94%.实验结果表明,该方法对手写体数字识别效果良好,不仅简化了传统识别的繁杂性,而且提高了识别的准确性.     

基于结构特征分类BP网络的手写数字识别

手写体数字识别有着重大的使用价值,用多层BP网络来识别手写体数字是手写体数字识别的一大进步,但是,用单纯的BP网络来识别也存在识别精度不高等的问题。将BP网络技术和数字本身的结构特征结合起来,提出了一种基于结构特征分类BP网络的手写体数字识别新方法。首先提取点、环等数字特征值,并根据一些特征进行分类;然后再运用BP神经网络识别,以提高网络的识别能力;最后,选取了500个人的0~9的手写体数字,运用以上算法进行BP神经网络识别,用3000个手写体数字作为训练样本,2000个其他的样本进行测试,网络收敛后,识别率达到96%以上,比原来有一定的提高。     

基于小波变换Hopfield神经网络的手写体数字识别

手写数字识别是模式识别的一个分支,手写数字识别的方法很容易推广到其他一些相关问题,因此在模式识别领域中占有重要地位.虽然数字只有十种且笔划简单,但由于不同人书写习惯不同,上下文联系较小,要获得较高的识别率并不容易.本文提出了一种基于小波和Hopfield神经网络的手写体数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用Hopfield网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有较好效果.     

一种基于方向特征的孟加拉手写体数字识别方法

本文根据孟加拉数字的特点，用Kirsch算子提取字符图像象素的水平、垂直、右对角线和左对角线特征矢量，采用BP神经网络作分类器进行识别。实验结果显示，对于孟加拉手写体数字具有较高的识别率和较快的识别速度，并对其它手写体数字也有很强的应用性。     

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。     

手写体数字识别与认证的小波特征提取

本文提出了基于Kirsch边缘增强的二维小波特征与二维复小波特征的提取技术。这两类特征与几何特征融合识别手写体数字。此外,对所提取的小波特征提取方法的优点进行了讨论。最后进行的手写体数字识别与认证实验表明,这两类混合特征的集合能获得很好的识别与认证性能。     

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。     

基于遗传BP算法的手写体识别

神经网络具有模拟人类的大脑活动、良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力.本文阐述了BP神经网络基本原理以及BP网络手写体识别模型,研究分析了BP神经网络手写体识别模型的缺陷并提出了优化策略.在此基础上,提出一种基于改进结构的BP神经网络来实现手写体数字识别方案,除了改进BP网的结构外,还对网络学习算法进行了改进,采用了BP和GA相结合的算法,提高了网络的学习训练速度和识别效果.     

基于Bagging的手写体数字识别系统

Bagging是一种用来提高学习算法准确度的方法，通过构造一系列预测函数并将其结果按投票规则进行合成，就可以将一个弱学习算法提升为强学习算法。本文针对UK测试量表中的手写体数字，设计并实现了一个以神经网络为弱分类器的、基于Bagging的手写体数字识别系统。与单个神经网络分类器相比，Bagging后的系统显示了更加优良的性能。     

基于RBF神经网络的汉字粗分类方法

粗分类是提高汉字识别速度的主要手段。将RBF（Radial Basis Function neural network）神经网络用于汉字粗分类,采用汉字四边码和粗网格作为汉字粗分类的特征以进行比较。分别对GB2312-80一级字库印刷体及手写体进行实验,实验结果表明将RBF神经网络用于汉字粗分类比通常使用的欧式距离作为分类器有较好的性能。     

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。     

基于集成RBF神经网络的小类别手写体汉字识别系统

该文介绍了RBF神经网络的模型,讨论了RBF网络分类器的机理和特点,提出了一种集成RBF神经网络并应用于小类别手写体汉字识别系统的设计,采用了组合重心分解网格特征方法来提取汉字特征,设计了遗传进化隐层节点自生成算法用于RBF的训练。实验表明该小类别手写体汉字识别系统有很高的识别率,具有一定的实用推广价值。     

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%。     

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。     

基于笔划特征和MCLRNN模型的联机手写藏文识别

提出了一种新的多层联系子层递归神经网络（MCLRNN）模型并融合藏文字丁的空间结构特征来进行联机手写藏文识别。改进后的网络结构具有多层联系子层来保留若干时刻的网络内部状态,从而可以更好地表征藏文字的各笔划特征以及笔划间的空间结构关系,同时,采用更适用于模式分类的交叉熵准则和改进的梯度下降算法来训练网络,加快了网络的收敛速度并增强其分类能力。仿真实验取得了令人满意的结果。     

基于改进inception的脱机手写汉字识别

由于字形的复杂多变,脱机手写汉字的识别一直是模式识别的难题,深度卷积神经网络的发展为其提供了一种直接有效的解决方案。研究基于inceptions 结构神经网络的脱机手写汉字识别,提出了一种inception结构的改进方法,它具有结构更加简单、网络深度扩展更加容易、需要的训练参数量更少的优点。该方法在数据集CISIA-HWDB1.1 上进行了实验验证,采用随机梯度下降优化算法,模型达到了96.95%的平均准确率。实验结果表明,使用改进的inception结构在图像分类上具有更好的鲁棒性,更容易扩展到其他应用领域。     

一种新颖的眼部状态识别方法

在疲劳驾驶检测中,对眼部状态的判断是关键的步骤之一.为了对眼部状态进行有效的识别,提出了一种新颖的眼部状态识别方法.该方法用眼部图像中的某些点的纹理单元的N.值作为输入特征值,用径向基函数神经网络(RBF)作为分类器.为了进一步提高分类的准确性,又采用了Bagging方法.试验结果表明,该方法易于实现,准确度高,速度快,不受光照条件的影响,可以应用于实际.     

RBF网络和RBF核支持向量机比较研究

RBF网络是模式识别中应用最为广泛的一和神经网络.RBF核函数型支持向量机是一种性能卓越的新型学习机.将这两种学习机进行对比分析,以期在实际应用中做出更好的选择.首先,在理论上分析了这两种学习机在分类原理上的异同.接着,将它们应用于人脸识别,利用ORL人脸图像数据库进行了仿真实验,对比分析它们各自的识别率和泛化能力等性能指标.最后,提出了在应用这两种学习机进行模式识别时应注意的方面.实验结果表明,按照本文提出的两种训练模式,RBF型支持向量机在识别准确率上比RBF网络高出2%到4%.这说明RBF型支持向量机的性能要优于RBF网络.但是RBF网络易于实现,在样本数日足够多的情况下也不不失为一种好的算法.