模式分类器在手写体数字识别中的应用比较研究

贝叶斯分类器、线性分类器和K近邻分类器是模式识别中三种典型的模式分类器.比较三种分类器在识别手写阿拉伯数字过程中的性能优缺点.进一步对识别数据进行详尽的分析挖掘.通过对算法精确度,识别速度及计算存储需求等方面的比较,深入探讨三种监督式分类器的差异和特点.最终得到不同的分类结果,从而寻求最优化的决策方案.     

应用SLLE实现手写体数字识别

针对在手写字符识别中由于书写习惯和风格的不同而造成的字符模式不稳定问题,提出了一种基于流形学习的手写体数字识别方法.在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形.算法首先利用基于监督的局部线性嵌入(SLLE)对手写体数字图像进行字符特征的降维,然后再对降维后的特征进行分类识别.对MIN库中手写体数字数据库进行了实验,实验结果表明,利用SLLE降维以后的特征能够有效地区分字符,识别率可达到93.27%;由于具有较好的识别率,能够发现高维空间的低维嵌入流形.     

基于图像处理的手写体数字识别

文章提出一种基于图像处理、提取结构特征进行识别的方法,通过对手写体数字图片的数字图像处理,提取手写体数字的结构特征。由这些特征片段得到特征向量,作为对字符的结构描述。并采用了多次分类识别的方法,最后用MATLAB6.51对该算法学习阶段和识别阶段进行了仿真,获得了较好的辨识效果。     

一种基于SLLE的手写体数字识别算法

流形学习是一种新的非监督学习方法,可以有效地发现高维非线性数据集的内在维数并进行维数简约。本文基于流形学习技术的研究,针对在手写字符识别中由于书写习惯和风格的不同造成字符模式不稳定的问题,提出了一种基于流形学习的手写体数字识别方法。并在原有流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构的同时,也进一步分离了不同类别的流形。算法首先利用基于监督的局部线性嵌入（SLLE）对手写体数字图像进行字符特征的降维,然后再对降维后的特征进行分类识别。通过对MINST库中手写体数字数据库上的实验结果表明,利用SLLE降维以后的特征能够有效地区分字符,具有较好的识别率,能够发现高维空间的低维嵌入流形,识别率达到93.27％,为手写体数字识别的研究提供了一条有效的新途径。     

基于BP神经网络的手写数字识别

数字识别是模式识别领域中重要研究方向之一,具有广阔的应用前景。文章在对BP神经网络基本原理研究的基础上,提出了利用BP神经网络方法来实现手写数字识别的方案。通过MATLAB仿真实验表明,基于BP神经网络的数字识别系统取得了良好效果。     

数字识别技术在激光切割机中的应用

介绍了一种针对截屏图中数字信息的数字识别技术。该技术采用基于特征值提取的识别方法并充分利用截屏图特点使该方法得以简化,从而提高了处理速度和识别效率。采用该技术开发的软件系统已在工程实际中得到了应用并取得了良好的经济效益。     

条件贝叶斯网络分类器及其在产品故障率等级分类中的应用

针对传统贝叶斯网络分类器模型的不足,提出了一种基于条件贝叶斯网络的分类器模型。通过分析贝叶斯网络模型给定目标变量时各特征变量间的条件独立关系,充分利用其关联关系,为解决分类问题提供了一条有效途径。在此基础上,提出了基于条件贝叶斯网络分类器模型的建模方法用于指导实际模型建立和应用。实例分析结果表明,条件贝叶斯网络与其他的贝叶斯网络分类器及传统的决策树C4.5分类器相比,在提高分类器分类精度的同时降低了网络模型结构复杂度。     

可变近邻参数的局部线性嵌入算法及其在轴承状态识别中的应用

局部线性嵌入(Locally linear embedding,LLE)算法通过局部线性来逼近全局的非线性,优点在于可保持降维前后样本点近邻之间的线性结构不变,并且计算速度较快。但是该算法对近邻值的选择十分敏感,不同近邻点数的选择对降维效果影响较大。针对此问题,利用残差作为评价降维前后保持样本距离信息优劣的指标,提出一种改进的可变近邻局部线性嵌入(Variable K-nearest neighbor locally linear embedding,VKLLE)算法,即通过给定一个最大近邻数目值,比较降维前后的残差值,根据较小值选择最优的近邻点数,从而使得每个样本点的近邻点数可据残差值进行调整。通过对手写体数字(Mixingnational institute of standards and technology,MNIST)数据集的仿真分析,并与LLE算法进行比较,此方法降维效果更好,计算复杂度也明显降低。最后将该算法运用于轴承状态识别,取得了较好的效果,同时还有效地提高了分类性能和稳定性。     

层次朴素贝叶斯分类器构造算法及应用研究

贝叶斯网络分类器是数据挖掘与知识发现领域研究的主要方法之一.层次朴素贝叶斯分类器通过引入潜在节点来实现属性变量间存在聚集的层次关系,提出学习该分类器的构造算法.算法首先借助节点间的条件互信息值来锁定可能聚集节点的范围,然后再通过模拟退火算法来搜索评分较高的模型.层次朴素贝叶斯分类器的结构特点适于构造水质富营养化评价模型,应用于水质预警系统的结果证明该方法可行,并具有较好的适用效果.     

基于人工智能的手写数字识别方法研究

手写数字识别属于图像分类问题。因个体手写数字的差异,传统的图像分类方法实现快速有效识别的难度相对较大。随着人工智能和计算机硬件技术的快速发展,基于深度学习卷积网络的手写数字识别逐渐成为研究热点。使用PyTorch搭建了经典的网络模型LeNet-5和改进的ResNet18模型进行手写数字识别。采用交叉熵损失函数和Adam优化算法,并设置学习率为0.001,在MNIST数据集上进行了训练和测试,鉴于ResNet18比LeNet-5网络结构深,在训练时花费的时间比LeNet-5多。经过100个Epoch后,使用LeNet-5模型在测试集上准确率达到了99.18%,使用ResNet18卷积模型的准确率高达99.55%,可以识别自制的手写数字,为人工智能识别系统的发展提供了一定的参考价值。     

基于支持向量多分类机的多类复杂手操作EEG信号模式识别

针对用于服务机器人的脑机接口系统中脑电信号模式识别精度不高,不能满足机器人多任务要求的问题,提出一种基于C-支持向量多分类机的多类复杂手操作EEG信号模式识别方法,并将其应用到复杂手操作的EEG信号模式识别试验中,实现一个4类复杂手操作的模式识别,实验结果表明,与之前用BP神经网络进行识别相比,识别率由85％提高到了90％。     

基于正交特征的手写体汉字识别方法

手写体汉字识别一直是模式识别研究领域中的难点.本文将矩变换与弹性网格方法结合起来,用正交Zernike矩提取全局特征,用弹性网格提取局部特征,然后用K-L变换对局部特征向量正交化.这样得到的特征向量不仅具有汉字的全局和局部特征,而且是最有分辨能力的特征向量.实验证明该方法是行之有效的.     

基于MATLAB的汉语数字语音识别系统

应用动态时间规整（DTW）为识别算法,采用MFCC（MEL频率倒谱系数）为主要语音特征参数,建立了一个汉语数字语音识别系统,其中包括语音信号的预处理、特征参数的提取、识别模板的训练、识别匹配算法;同时,提出利用MATLAB图形用户界面开发环境设计语音识别系统界面,设计简单,使用方便,系统界面友好。     

基于DSP技术的汉语数码语音识别系统

介绍了一种基于DSP技术的汉语数码语音识别系统,它以MFCC参数作为语音特征参数,采用隐马尔可夫随机模型进行模式匹配,并对HMM模型与自组织神经网络(OSNN)的结合作了一定的阐述.识别系统以TI公司的TMS320C50为核心,实现汉语数码语音的实时识别.     

基于神经网络的手写体签名识别的研究

随着网络越来越发达,人们之间的交流越来越方便,网络交易也越来越红火,与此同时的网络安全问题也越来越突出,大量的信用卡号码、密码和身份证件被窃取和盗用,给国家和个人带来了巨大的损失。由于每个人的签名笔迹都很难模仿和相对稳定性,利用其特征值设计一种手写体签名识别系统,效果良好。     

基于BP神经网络的手绘电路图形符号识别技术

首先介绍了手绘电路图形符号扫描输入和图像信息去噪压缩处理方法,并离散化成标准的二维矩阵形式.然后引入一个三层前馈型BP神经网络,采用Delta迭代训练算法,学习图像矩阵输入与元件符号输出之间的映射关系,并着重阐述了神经网络学习的过拟合问题.最后通过MATLAB编程仿真和交叉验证表明,提出的BP神经网络结构及其训练算法合理、有效和实用.     

基于嵌入式SRVPMCD的模式识别方法

针对多变量预测模型（VPMCD）模式识别方法的固有缺陷和机械故障特征难以选择的难题,即特征维数较多时对时效性的影响和特征选择需要引入主观因素的现状,提出了一种基于嵌入式的逐步回归多变量预测模型（SRVPMCD）模式识别方法。该方法首先通过逐步回归引入变量并计算其显著水平,建立只包含显著特征值的预测模型,同时实现嵌入式特征选择和建模分类的功能,然后用所建立的预测模型来预测待分类样本的特征值,最后把预测结果作为分类依据进行模式识别。对滚动轴承故障信号的分析结果表明,基于嵌入式SRVPMCD的模式识别方法可以实现特征选择和分类的双重功能,在保证识别精度的前提下,比原VPMCD方法及其组合方法可以更快地识别滚动轴承的工作状态和故障类型。