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。     

基于自组织神经网络的故障诊断

利用自组织神经网络对诊断对象的周期性振动信号进行处理，根据其映射特性和聚类特性，将振动信号映射到自组织网二维输出平面上。根据其映射点在输出平面上的位置，判断振动是否正常及其类型，使故障诊断简单化和直观化。     

自组织特征映射的条形码识别研究

本文用Ｋｏｈｏｎｅｎ自组织特征映射网对条形码进行识别，充分利用Ｋｏｈｏｎｅｎ网的自组织性、自适应性及对输入信号的高容错能力，使得既使在条码黑色位、白色位的隶属度等子０．５时仍能获得较好的识别结果，使系统的识别率得到了较大的提高，对条码仿真数据的识别表明了这一点，从而为条码的识别提供了新的方法。     

利用双向SOFM网络模拟汉字认知过程的研究

在汉字的认知过程中有“字优效应”和“字劣效应”,前者认为在汉字认知过程中整字信息优于部件或笔画信息,后者反之。以自组织特征映射算法为理论基础,提出了一种双向自组织特征映射(SOFM)网络,利用自组织网络实现根据汉字和部件多维表征的聚类,并建立两层网络之间的连接关系,通过双向测试,得到不同构型汉字所具有的字优效应和字劣效应,从新的角度实现了SOFM的应用。研究结果对于汉字教学方法有一定的参考价值。     

基于K-means算法改进的SOM神经网络调制识别分类器

通信过程中,获得情报信息的关键步骤是清楚接收到的调制信号的调制方式.随着现代通信技术的高速发展,人工智能广泛应用于调制方式识别领域.提出将自组织特征映射(Self-Organizing feature Map,简称SOM网络)神经网络用于调制制式的识别.用K均值(K-means)聚类算法来寻找每类特征参数的两个聚类中心...     

基于神经网络的相似汉字识别的研究

在计算机文字识别中相似汉字识别是一个难题, 我们对Hopfield人工神经网络加以改进, 提出了一种新的HNN网络模型, 并用它来识别相似字, 取得了良好的效果, 为相似汉字识别探索了一条新路。     

用自组织特征映射神经网络识别岩相

为了解决测井岩性识别问题,引入有较强的聚类和容错能力的自组织特征映射(SOFM)神经网络。文中说明了SOFM网络的模型,并结合实际探井资料,用MATLAB语言建立SOFM网络岩性识别模型,并进行了具体的应用研究。通过与已知资料的对比,证明该方法是一种行之有效的岩相识别方法,且具有良好的应用前景。     

基于自组织神经网络的彩色图像自适应聚类分割

针对一般聚类分割算法对于色彩丰富、背景复杂的图像容易造成聚类重叠,引起像素错误分类的缺点,提出一种新的基于自组织特征映射神经网络的彩色图像分割方法．首先利用各像素的RGB值作为输入样本对网络进行训练,然后根据竞争层特征映射点的密度分布图,利用自组织映射分析的方法,确定图像颜色的聚类数和聚类中心,最后利用距离竞争取胜的原则处理每个像素,从而实现彩色图像的区域分割．通过实例验证,该方法能够较好地完成彩色图像的自适应聚类分割,处理效果良好．     

一种生长型自组织神经网络的聚类研究

自组织特征映射神经网络SOM(Self-Organizing Feature Maps)是一种优良的聚类工具,但其存在着一些限制,如需要预先定义网络大小、网络的收敛性较差和结构不灵活等.为了克服这些不足,在自组织神经网络理论的指导下,提出了一种基于生长型自组织神经网络的聚类方法.在无监督的情况下,该方法采用阈值控制的触发机制实现网络中神经元的生长和删除,并通过神经元权值的有效调整,以期得到数据对象的聚类结果.实验以二维空间中的数据对象为输入样本,验证了该方法的有效性和优越性.     

语音识别及自组织映射神经网络的应用

该文阐述了语音信号的特点，语音识别过程及技术，重点讨论了例谱技术及其在语音信号特征提取中的应用，并将自组织映射神经网络应用到语音识别中，提出了网络模型。     

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。     

基于SVM的脱机手写汉字机器学习识别方法研究

提出了一种模糊统计方法的脱机手写体汉字特征提取方法,结合小波网格方法和汉字笔画密度特征方法对汉字进行特征提取,并运用支持向量机方法,通过机器学习对脱机手写汉字识别。仿真实验表明,支持向量机方法在脱机手写汉字识别中有良好的识别性能及模糊统计方法是有效的。     

基于模糊自组织映射神经网络的故障诊断方法

在研究Kohonen自组织映射网络理论的基础上运用模糊理论方法建立了刹车系统模糊故障诊断模型。该模型只需选择足够的具有代表性的故障样本训练神经网络，将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强、速度快，因此很符合复杂系统的故障诊断。     

基于自组织特征映射神经网络的图像压缩

简要介绍了基于自组织特征映射(SOFM)神经网络的图像压缩的传统算法。通过对传统方法的优缺点分析，提出了一种新的简单的矢量量化压缩方法。新算法采用分类码书设计和残留编码，大大提高了图像的客观指标和主观视觉效果。实验表明此方法明显优于传统的SOFM算法，而且易于硬件实现。     

基于神经网络的中文谓语动词识别研究

识别谓语动词是理解句子的关键。由于中文谓语动词结构复杂、使用灵活、形式多变,识别谓语动词在中文自然语言处理中是一项具有挑战的任务。本文从信息抽取角度,介绍了与中文谓语动词识别相关的概念,提出了一种针对中文谓语动词标注方法。在此基础上,研究了一种基于Attentional-BiLSTM-CRF神经网络的中文谓语动词识别方法。该方法通过双向递归神经网络获取句子内部的依赖关系,然后用注意力机制建模句子的焦点角色。最后通过条件随机场（Conditional random field, CRF)层返回一条最大化的标注路径。此外,为解决谓语动词输出唯一性的问题,提出了一种基于卷积神经网络的谓语动词唯一性识别模型。通过实验,该算法超出传统的序列标注模型CRF,在本文标注的中文谓语动词数据上到达76.75%的F值。     

一种模糊识别手写体汉字技术

汉字手写体识别是模式识别和人工智能的重要分支，汉字数量庞大，书写灵活，计算机识别相当困难。该文基于模糊概念，并引入几个指示向量，提出一个新颖的汉字手写体模糊识别技术，实验证实效果显著。     

基于神经网络的手写体汉字识别实验系统

基于神经网络的手写体汉字识别是将汉字点阵图形转换成电信号,然后输入给数字信号处理器或计算机进行 处理,依据一定的分类算法在众多汉字字符中找出和它相互匹配的汉字字符。本文阐述了手写体汉字识别实验系统的设计目 标,分析了手写体汉字的预处理及其原理,详细介绍了手写汉字的特征提取。     

Neural Network Recognition of Hand-printed Characters

Character recognition systems can contribute tremendously to the advancement of the automation process, and can improve the interaction between man and machine in many applications, including office automation, cheque verification and a large variety of banking, business and data entry applications.The main theme of this paper is the automatic recognition of hand-printed Latin characters using artificial neural networks in combination with conventional techniques. This approach has a number of advantages: it combines rule-based (structural) approach for feature extraction and non-linea classification tests for recognition; it is more efficient for large and complex data sets; feature extraction is inexpensive and execution time is independent of handwriting style and size. The technique can be divided into three major steps: The first step is pre-processing in which the original image is transformed into a binary image utilising a 300 dpi scanner and then thinned using a parallel thinning algorithm. Second, the image-skeleton is traced from left to right in order to build a binary tree. Some primitives, such as Straight lines, Curves and Loops, are extracted from the binary tree. Finally, a three layer artificial neural network is used for character classification. The system was tested on a sample of handwritten characters from several individuals whose writing ranged from acceptable to poor in quality and the correct average recognition rate obtained using cross-validation was 86%.     

基于粒子群优化的自组织特征映射神经网络及应用

采用粒子群优化(PSO)算法优化权重失真指数(LW D I),提出了基于粒子群优化的SOM(PSO-SOM)训练算法.用该算法取代K ohonen提出的启发式训练算法,同时引进核函数,以加强PSO-SOM算法的非线性聚类能力.以某工厂丙烯腈反应器数据为聚类应用研究对象,研究结果表明,与启发式训练算法相比,PSO-SOM算法能够得到较优的聚类,而且该算法实现简单、便于工程应用,对丙烯腈反应器参数调整以及收率监测具有显著的指导作用.