基于SVM的手写数字相似字识别研究

该文针对银行票据识别系统中的手写数字的识别问题,利用神经网络和支撑向量机相结合的方法构建了手写数字的识别核,并利用支撑向量机对神经网络输出的识别结果中的相似字进行了二次识别,解决了手写数字中相似字的识别问题,最终的单字误识率达到2.0426%～5.4369%,满足了银行票据识别系统中的手写数字识别的实际要求。     

基于模版匹配的联机手写数字识别系统设计

模式识别就是通过计算机用数学技术方法来研究模式的自动处理和识别。随着计算机技术的发展,人们对模式识别技术提出了更高的要求。本文主要介绍了模式识别的基本原理和联机手写数字识别系统的设计实现过程。分析了图像分类过程．分类判别函数的应用以及模式识别的过程;本文设计的联机手写数字识别系统是在VC＋＋环境下开发的,在数字手写区域手写一个0～9之间的数字,系统应用识别功能就可以得到对应的类别名称。     

基于SVM的数字二次识别方法与仿真研究

数字识别作为模式识别发展的一个分支,在实际应用中有很强的应用价值,如何进一步提高识别率也一直是研究的热点.该文通过分析模式识别的两类主要方法,结合数字结构特征和数字统计特征共同提高数字识别的正确率.支持向量机(SVM)是本文应用的主要识别机器.针对支持向量机在训练过程中存在被错误分类的样本,该文提出了一种基于二次识别的SVM算法.该算法通过提高支持向量在样本中的比例,提高了SVM的识别性能.结合数字结构特征的SVM二次识别算法提高了识别正确率,也为数字识别提出了一种新的思路.     

支持向量机算法实现人民币序列号识别

人民币序列号识别是一个小样本、非线性和高维模式识别问题,是当前模式识别中的难题之一,具有重要研究意义和实用价值。主要研究了统计学习理论中支持向量机的二次优化算法,并将支持向量机应用于货币序列号的机器识别中。将次序最小优化算法构建的支持向量机用于序列号识别,充分发挥了支持向量机解决小样本、非线性和高维模式识别问题的优点。支持向量机（SVM）实验结果表明,这种支持向量机货币识别方法具有较高的可实现性和识别精度。     

基于模糊模式的手写数字识别

手写体数字识别是一个难度很大,但却具有广阔应用前景的研究课题.文章提出了一种基于模糊模式识别和BP神经网络技术对手写数字进行识别的算法:首先应用BP神经网络技术对手写数字样本进行学习,然后结合模糊模式识别方法进行手写数字识别.实验表明,该方法的正确识别率达95%以上.     

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.     

基于混合核函数的脱机手写汉字识别

脱机手写汉字识别是模式识别领域一项难题.支持向量机(SVM)也是近年来发展起来并成功的用于模式分类的新型机器学习方法,由训练集和核函数完全刻画.其中核函数的选择决定了支持向量机的性能,由于普通核函数各有其利弊,为了得到学习能力和泛化性能都很强的核函数来吸收手写汉字的变形,采用混合核函数,并运用于手写体汉字分类.实验结果表明混合核函数对手写体汉字的分类识别率要高于由普通单个核函数构造的支持向量机.     

支持向量机在小字符集识别中的应用

支持向量机（SVM）是由Vapnik等人提出的一类新型机器学习方法，此方法利用较少的训练样本就可以达到比较理想的识别效果。本文应用SVM对手写数字字符集进行识别，结果表明了该方法在小字符集脱机手写体识别中的实用性。     

基于支持向量机的手写体相似字识别

本文提出对手写相似汉字进行识别的支持向量机方法。该方法与人工神经网络一样适用于小规模分类,但由于支持向量机依据结构风险最小化原则,因此泛化能力更强。并且,由于支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解。本文用支持向量机算法对三组手写相似汉字进行了识别,取得了较好的结果。     

基于VC与MATLAB的声目标识别系统设计

鉴于声目标识别在民用和军用方面的广泛应用,对声目标进行识别已成为模式识别领域中的研究热点之一.使用小波分析实现对声信号的消噪处理,采用小波包能量特征提取方法获得目标声信号的特征向量,分类器设计采用支持向量机的模式识别方法,对声目标识别系统的组成、功能结构和框架结构进行了设计,同时介绍了系统数据库设计的要求和方法,并给出了基于VC与MATLAB联合编程的声目标识别系统中的主要算法及实现程序.仿真实验表明,系统能有效地对声目标进行分类识别.     

基于流形学习的单字符字体辨别

文字种类识别及字体辨别已成为继印刷体文字识别以后新的国内外研究的热点,关于单字的手写体和印刷体辨别的研究不多,但在表单中却极为常用。对于字体辨别问题,引入流形学习算法局部线性嵌套（LLE）,假定数据为存在于嵌入高维空间的一个低维流形。提出了用于单字字体辨别的LLE泛化方法及邻域和内在维数的参数估计方法,基于印刷体/手写体汉字字符及数字的辨别实验表明,其性能优于直接支持向量机（SVM）分类,且经过LLE降维后的数据直接用线性判别分析方法（LDA）分类可以获得与LLE计算后SVM分类相近甚至更高的正确率和更快的分类速度。     

Improved Scale-Invariant Moments for Deformation Digits

This paper presents improved scaled-invariant moments for digits with deformations. We claim that deformation digits would be digits with improper shapes, unconstrained styles of writing and different orientations. An experimental evaluation of utilizing various moments order as pattern features in recognition of handprinted and handwritten digits have been carried out using improved scaled-invariant moments. We use scale-invariant moments of order 2 for the numerator and order 4 for the denominator while preserving the scale factor of the same order. These moments have been used as feature extraction for digits with various orientations. Digits are rotated clockwise and counter clockwise of 45 degree, and using unequal scaling in x and y directions. As a comparison, we generate geometric moment invariants on handwritten digits. We train improved scaled-invariant moments using a standard backpropagation model and modified backpropagation model for classifications. We found that the results are promising with improved scaled-invariant moments of higher order, and the classifications of digits are successfully recognized.     

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。     

基于支持向量机的手写体数字识别

提出了一种基于支持向量机的手写体数字识别系统。支持向量机方法，突破了传统模式识别方法的局限，使得基于支持向量机的分类器具有较好的推广能力。文中重点阐述了支持向量机的基本原理和集成在该系统中的重要的处理模块，实验结果表明该系统具有较高的识别率和较强的实用性。     

Gujarati handwritten numeral optical character reorganization through neural network

This paper deals with an optical character recognition (OCR) system for handwritten Gujarati numbers. One may find so much of work for Indian languages like Hindi, Kannada, Tamil, Bangala, Malayalam, Gurumukhi etc, but Gujarati is a language for which hardly any work is traceable especially for handwritten characters. Here in this work a neural network is proposed for Gujarati handwritten digits identification. A multi layered feed forward neural network is suggested for classification of digits. The features of Gujarati digits are abstracted by four different profiles of digits. Thinning and skew-correction are also done for preprocessing of handwritten numerals before their classification. This work has achieved approximately 82% of success rate for Gujarati handwritten digit identification.     

HMM在手写数字结构信息建模中的应用

针对传统隐马尔可夫模型（HMM）在识别对象时没有有效利用所识别对象的结构信息,提出了一种基于原图像分块的HMM。这种模型利用原图像的各个分块作为状态,因此具有相应的拓扑结构,可以为所识别对象的结构信息建模。为了增强模型的描述能力与精确性,采用二阶HMM,引入了终止状态,将其应用在手写数字识别中。考虑到手写数字的结构特点与模型的拓扑结构,提出了一种提取手写数字笔画特征的方法,即根据叉点提取各个笔段的特征向量。对MNIST字库进行测试,平均识别率为95.7%。     

基于轮廓特征的HMM手写数字识别

在手写数字识别中,边界链码和环构成了对字符轮廓的完整描述。针对手写数字的特点,建了24种笔划。首先将样本边界链码转化成由24个笔划组成的特征值,再加上环特征,构成整个特征值。然后利用隐马尔可夫模型（HMM）对提取的特征值进行分类识别。首次将字符轮廓特征应用在基于HMM的手写数字识别中,在识别MNIST字库上,取得了92.2%的识别率。     

基于改进卷积神经网络的多源数字识别算法

现有的数字识别算法多是对单一类型数字进行识别,无法应对识别多源数字。针对包含手写体数字与数码管数字的字符识别场景,提出一种基于改进卷积神经网络（CNN）的多源数字识别算法。首先,使用从数显仪表生产企业现场采集的样本,结合MINIST数据集,建立起包含手写体和数码管的混合数据集;然后,考虑更好的鲁棒性,提出一种改进的CNN,并用上述混合数据集对其训练,实现了一个网络识别多类型数字;最后,训练好的神经网络模型被成功应用于RoboMaster机甲大赛的多源数字识别场景中。测试结果表明,所提算法整体识别准确率稳定且较高,具有较好的鲁棒性和泛化能力。