基于BP神经网络的车牌识别技术研究

车牌识别（LPR）是智能交通中关键技术之一。针对目前车牌识别技术存在的一些问题,详细分析基于BP神经网络的车牌字符识别方法,对BP神经网络收敛速度慢且容易陷入局部极小点的缺陷进行改进。经仿真实验结果表明效果良好。     

基于改进BP算法的数字字符识别

本文利用BP神经网络算法，在MATLAB环境下，分别用理想字符信号和含噪声字符信号对同一网络进行了训练，使系统具有较强的容错性。最后用实际扫描的不同字体字符进行了识别实验。实验结果证明了系统在实际应用中的可行性。     

基于遗传算法演化网络的字符识别研究

将神经网络应用于字符识别,对BP网络和经遗传算法演化后的BP网络进行比较研究.计算结果表明,在训练效果与识别效果两个方面,遗传算法演化后的网络具有更好的识别效果,并能够大幅度提高网络训练时的收敛速度.通过理论分析其原因后得出结论,利用遗传算法做字符识别具有更优的性能.     

基于BP神经网络的字符自动识别研究

针对传统识别方法的盲目性和低效率,采用BP神经网络进行字符识别,具有较高的准确性,经过训练可有效地提取信号、图像等感知模式的特征,对档案管理档案号的数字识剐进行研究与应用.实验表明,在图像识别中,尤其是否图像的字符识别中,BP神经网络在识别准确率和先验知识等方面有着明显的优势.     

基于混合神经网络的车牌字符识别技术

车牌识别是智能交通系统的重要组成部分,其关键是车牌字符识别技术。单一的神经网络难以识别模糊的车牌字符,文中提出了一种混合神经网络实现车牌字符识别技术。该混合神经网络结合联想记忆与BP神经网络,对输入的字符进行两次判别,经过训练、特征提取得到检测结果。通过在不同的噪声和不同的角度实验表明,采用混合神经网络具有更高的识别精度。     

基于BP神经网络地图符号的识别

点状地图符号的识别是地图自动识别的重要研究内容之一。研究了基于BP神经网络点状地图符号的识别,对BP神经网络在数字地图符号识别中的应用进行了详细的介绍,其中包括地图符号预处理的过程,以及改进的BP网络进行地图符号的识别过程。最后,对实验结果进行了展示,表明了改进BP网络算法的实用性和高效性。     

车牌图像特征提取及改进神经网络的识别算法研究

针对车牌字符图像进行特征提取与识别算法的研究。使用BP神经网络识别算法建立车牌字符图像的识别。由于常规BP神经网络算法本身存在训练过程容易陷入局部最小值、收敛效率低以及网络结构参数不易确定等缺点。另外,BP网络结构参数的选取对算法的性能影响很大,而参数的选取通常是根据经验公式选取的,存在很大的随机性和盲目性,使算法的性能无法得到保证。因此该文使用收敛速度快、适用于全局搜索的PSO优化算法对BP神经网络算法的性能进行优化,研究一种双粒子群优化的改进BP神经网络算法。最后通过车牌识别实验对识别算法进行研究,结果表明,通过对神经网络算法进行改进,使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型,具有较好的识别性能。     

基于PCA融合神经网络的移动设备威胁研究

为了提高移动设备存在威胁风险分析的准确率和抗干扰能力,进而降低投诉率,提出一种基于PCA融合BP神经网络风险分析模型.通过核主成分分析将设备威胁类型从10个特征量降低到3个主特征量,提取了原始数据的主信息,并以降维后的特征量作为BP神经网络的输入特征量,建立设备威胁风险分析模型.最后通过实验对比了多种模型算法, 结果表明采用PCA结合BP神经网络的风险分析模型具有更好的风险识别准确率.     

基于主成分分析与BP神经网络的识别方法研究

利用BP神经网络对红外目标进行识别之前,若不对原始样本数据进行预处理与特征提取,一方面使识别结果准确性降低,另一方面使BP神经网络的结构复杂化,采用主成分分析法可解决这些问题。主成分分析法能较好地提取表征样本的少数几个主分量,由该方法的特点可知,这几个主分量彼此不相关,非常符合特征优化的要求。研究结果表明,用该方法处理后的结果数据输入BP神经网络．提高了识别正确率,减少了训练时间,同时也简化了网络结构。将两种常见的模式识别方法结合用于红外目标识别：先由主成分分析法对原始样本数据进行精简处理,然后再由BP神经网络法进行分类识别,与传统的单一识别方法相比,准确度得到提高,计算量大为减少。     

主成分分析与BP神经网络的人脸识别方法研究

BP神经网络在人脸识别方面的研究中,原始样本数据不进行预处理与特征提取,不仅使识别结果准确降低,而且使BP神经的结构复杂化。主成分分析法能提取代替样本的少数几个主成分,这些主成分彼此不相关,符合特征优化的要求。BioID人脸数据库实验表明,将主成分分析与BP神经网络相结合,与传统单一的BP神经网络识别相比,提高识别的正确率,减少了训练时间,同时简化了网络结构,减少很大的计算量。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

BP神经网络在电子战效能评估中的应用

利用BP神经网络算法对电子对抗干扰效果进行评估,根据干扰效果评定的诸因素的隶属函数确定其隶属度,以此作为神经网络输入层数据.然后,根据选定的训练样本对所构造的三层BP神经网络进行训练,再运用几组典型干扰对抗效果实验数据对该BP神经网络性能进行检验.结果表明BP网络已经训练好,用此BP神经网络评估电子对抗干扰效果是合理的,该方法减少了评估中的人为因素,使得评估结果更为可信.     

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。     

神经网络在时间序列预测中的应用研究

介绍了时间序列预测的基本概念、各种模型,分析了基于神经网络的时间序列预测方法,阐述了BP神经网络基本原理,提出了一种基于BP神经网络的时间序列的预测和方法。通过应用实例的分析表明,以此方法得到BP网络应用于非线性时间序列预测是可行的,神经网络方法可以成功地用于分析预测时间序列变量。     

基于优化GA-BP神经网络的金融产品营销预测

传统BP神经网络存在着网络结构参数确定过于依赖经验、易于陷入局部解等缺陷,为了改进BP神经网络模型的应用缺陷,提出优化GA-BP算法,通过GA算法优化BP神经网络拓扑结构和网络参数初始值的选取过程,并且为了验证模型的可行性,以某银行短期理财产品营销的客户历史数据作为实证研究对象,并通过与BP神经网络模型的对比实验,验证该模型可以更精确地预测银行理财产品的客户营销结果。实验结果表明将该模型用于对金融产品营销数据的仿真计算,可以更精确地预测未来营销结果。     

基于遗传BP神经网络算法的主被动遥感协同反演土壤水分

提出了一种基于遗传神经网络算法的主被动遥感协同反演地表土壤水分的方法.首先,建立一个BP神经网络,并采用遗传算法对BP网络的节点权值进行了优化.然后分别将TM数据(TM3,TM4,TM6)、不同极化和极化比的(VV,VH,VH/VV)ASAR数据作为神经网络的输入,土壤水分含量作为网络的输出,用部分实测数据对网络进行训练并反演得到研究区土壤水分布图.最后,利用地面实测数据分别对遗传神经网络优化算法的有效性和主被动遥感协同反演的效果进行了验证,结果表明,新优化算法是有效可行的,且TM和ASAR协同反演的结果比两者单独反演的结果明显要好,体现了主被动遥感协同反演土壤水分的优势与潜力.     

利用误差逆传播神经网络法识别几种毒品的太赫兹光谱

在采用太赫兹时域光谱(THz-TDS)技术对9种常见毒品进行实验研究并得到它们在0.2～2.6THz频率范围的特征吸收谱的基础上,用误差逆传播(BP)神经网络法对9种常见毒品的太赫兹吸收光谱进行了训练及识别。首先,用9种毒品的太赫兹吸收谱训练已经建立的误差逆传播神经网络;然后,选用与训练光谱不同时间测得的9种毒品的太赫兹吸收光谱作为检测光谱,经过二阶导数预处理之后分别输入到训练好的误差逆传播神经网络中进行识别,识别率达到89%。该误差逆传播神经网络模型采用MATLAB语言编制程序。识别结果充分表明,用误差逆传播神经网络可以实现对不同种类毒品的识别和鉴定,为太赫兹光谱技术用于毒品的检测和识别提供了一种有效的方法。     

基于BP神经网络的地震动信号识别

通过数据采集得到三种不同类型车辆的地震动信号,采用小波消噪和特征提取,得到样本数据对神经网络进行训练,训练完成的神经网络就能实现车辆类型的识别。试验结果表明,BP神经网络对车辆目标具有较高的识别率,证明对地震动信号的特征提取方法是正确的,人工神经网络是有效的目标识别方法。     

神经网络在系统辨识中的应用研究

系统辨识在工业方面应用广泛，用神经网络进行系统辨识适用于线性系统和非线性系统。对系统辨识及神经网络均作了较为详细的介绍，并以BP网络为例介绍了网络的初始化、训练和仿真函数，给出了网络结构的设计和辨识结果的输出。     

基于KPCA-GA-BP神经网络的POI质量预测研究

目前移动网络优化一般基于小区进行网络质量评估及预测，遵循“升维研究，降维实施”的研究思路，提出了兴趣点（point of interest,POI）网络质量的柔性评价体系，但其涉及较多网络关键绩效指标（key performanceindicator,KPI），导致POI网络综合质量评价体系较为庞杂且预测精度不高，为提高POI网络质量预测精准性，采用核主成分分析（kernelprincipalcomponentanalysis,KPCA）算法对反向传播（back propagation,BP）神经网络的输入变量进行相关性压缩，简化了BP神经网络结构，然后通过遗传算法（genetic algorithm,GA）优化了BP神经网络连接权值及阈值参数。与传统BP神经网络预测结果进行对比，在预测准确度方面提高了10.90%，均方误差性能显著降低，对研究POI网络质量的预测可起到较好的支撑作用。