基于量子神经网络的手写体数字识别方法研究

手写体数字识别问题是模式识别领域的一个重要研究课题.提出了一种基于多层激励函数的量子神经网络和多级分类器组合的手写体数字识别方法,采用MNIST数据库进行训练和测试.实验结果表明,该识别方法在识别率和可靠性方面均有很好的效果,同时也体现出量子神经网络用于模式识别的优越性和潜力.     

基于神经网络集成的汽车牌照识别

对基于神经网络集成的汽车牌照识别的原理和方法进行了研究,并着重分析了现有技术的积极因素和潜在问题,提出了一种基于神经网络集成进行车牌文字识别的方法.在特征提取时采用了多种特征提取的方法,对提取的每种特征构建一个BP神经网络分别进行训练.最终待识别的字符将被神经网络集成进行识别.实践证明,利用该方法比单个神经网络识别有更高的识别率,具有较高的使用价值.     

基于GA的2DPCA在人脸识别中的应用

采用基于遗传算法(GA)的二维主成分分析法(2DPCA)进行人脸识别.2DPCA直接以二维图像矩阵为研究对象,以其协方差矩阵的特征向量为投影轴进行特征提取.为了达到识别时的信息最优,将遗传算法融入2DPCA,对协方差矩阵的特征向量进行优化选择得到最优投影轴,并在此基础上提取特征.最后在MIT人脸数据库上进行实验,表明识别率和速度均高于单纯使用2DPCA的方法.     

一种基于字符分割与字符识别的LPR方法

对车牌识别(LPR)系统中字符分割与字符识别方法进行探讨.根据车牌字符的特点,首先利用投影法采用水平扫描和垂直扫描进行字符分割,接着对字符图像进行归一化处理,实现对字符的完全分割.在此基础上,利用BP神经网络识别算法实现车牌字符的识别,从而提高系统的识别速度和识别率.数字仿真的识别结果验证了该方法的正确性和有效性.     

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.     

基于浮雕处理的红外数字图像鉴伪技术研究?

文中提出了一种对图像进行浮雕处理,然后通过闭运算消除不相关的细节,并用阈值法将图像二值化,最后采用模板匹配的方法进行鉴伪.这种方法取得了良好的试验效果,在实际应用中达到了100%的识别率.     

基于角点特征的形状识别

根据飞机形状角点之间的距离,定义了一种新的多维距离特征向量,不同飞机具有不同的多维距离向量.计算多维距离特征向量之间的相关系数,比较多维距离特征向量之间的相关性,能将每种飞机从飞机模型库中识别出来.实验表明,这种新特征向量具有较好的稳定性和区分性,算法识别率高、速度快,几乎达到实时效果.     

基于分段层近法的SMO参数选择

传统的支撑向量机(SVM)训练速度非常慢,使用RBF核的序列最小优化(SMO)是有效的SVM改进算法.综合网格法和双线形法的优点,提出分段层近法选择参数惩罚因子C和核参数σ2.同时用来训练二维数据,实验证明,SMO算法与传统的SVM算法都使用该法选定参数,在推广识别率方面为同一水平的情况下,运行速度有很大的提高.     

提高语音识别率点滴

Ｖｉａｖｏｉｃｅ语音识别系统是高正确率的语音识别产品。但是 ,有时你得到的识别正确率并没有所期望的那么高。影响语音识别准确性的因素较多 ,本文向你介绍提高识别率的若干心得。一、使用正确的用户在多个用户一起使用Ｖｉａｖｏｉｃｅ系统的情况下 ,用不正确的用户进行听写是很容易犯的错误。用错误的用户号听写将导致很差的识别率。因此 ,如果你发现识别率下降时 ,首先检查所使用的用户。二、麦克风或音频输入设备以及声音系统设置要正确这是保证语音识别率的重要因素。如果检查用户无误 ,用适中音调仍不能得到好的语音识别 ,则需要检…     

基于相关能量波动评估的学习样本筛选与深度置信神经网络的滚动轴承故障诊断研究

在数据驱动的滚动轴承状态智能辨识中,针对辨识模型构建过程中由于学习样本“质量差”造成其故障识别率低的问题,提出一种如何筛选学习样本的准则来提升基于深度置信神经网络滚动轴承智能辨识模型识别率的方法。首先,基于变分模态分解将具有时变调制特性的滚动轴承振动信号分解为有限个表征原信号不同成分的本征模函数分量;其次,根据其故障能量波动及其相关来量化并评估上述每个分量包含故障成分的比重,并据此对振动信号进行筛选重构来获取学习样本;最后,将上述学习样本集作为深度置信网络的输入来构建滚动轴承的故障辨识模型。实验结果表明,所提方法不仅筛选出滚动轴承振动信号中包含故障主成分的本征模函数分量并实现学习样本集构建,而且提高了基于振动数据的滚动轴承状态辨识模型的故障识别率。