基于svm手写数字识别系统设计

摘要:手写数字识别的模拟仿真系统是基于支持向量机分类方法,用sklearn自带的数据集进行训练获得svm分类模型,在Windows平台上配置使用MangoDb数据库,配置IIS解析.py文件,仿真结果表明本系统能流畅识别手写数字,达到预计目的。     

利用统计特征和结构特征识别手写汉字的方法

手写汉字识别是实现办公室自动化的前沿课题，选择具有良好可分性的特征，是提高系统识别率的根本保证。本文提出汉字的横竖方向上笔划穿越次数投影的Rapid变换为统计特征，用汉字的四边及四角部位作为结构的特征，通过对40，000个汉字样本的实验，结果表明分类效果良好，可以用此方法做成一个汉字识别系统。     

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。     

基于结构特征分类BP网络的手写数字识别

手写体数字识别有着重大的使用价值,用多层BP网络来识别手写体数字是手写体数字识别的一大进步,但是,用单纯的BP网络来识别也存在识别精度不高等的问题。将BP网络技术和数字本身的结构特征结合起来,提出了一种基于结构特征分类BP网络的手写体数字识别新方法。首先提取点、环等数字特征值,并根据一些特征进行分类;然后再运用BP神经网络识别,以提高网络的识别能力;最后,选取了500个人的0~9的手写体数字,运用以上算法进行BP神经网络识别,用3000个手写体数字作为训练样本,2000个其他的样本进行测试,网络收敛后,识别率达到96%以上,比原来有一定的提高。     

基于结构特征分类BP网络的手写数字识别

手写体数字识别有着重大的使用价值，用多层BP网络来识别手写体数字是手写体数字识别的一大进步，但是，用单纯的BP网络来识别也存在识别精度不高等的问题。将BP网络技术和数字本身的结构特征结合起来，提出了一种基于结构特征分类BP网络的手写体数字识别新方法。首先提取点、环等数字特征值，并根据一些特征进行分类；然后再运用BP神经网络识别，以提高网络的识别能力；最后，选取了500个人的0～9的手写体数字，运用以上算法进行BP神经网络识别，用3000个手写体数字作为训练样本，2000个其他的样本进行测试，网络收敛后，识别率达到96％以上，比原来有一定的提高。     

一种手写数字的多级分类器设计

对手写数字识别技术进行了研究和探讨,提出一种新的多级分类嚣手写数字识别方法.该识别方法以图像预处理和字符特征提取为基础,采用BP神经网络分类器进行第一级识别、结构特征分类器进行有选择的第二级识别,并提出一种全新的端点特征提取法,大大地简化结构特征分类器的设计.实验结果表明,多级分类器较单一的神经网络分类器的识别率有了明显的提高.     

BP神经网络算法下手写数字识别技术研究

BP神经网络能够在模式识别中发挥重要的作用,这是因为它的并行结构、并行处理能力以及自行组织、适应和学习的能力非常强,它所独有的非线性特征也构成了关键的影响因素.为了能够发明一种识别效果显著的方法,需要以BP神经网络为基础,考虑到可能存在的各种干扰因素,对数字识别技术开展研究和分析.以研究的根本目标为驱动力,建立BP神经网络的架构,发现模型中存在的各种问题并加以完善和修正,由此建立起完整健全的神经网络.MATLAB仿真实验的结果显示,完善后的BP神经网络大大提高了手写数字识别的准确率,也缩短了识别时间,未来有很大的发展潜力.     

基于BP神经网络的手写数字识别的算法

由于BP神经网络具有并行处理信息、自组织、自学习信息等优点,本文采用了BP神经网络对手写数字识别进行运算,提取笔画密度、长宽比和欧拉数等特征作为训练样本.并用Matlab对其算法进行仿真,并且很准确的识别出来,说明其有非常广泛的前景.     

基于主成分降维模型的手写数字识别研究

手写数字识别是光学字符识别技术的一个分支,因其受不同国家背景、个人书写习惯等因素的影响,脱机手写数字识别依旧是模式识别领域的重要难题.因此如何利用适当的图像预处理过程消除冗杂信息对特征提取的影响,为不同形态的手写体数字提供精准高效的算法模型是本文所研究的重点.     

手写体数字识别技术的研究

手写体数字识别特征提取方面，有模板匹配，统计特征和结构特征，在分类器设计上有基于距离的分类器和神经网络分类器等，分析和评价了这些问题后，指出今后的研究方向应在特征综合，分类器集成以及新的分类器的研究上。     

基于混合特征的孟加拉手写体数字识别

根据孟加拉手写体数字的特点,用Kirsch算子提取象素的水平、垂直、右对角线以及左对角线的特征矢量,并与字符图像的密度特征相结合,采用BP算法训练的MLP网络作分类器进行识别。最后,用从实际孟加拉信封图像中采集到的手写体数字作样本进行实验,达到了96.1%的识别率。     

基于动态权值集成的手写数字识别方法

提出了一种基于动态权值集成的多分类器手写数字识别方法。该方法采用BP神经网络的方法,对不同的特征输入向量构建不同的神经网络分类器,通过设定动态权值,进而对不同的分类器的输出向量采用多类器集成方法进行系统集成。实验结果表明该方法具有较高的识别率和识别精度。     

基于PSO-BP算法的规范手写体数字离线识别

针对BP算法存在的易陷入局部极小点、收敛速度慢、所设计的网络泛化能力不能保证等问题,提出了一种基于粒子群优化算法（PSO）的BP（PSO—BP）网络的权值调整新方法。该算法在基本BP算法的误差反传调整权值的基础上,再引入PSO算法的权值修正,从而建立了基于PSO—BP网络模型。基于此模型设计了规范手写体数字识别的分类器,采用随机手写数字样本进行了仿真实验,结果表明：PSO-BP算法提高了网络的稳定性,避免了BP算法容易进入平坦区、陷入局部极小等问题。     

基于组合分类器的自由手写体数字识别方法

自由手写体数字识别广泛应用于信息录入和文本识别中。基于组合分类器实现手写数字的识别,克服了单因子识别的局限性,识别中使用距离法和改进的BP神经网络方法,以多种特征向量作为分类器的输入,以举手法则确定识别输出。实验证明,该系统具有较高的识别率和极低的误识率,有令人鼓舞的应用价值。     

利用Radon变换实现手写数字识别的新方法

提出了一种新的手写数字识别方法,利用传统的Radon变换,找到了一种新的旋转不变特征,最后采用BP神经网络分类器进行分类。实验表明,该方法不仅具有93.89%的高识别率,而且对字符旋转具有很好的鲁棒性。     

基于识别的手写数字串分割

手写数字串的分割与字符识别密切相关.采用基于识别的分割方法,在分割过程中引入识别机制识别分割碎片,将识别结果经过差值运算后置为每个识别对象的识别可信度,利用动态规划找到最佳分割路径.在训练分类器时,使用反例样本估计分类器参数,得到了性能良好的分类器.实验数据表明,利用正例和反例样本结合训练的分类器比只经过正例样本训练的分类器的识别率要高很多.     

一种基于纹理识别的手写数字识别方法

提出了一种新的手写数字识别方法,通过将一幅规范化手写数字图像做任意旋转和简单排列,形成纹理图像,将手写数字识别问题转换为纹理识别问题。然后提取纹理图像在不同方法的主频中心作为特征向量,用最小距离分类器进行分类。实验表明,该方法不仅具有高的识别率和低的特征维数,而且具有旋转、伸缩和平移不变性。     

基于笔划特征和MCLRNN模型的联机手写藏文识别

提出了一种新的多层联系子层递归神经网络（MCLRNN）模型并融合藏文字丁的空间结构特征来进行联机手写藏文识别。改进后的网络结构具有多层联系子层来保留若干时刻的网络内部状态,从而可以更好地表征藏文字的各笔划特征以及笔划间的空间结构关系,同时,采用更适用于模式分类的交叉熵准则和改进的梯度下降算法来训练网络,加快了网络的收敛速度并增强其分类能力。仿真实验取得了令人满意的结果。     

BP算法在手写体汉字识别中的应用

介绍了人工神经网络的概念和原理，重点介绍和推导了BP算法。分析了手写体汉字识别存在的问题及应用的技术，并对利用BP算法进行手写体汉字识别进行了详细讨论，分析了在用BP算法进行手写体汉字识别时的具体步骤，最后介绍了对BP算法提出的改进方法。     

Model based odia numeral recognition using fuzzy aggregated features

In this paper, an efficient scheme for recognition of handwritten Odia numerals using hidden markov model （HMM） has been proposed. Three different feature vectors for each of the numeral is generated through a polygonal approximation of object contour. Subsequently, aggregated feature vector for each numeral is derived from these three primary feature vectors using a fuzzy inference system. The final feature vector is divided into three levels and interpreted as three different states for HMM. Ten different three-state ergodic hidden markov models （HMMs） are thus constructed corresponding to ten numeral classes and parameters are calculated from these models. For the recognition of a probe numeral, its log-likelihood against these models are computed to decide its class label. The proposed scheme is implemented on a dataset of 2500 handwritten samples and a recognition accuracy of 96.3% has been achieved. The scheme is compared with other competent schemes.