慢速权值更新的ART2神经网络研究

ART2是基于自适应谐振理论的一种自组织神经网络,通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无监督的自学习,其学习过程能迅速识别已学习过的样本,并能迅速适应未学习过的新对象。提出了一种基于慢速权值更新的ART2神经网络算法,该算法在对输入模式进行识别分类时,会减慢学习速率,降低模式漂移的速度。新的网络学习规则在分类实验中取得了较好的效果,并在一定程度上解决了模式漂移问题。     

基于BP神经网络的单数字字符识别算法实现

提出一个BP神经网络的单数字字符识别算法的总体实现方案,实现单数字字符图像的采集、储存、识别和显示。根据BP神经网络的原理,把识别算法分成工作期算法和学习期算法,并采用VC 6.0软件,运用VC语言分别设计并实现其算法,用MFC设计了系统的显示界面,最终可以在液晶屏幕上看到字符的识别结果。结果显示运用该算法,单数子图像识别率在90%以上,而且学习次数越多,识别率越高。基于BP神经网络的单数字字符识别算法可以广泛应用到数字仪表、车牌识别、卫星定位等很多领域,具有一定的应用价值。     

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。     

基于遗传策略和神经网络的非监督分类方法

文章提出了一种新的基于遗传策略和模糊ART(adaptive resonance theory)神经网络的非监督分类方法.首先,利用原有的训练样本对模糊ART神经网络进行非监督训练,然后,采用遗传策略为模糊ART神经网络增加各类族边界邻域内的训练样本点,再对模糊ART神经网络进行有监督训练.这种方法解决了训练样本在较少条件下的ART系列神经网络的学习与分类问题,提高了ART系列神经网络的分类性能,并扩展了其应用范围.     

ART—2A的同相位不可分问题及其解决方法

自适应共振理论（ART）是一种典型的、无监督的、能够对复杂输入模式实现自组织识别的神经网络,本文经分析发现标准ART－2A算法中存在“同相位不可分问题”,由此提出新的F1层非线性变换函数和F2层竞争学习算法,把ART－2A算法的适用范围扩展到整个实数域,然后提出了相应的线性变换处理方法把“同相位不可分问题”转化为“整个坐标平面内的相位划分问题”,从而很好地解决上述问题,增强了ART－2A算法的适用性。验证算例的结果表明,新型ART－2A算法能够对更为广泛的数据模式进行自适应识别,分类结果准确。     

Android平台上基于卷积神经网络的手写数字识别实验

卷积神经网络算法由于良好的性能已经广泛使用在自动驾驶、语音识别和图像分类等领域,为增强学生学习和利用卷积神经网络算法的能力,文章设计在Android平台上基于Tensor Flow卷积神经网络的手写数字识别实验,并说明实施过程,同时介绍卷积神经网络算法、Android平台相关技术原理和实验过程。     

手写体数字识别的一种模糊联想记忆神经网络方法

手写体数字识别是当前神经网络应用研究最为活跃的领域之一。本文找出一种基于模糊联想记忆神经网络模型的识别方法，并获得较为满意的计算机模拟结果。与常用的ＢＰ网络算法相比，具有学习速度快、算法简单、网络规模小、拓扑结构简单等优点。     

基于PCA初始化卷积核的CNN手写数字识别算法

针对卷积神经网络对手写数字识别训练在卷积核随机初始化情况下收敛速度慢和识别率低的问题，提出一种主成分分析（PCA）初始化卷积核的卷积神经网络（CNN）手写数字识别算法。算法首先选取训练样本集并将其送入CNN，在相应层对Feature Map进行全覆盖取图像块处理，然后进行分层PCA学习，将学习到的特征向量做为对应卷积层的卷积核参数进行初始化，最后再用这些卷积核对原始图像进行卷积操作。实验结果表明，与随机初始化卷积核的CNN手写数字识别算法相比，改进的算法在应用MNIST数据库训练时不仅收敛，而且在产生相同均方误差的情况下迭代次数少，识别率高。     

基于组合特征的Bp神经网络数字识别方法

提出一种组合特征作为Bp神经网络输入层向量实现数字字符识别算法.该算法首先引入了数字字符结构特征中图段特征,并结合数字字符的行列统计特征组合成为新的特征向量;然后根据新的组合特征向量设计Bp神经网络分类器;最后对已有的数字图像样本空间中的训练样本库按照Bp神经网络分类器训练方法进行训练,并对测试样本库中的样本进行识别.根据测试实验,数字字符的识别准确率可达到94%以上.     

基于神经网络和模糊匹配算法的手写汉字预分类研究

对手写汉字识别问题,提出了一种在识别之前对手写汉字预分类的新方法,该方法用Neocognitron网提取字符笔画特征,然后采用有监督的扩展ART神经网络（SEART）产生一定数量的预分类组并通过基于模糊相似测量的匹配算法进行预分类。实验表明,该方法用于手写汉字分类效果良好,预分类正确率达到98.22％。     

分时电表表盘数字读数的自动识别系统

研究了分时电表表盘数字的自动识别，它是电表误差分析系统的关键所在。识别工作包括平段和谷段整数和小数数字的识别，难点在于刻度轴歪斜、半个字符的识别，以及刻度对应的小数值的推算。该文构建了一个完整的分时电表表盘数字自动识别系统。该系统以二值化、投影算法、开闭运算、边缘提取、Hough变换等一系列算法作为预处理，提出了整字和非整字两种识别算法。针对300帧现场采集的电表图像，该系统获得了单字正确识别率998％和整表正确识别率97．3％的结果，表明该系统具有较强的鲁棒性。     

基于像素比例法和GA-BP的单相电表读数识别

对单相电表表盘读数的显示特点进行了研究,针对在电表表盘末位刻度识别中存在识别困难,识别率低的情况,提出了像素比例法这一精确识别方法.对初始图像采用大津二值化法,中值滤波法进行预处理,用投影法分别对字段及单个字符进行分割.采用GA-BP算法识别表盘读数.在样本集下单整字识别率为99.2%,非整字识别率为97.7%.实验结果表明,该方法对刻度有较高的识别精度.     

一种基于VC++的电子体温计读数自动识别方法

介绍了一种基于VC++的医用电子体温计的自动识别方法。根据电子体温计显示的特点,提出了一种利用机器视觉识别电子体温计读数的一种新方法。该方法利用扫描法进行字符区域的定位和单个字符的分割;利用穿线法识别数字字符;利用穿线法和模板匹配相结合的方法识别小数点。实验结果表明,该算法识别率高,识别速度快。     

静态背景下移动数字快速捕获与识别方法研究

介绍了静态背景下移动数字快速捕获与识别的一种方法。通过构造参考模板去除静态图像背景,采用投影法进行移动数字快速捕获及分割,提出了基于端点与孔洞特征的数字识别方法,并给出了具体实现过程,指出了可能出现的异常情况(如搭链)及其解决途径。该方法捕捉快、识别率高,可应用于目标位置快速跟踪和数字识别的相关研究领域。     

用于模式识别的ART-2神经网络算法的改进

针对模式识别中模式有序输出的要求,对ＡＲＴ－２神经网络的算法进行了改进和调整,提出了ＡＲＴ－２神经网络的改进算法,通过对改进算法与原算法的识别试验结果进行比较,表明该改进算法对模式的有序输出是可行的和有效的。     

一种实时精确的数字识别方法

提出了一种实时的,具有旋转、尺度不变性的数字识别方法,它分为两个过程。第一,提取数字的Zernike矩及其若干拓扑结构特征量,并因此而形成一个多维特征向量;第二,在第一步提取的特征向量的基础上,使用改进的最近邻分类器完成目标识别。依据该文提出的方法所实现的数字识别系统,在其训练过程中,仅仅使用一种尺寸、4个方向的真实数字字符图像。在识别阶段,使用5种不同尺寸、8种以上不同旋转状态的真实数字图像进行测试,识别正确率可达到96%。测试表明该方法达到实时性的要求。该文提出的方法已成功地应用于运煤火车车箱上印刷体数字序号的识别系统中,取得了良好的效果。     

模糊ART神经网络的识别算法及其应用

提出并设计了模糊ART神经网络的结构、学习规则和识别算法.为了把该算法应用于人脸识别,定义了相似函数和匹配搜索方法,通过向量柱状图提取人脸特征,并用模糊ART神经网络对向量柱状图生成的特征向量进行识别.仿真实验结果表明,对于快速学习和非快速学习,不同的人具有不同的识别率,各有不同的警戒参数值可以使神经网络到达在线最大识别率82.25%和86%.     

基于置信度的多分类器互补集成手写数字识别

离线手写数字识别是光学字符识别的一个重要分支,在银行票据识别、邮政编码识别等领域有着广泛的应用。由于单一分类器在识别率上很难达到要求,人们提出了各种集成分类器识别方案。通过对离线手写数字的特征提取,从特征互补的角度出发,采用了最小距离分类器、树分类器和BP网络分类器进行多分类器互补集成,提出了基于置信度的多分类器互补集成方法。通过实验对比,基于置信度的多分类器互补集成手写数字识别在识别率和识别速度上达到了满意的结果。