基于卷积神经网络的脱机单个手写汉字识别

本文在GoogLeNet网络基础上搭建了一个适合手写汉字识别的卷积神经网络.研究建立了新的手写汉字训练集,新训练集综合了现有的训练集并剔除了其中的错误,同时加入印刷体训练集,增加书写风格的多样性.训练神经网络时采用随机梯度下降算法,并加入动量项加速网络参数的收敛,使用正则项防止过度拟合,最终训练出的神经网络在训练集上的正确率为99.56％,在验证集上的正确率达到96％,并具有很好的泛化能力.     

基于深度学习的汉字识别

随着深度学习的持续发展,近年来用于手写汉字的识别也有了极大的突破,但现有的许多方法参数众多、运算量较大、模型架构庞大且相对复杂,所需存储容量大,对实验的环境要求较高。针对以上问题,提出了基于MobilenetV2的汉字识别,采用深度可分离卷积,相对于其他的网络模型,在运算量、模型架构等问题上化繁为简,且MobilenetV2网络模型是在MobilenetV1的基础上进行改进的,增加了线性瓶颈和倒残差。一是扩充了通道数用来提取更多的特征信息,二是使用线性函数替换ReLU用来降低变换过程中信息的损失率。适合于移动设备设计,通过大型中间张量来显著减少内存占用,其综合识别的准确率可以达到92%以上。     

手写汉字的四角识别方案

手写汉字的本质特征的抽取是提高识别率的关键，而识别规则的生成又依赖于大量样本的归纳学习，手写汉字的四角方案就是针对这两个问题设计并实现的。实验结果证明了该方法的可行性和优越性。     

基于深度置信网络的手写数字识别系统设计

手写数字识别在现实生活中的各个领域应用广泛,已经成为近年来研究的热点问题。基于多种人工智能方法的手写数字识别系统得到了研究,但传统的方法存在着精度不高、容易陷入过耦合等问题,本文采用深度学习理论中的深度置信网络方法对手写数字识别系统进行设计,得到一个新的手写数字识别系统,应用结果证明,该系统精度较高,可以有效进行数字识别。     

取汉字笔划的特征点来识别联机手写汉字

本文介绍一种如何取得汉字笔划特征点并对特征点进行处理的方法。在实际产品形成中使用了此方法，证明这样的处理简便、可靠。在联机手写识别过程中，对提高识别速度提高识别准确性起到良好效果。     

取汉字笔划的特征点来识别联机手写汉写

文章介绍一种如何取得汉字笔划特征点并对特征点进行处理的方法。通过在实际产品形成中使用了证明其处理简便、可靠。在联机手写识别过程中，对提高识别速度、提高识别准确性起到良好的效果。     

一种云平台下高识别率的手写汉字光学图像识别系统

针对原有手写汉字识别系统中文字特征提取的相关问题,笔者在本篇文章中设计了一类全新的方法,本方法结合卷积神经网对字形相似的字智能化学习有效特征,并且采用了光学图像识别技术,另外,这类方法通过手写云平台中丰富的数据资源对模型进行高效的训练,同时根据频度统计形成特定的相似子集,以此有效的优化识别率。实验结果显示,和原有的支持向量机(SVM)以及最近邻分类器方法进行系统性的对比,本文所论述的方法能够显著提升识别率。     

基于改进BP神经网络的脱机手写文字识别

在MATLAB中构建脱机手写文字识别系统,并利用Levenberg-Marquardt算法对标准BP神经网络的阈值和权值进行优化。经过仿真实验,证明该改进方法克服了在识别过程中BP网络存在的训练时间长、收敛速度慢等缺点,并且提高了系统的识别率,是一种有效可行的BP网络改进方法。     

基于深度神经网络的高校贫困生认定模型

高校贫困生认定工作是当前高校学生管理的重要工作之一。校园一卡通产生了大量的数据,记录着在校大学生消费和学习情况。以深度神经网络为技术依托,建立高校贫困生认定模型。实验证明,该模型具有较高的准确度,为科学构建高校贫困生认定管理体系提供技术支持。     

基于大数据的复杂环境下调制分类方法

随着频率使用设备的激增和大数据时代的到来,频谱管理和控制面临着有效性和准确性的挑战.调制分类技术是频谱管理和控制的基础,也是其关键部分.因此,在大数据场景下进行有效的调制分类技术非常重要.本文不仅考虑了大数据背景下分类模型的有效性,还考虑了复杂电磁环境中噪声的动态性.因此,构建了一个包含不同信噪比下不同信号的大数据集,...     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

Real-time license plate detection and recognition using deep convolutional neural networks

Automatic License Plate Recognition (ALPR) is an important task with many applications in Intelligent Transportation and Surveillance systems. This work presents an end-to-end ALPR method based on a hierarchical Convolutional Neural Network (CNN). The core idea of the proposed method is to identify the vehicle and the license plate region using two passes on the same CNN, and then to recognize the characters using a second CNN. The recognition CNN massively explores the use of synthetic and augmented data to cope with limited training datasets, and our results show that the augmentation process significantly increases the recognition rate. In addition, we present a novel temporal coherence technique to better stabilize the OCR output in videos. Our method was tested with publicly available datasets containing Brazilian and European license plates, achieving accuracy rates better than competitive academic methods and a commercial system.     

基于弹性网格特征和神经网络的手写文字识别

提出一种有效的文字特征提取方法,在传统弹性网格基础上,采取与对角弹性网格相结合的方法进行特征提取,然后通过改进的BP神经网络进行文字识别.该方法集合了弹性网格特征和神经网络的优势,可有效提高手写文字的识别率、识别速度以及识别系统的泛化能力.实践证明,该方法用于文字识别准确性较高.     

Reversible data hiding based on multiple histograms modification and deep neural networks

In the previous multiple histograms modification (MHM) based reversible data hiding (RDH) method, the prediction-error histograms are generated by a fixed manner, which may constrain the performance owing to the lack of adaptivity. In order to compensate this, we propose a deep neural networks (DNN) based method for dynamical multiple histograms generation. Through learning the prior knowledge, DNN is able to establish the histograms with different sizes for a better redundancy exploitation. For each histogram, two optimal expansion bins will be determined to minimize the distortion caused by the modification. Besides, the strategy consisted of the memo technique and the entropy measurement are applied to accelerate the parameter optimization. Experimental results show that the proposed method outperforms some of state-of-the-art RDH methods.     

基于神经网络的自学习非特定人语音识别研究

详细介绍一种基于神经网络的自学习非特定人语音识别方法,首次介绍一种语音识别知识的自动检验方法——LVV法,给出系统原理图和知识库的自动完善原理;介绍一种LEA判别法,实现梯度牛顿有效结合神经网络快速学习方法,并给出了实验结果。