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。     

基于神经网络的汽车牌照自动识别技术研究

提出了一种应用BP神经网络识别汽车牌照字符的方法,重点讨论了关于BP神经网络学习过程初始权值的选取、隐含层节点数的确定和权值学习算法的改进问题,实验结果表明：该方法用于车牌识别具有较快的收敛速度和较高的识别精度。     

基于BP神经网络的数字调制方式自动识别研究

研究了基于反向传播(BP)神经网络的数字调制方式识别算法(DMRA)的基本原理。针对八进制数字信号特点提出了两个新的调制识别特征参数。通过软件编程进行仿真实验,结果表明在相同信噪比情况下较基于决策理论识别方法的识别率高。     

基于BP神经网络的车牌识别建模及实现

为更加准确的识别车牌信息,本文研究设计了基于BP神经网络的车牌识别模型.通过数字图像处理技术预处理车牌图像、定位车牌区域、分割车牌字符,最后采用BP神经网络技术实现车牌字符的识别.通过MATLAB软件仿真实验,取得了较好的识别结果.     

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BP神经网络的数字调制信号样式自动识别

针对2ASK，4ASK，2FSK，4FSK，BPSK和QPSK六种数字调制信号，给出了对他们进行识别的5种特征参数的定义，提出了基于BP神经网络利用较少样本分3步进行训练，来实现对数字信号调制样式自动识别的方法，最后得到了在信噪比≥8dB时较高的正确识别率。     

基于BP神经网络算法的车牌字符识别系统设计

构建车牌字符识别系统,并对系统中BP网络反传学习速率进行改进,提高了识别率并降低学习时间;在特征提取上针对汉字综合采用非均匀网格特征和外围特征提取法,字母与数字采用均匀粗网格特征加笔划密度特征提取法,优化了系统的识别精度并提高了识别速度.采用BP算法增强了车牌识别的容错性、鲁棒性.     

基于混合BP神经网络的车牌识别研究

车牌识别是智能交通体系的核心,具有很大的研究价值.为解决传统的车牌定位不精确的问题,并且考虑到检测结果容易受到环境的影响从而导致采集车牌图像可能会产生噪音和干扰,本文以Radon图像矫正为基础并应用BP神经网络进行车牌识别可以有效地去除大部分噪声.仿真的结果显示,本文的算法具有良好的识别精度,可以在复杂的环境中,如有污...     

基于PCA和BP神经网络算法的车牌字符识别

文章采用了双重PCA算法链接BP神经网络的方法对车牌字符进行识别.先由主成分分析法对原始样本数据进行分类,然后由BP神经网络法对拒识样本进行识别.研究结果表明,与传统的单一识别方法相比,提高了识别正确率,减少了训练时间.     

基于SVM的车牌字符分割和识别方法

文章研究了车牌识别系统中的字符分割和识别技术.提出一种投影法粗分割结合先验知识后处理的字符分割方法,该方法简单、容易实现,取得了很好的分割效果.对于字符识别,本文采用SVM(Support Vector Ma-chine)方法,并根据车牌字符特征将子分类器分为四组,提高了识别率、缩短了训练时间,实验表明,用该方法识别车牌字符具有较高的识别率和识别速度,并避免了神经网络局部极值等问题.     

一种基于集成BP网络的手写汉字识别方法

针对脱机手写体汉字识别，文章给出了一种基于多层BP网络的并行集成方法，该方法是纯神经网络的多分类器并行集成方案。汉字经预处理后，采用弹性网格变换和Zernike矩分别对汉字进行局部和全局特征提取，利用两个BP网络分类器对这两种特征进行训练和初分类。再利用集成网络对前两个子网络的识别结果进行识别。同时对BP网络的应用做了有益的探索，也为BP网络在人类别分类问题中的应用提供了一条可行的途径。实验结果验证了此方法的有效性。     

基于BP神经网络的维吾尔联机手写字符识别

维吾尔文字的书写特点,给手写字符识别带来了很大的技术难题.提出了利用BP神经网络进行手写维吾尔文字符识别的方法.根据手写体运动轨迹进行特征提取,得到14维的特征编码,利用此编码对BP神经网络进行训练和学习,形成良好的识别系统.实验表明,该方法提高了字符识别的准确率.     

基于改进BP神经网络的手写字符识别

针对标准反向传播（BP,Back Propagation）神经网络算法收敛速度慢、易陷入局部极小等缺点,采用附加动量法与学习速率自适应调整相结合策略对神经网络初始参数进行设置。通过在权重计算公式中加入动量项,降低神经网络对误差曲面局部调节的敏感性,有效抑制其陷于局部极小。学习速率根据总误差的变化进行自适应调整,可以有效地缩短学习时间,加快收敛速度。将该改进算法应用于数字、英文字母以及简单汉字的手写字符识别系统中,进行了有无动量、有无噪声等实验,结果表明该方法与传统BP算法相比识别精度较高、训练时间较短且具有较强的鲁棒性。     

基于神经网络算法的字符识别方法研究

为了提高字符识别的成功率,阐述了在模式识别中的一种基于误差反向传播的人工神经网络算(BP神经网络算法)的应用,实现基于神经网络算法的车牌字符识别和结果显示,实验结果说明,保持一定数量以上的训练样本和训练次数,本方法可提高车牌字符识别的正确率和抗干扰能力.     

基于CCD和神经网络的LCD数显字符采集与识别

利用CCD对LCD数码显示字符进行采集,在分析图像处理和神经网络理论的基础上,采用网格法与交线特征提取法,对LCD数显字符进行识别,为具有LCD数显而与计算机无标准通信接口的仪器仪表设备提供一种实用的无线接口.实验表明,系统对LCD数显字符采集方便,识别率高,并且抗干扰能力强.     

基于BP神经网络与GA算法的信息过滤模型研究

信息过滤技术是当前信息技术研究的一个热点。本文对BP神经网络和遗传算法在信息过滤技术中的应用,包括BP神经网络、遗传算法、文本特征提取、学习方法等,进行了研究和探讨。提出了一种基于BP神经网络和GA算法的信息过滤模型,实验结果表明,此模型运行可靠,过滤效率有明显提高。     

基于PCA和BP神经网络的步态识别系统研究

步态识别是生物特征识别技术中的一个新兴领域,它根据人们走路的个体特点进行身份识别,具有非侵犯性、难以隐藏、对系统分辨率要求低、远距离识别等优点,已成为基于视觉的人体运动分析的研究热点。该文提出了基于主成分分析(PCA)的特征提取方法,有效地对高维步态轮廓特征进行降维,再利用BP神经网络进行特征分类识别。实验结果表明,算法达到了较高的识别率。     

一种基于改进BP神经网络的物体识别方法

提出基于自适应学习速率动量梯度下降的BP算法进行物体识别,并以修正的Hu不变矩特征作为BP神经网络的输入,通过训练对网络的权值和阈值进行调整.该算法使BP神经网络在学习速率和稳定性上有了进一步的提高.仿真结果表明该方法对物体的平移、旋转、缩放都具有不变性,从而验证了该方法的有效性.