基于BP神经网络的脱机手写数字识别

脱机手写体数字识别有着重大的使用价值,特征提取占据了重要的位置,本文针对手写体数字识别中单一识别方法的局限性,提出采用BP神经网络进行识别,并且提出了一种特征提取方法。采用BP神经网络,利用其良好的监督学习功能进行识别,结合提取的降维数字符号的特征,能较好的识别出手写数学符号。BP神经网络（Back-Propagation）,又称误差反向传递神经网络,是一种依靠反馈值来不断调整节点之间的连接权值而构建的一种网络模型。最后,在Mnist手写数据库上的试验结果表明,该方法具有较好的识别率和较高的可靠性。     

基于Hopfield的脱机手写数字识别理论及算法

脱机手写数字识别在很多领域具有广泛的应用前景,国内外学者对此做了大量的研究工作,提出了很多预处理和模式识别的算法,大大提高了手写数字的识别精度。为了提高手写数字识别的精度,文章将Hopfield神经网络应用于脱机手写数字识别分析中,Hopfield神经网络的“能量函数”的能量在网络运行过程中,具有不断地减少最后趋于稳定的平衡状态的特性,而且网络一旦建立即可自动运行,无需要训练。     

基于决策树的手写数字的识别

手写数字的识别是模式识别及机器学习的一个重要应用,应用范围非常广泛。本文提出一种基于决策树算法的手写数字识别方法,该方法通过提取基于密度的特征,通过训练得到一个决策树分类模型,进而进行手写数字的识别。实验证明该方法能够快速有效的进行手写数字的识别。     

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.     

基于卷积神经网络的藏文手写数字识别

藏文字处理和藏文数字自动识别等对藏文信息处理技术的潜在需求越来越高,目前已经成为藏区重要的研究课题之一。文中首先采集并构建藏文手写数字数据共15 000个样本,其中13 000个样本为训练数据,2 000个样本为测试数据,并对其进行预处理,后采用卷积神经网络(CNN)模型对藏文手写数字样本进行训练。经实验验证在测试集上的识别正确率达97.85%。     

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TensorFlow的移动设备手写数字识别模型设计与实现

通过使用TensorFlow开源深度学习平台,来构建手写数字识别模型并将该模型移值到Android系统平台上,实现基TensorFlow的移动设备手写数字识别。仿真实验表明,通过TensorFlow构建的识别模型能够快速高效地在手机端实现手写数字的识别。     

基于改进的Le Net-5手写数字识别研究

针对手写数字图像的特点,改进了传统LeNet-5卷积神经网络模型。首先使用双线性插值方法对MNIST数据集图像进行预处理,使用预处理后的图像数据训练改进的LeNet-5模型,在MNIST测试集正确率达到99.21%。此外,还将MNIST测试集与部分训练集互换,对模型进行交叉检验,交叉检验正确率达到99.17%。实验证明,改进的LeNet-5在手写数字识别上有较好的准确性能。     

一种基于主曲线的步态识别方法

提出将主曲线作为一种新的步态特征分析和分类方法.主曲线特征分析单独分析每类样本的特征,形成直接对各类样本特征及其趋势的低维流形描述,保留了数据集的内在拓扑结构.首先对步态序列时空分析,在低的代价下表达步态运动的时空变化模式;然后,对步态特征进行主曲线分析;最后,用针对该分析方法定义的新相似性度量和分类规则进行了步态的训练和识别.在常用数据库上的测试结果表明,本方法行之有效,主曲线具有很好的实用性.     

基于模糊模式和BP算法的手写数字识别

通过对多种手写数字识别算法的研究和分析，提出了一种基于模糊模式识别和BP神经网络寸亏写数字进行识别的新算法。首先应用BP神经网络对手写数字样本进行学习，然后再结合模糊模式识别的思想进行手写数字识别。实验证明：该算法与传统的手写数字识别算法相比，识别率明显提高。经过推广，该算法可应用于汉字识别、人脸识别等领域。     

用于手写体数字不变性特征提取及识别的自组织算法

针对无约束手写体数字的特点,本文提出了一种用于手写体数字特征提取和识别的神经网络与视觉学习相结合的自织织学习算法,为了避免网络规模太大引起"过度训练"现象而导致网络的推广能力下降,提出了一种在学习过程中自适应删剪不重要权重的方法.计算机模拟结果显示该算法能有效地提取手写体数字的不变性特征,进而提高对无约束手写体的识别率.     

脱机手写体汉字识别综述

脱机手写体汉字识别是模式识别领域最具挑战性的课题之一。本文分析了近年来脱机手写体汉字识别的最新进展,讨论了脱机手写体汉字分割、特征提取和分类器设计等关键技术的各种主流方法,介绍了3种典型的汉字识别数据库,并提出了脱机手写体汉字识别的难点问题和今后发展的趋势,为该领域的研究者指明研究方向,共同促进脱机手写体汉字识别技术的发展。     

一种面向VLSI实现的手写体数字识别系统

本文介绍一种面向ＶＬＳＩ实现的手写体数字识别系统，其中采用汉明神经网络从模式中提取局部特征，然后对提取出的特征图进行压缩，最后由模糊逻辑识虽器根据压缩的特征图对输入模式进行识别，为了在不增加征集的情况下提高特征提取性能，在系统设计时提出了四种新的技术，如具有多阈值的改进汉明神经网络结构等，在模糊逻辑识别器的设计中，提出了两种新的处理技术，实验表明该系统对手写字符的变形和位移等有较强的处理能力，该系     

改进BP神经网络在手写数字识别中的性能研究

BP神经网络有网络结构本身的改进，基于传统梯度下降算法的改进和基于数值优化算法的改进三个主要方面。针对经过大量预处理后的较规范手写体数字样本，提取一种13维的结构特征向量，采用多种改进方式进行训练和识别测试以比较不同算法的性能。     

采用多级分类器的手写数字识别技术研究

在分析目前手写数字识别策略基础上，提出了采用多级分类器的手写数字识别技术，并给出了多级分类器识别系统体系结构。首先对手写数字样本进行预处理，然后针对不同的子分类器，提取不同的分类特征。系统中上一级的拒识样本作为下一级的输入样本，因此系统识别率逐级增加。最后以面向对象语言Visual C＋＋和MatLab为工具．开发了多级分类器实验原形系统，结果表明，该识别技术不仅操作简单，而且具有较好的识别性能。     

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。     

神经网络在手写体数字识别中的应用

本文采用前向、多层神经网络,BP学习算法对40个人的手写体数字进行了识别。识别过程分为四步:首先,用HP扫描仪把写在纸上的数字变成二值图像,接着对它进行分割,规整等预处理,变换成32×32点阵。然后提取特征,把点阵图像变成特征描述。最后,进行训练和识别。在拒识率为25％条件下,得到误识率为0.4％的识别结果,文中还分析和讨论了在实验中遇到的一些问题。