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。     

探讨神经网络算法在人工智能识别中的应用

人工智能识别技术是高新科技发展的产物。人工智能中在无生命体和有生命体的人工智能识别技术取得了突飞猛进的发展。这样的发展离不开神经网络算法与人工智能识别技术的相互融合。因此,本文主要探讨的是神经网络算法在人工智能识别中的应用。     

神经网络算法在人工智能识别中的应用

我国近年来科学技术不断进步,技术研发已经转化为实践成果,神经网络模型在人工智能中得到应用部署,为未来人工智能技术开展奠定理论基础。神经网络算法在人工智能识别技术应用中,对有生命体征及无生命体征识别技术研发取得阶段性进步,文章重点探讨人工智能识别技术利用神经网络算法的具体应用,为相关专业提供参考借鉴。     

神经网络及其识别应用简介

本文介绍了神经网络目前研究的各种基本理论模型及其特征,并作一评述,同时探讨了它在识别方面的应用,阐明了该领域的理论和良好的应用研究前途。     

前馈型神经网络中隐藏层神经元的研究

本文采用前馈型神经网络及BP算法对3种飞机模型的复合畸变不变性识别进行了研究。结合以前用级联神经网络及聚类编码方法对同一问题的研究结果,对神经网络的隐藏层神经元的个数及其对识别率及权重训练的影响进行了研究,提出了减少隐藏层神经元的一种方法,以简化识别网络的结构。     

基于BP神经网络的数字识别研究

为了提高数字识别的准确性和可靠性,将BP神经网络应用于数字识别,并考察了网络结构对系统实时性、识别效果的影响以及初始权值对收敛速度的影响,选取了最佳的隐层节点数和权值初始化函数,实现了基于BP神经网络的数字识别系统。利用MATLAB进行仿真实验,实验结果表明该系统能够实现对数字的有效识别。     

基于神经网络的数字识别的研究

数字识别在很多重要领域有着广泛的应用。通过对人工神经元网络的研究与学习，提出了一种基于神经网络的数字识别方法，并作了大量的试验，取得了满意的结果。对于印刷体数字的识别率达到了100％，对于手写体数字的识别也达到了98％以上。     

细胞神经网络在地图识别中的应用

一幅图形元素的轮廓线的表示等价于具有不同最小检测宽度的直线的表示，在本中，基于细胞神经网络理论，提出了一种提取和分离地图元素的方法，还给出了提取和分离一个小街区网络图的结果，模拟结果是令人满意的。     

前馈神经网络在数字识别中的应用

前馈神经网络在数字识别中的应用王海莉，刘玫１引言对０～９十个阿拉伯数字的识别，是人工智能的一个重要的研究领域。这主要是因为它在信件的邮政编码分类、银行帐目的自动管理等方面有着重要的应用。但是，以往所采用的“模板匹配”、“聚类分析”、“投影判断”等方法...     

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。     

特征提取及其在数字调制方式识别中的应用

通信信号调制识别技术在军事和民用领域都具有重要的应用前景,而特征参数的提取是调制方式识别的首要问题。本文提出了两个新的特征参数,并结合这两个新的特征参数在统计模式识别的基础上构造了一组新的特征集参数,该特征集无需任何先验知识。随后,本文针对2PSK、QPSK、8PSK、16QAM、2FSK、4FSK、8FSK、2ASK、4ASK等9种调制类型,采用了分层结构的神经网络分类器进行自动识别。大量仿真表明,在待识别的信号信噪比大于5dB时,该识别系统的正确识别率达97%以上,且识别的稳定性好。     

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。     

基于自组织神经网络的数字语音识别

提出一种基于自组织神经网络的数字语音识别模型。首先用基于小波变换和线性预测的特征提取方法提取语音信号特征，用自组织神经网络进行识别判决。这种语音识别方法适合于小词汇量的孤立词识别，网络结构简单，所需训练数据十分的少，实时性能好。用MATLAB进行仿真实验，识别率达到98%。     

神经网络在语音音调识别中的应用研究

文章提出了一种基于神经网络的二级语音音调识别方法，采用常用的多层感知器结构BP反向传播算法．对非特定人的音调进行建模及识别。通过对网络输入矢量进行均值差处理，改善了非特定识别的效率，并且加速了网络训练的进程。根据BP网络得出的一级识别结果，再以音长超音段信息作为辅助条件进行二级识别，加速了网络学习进程．提高了识别率。     

计算机视觉在仪表数字识别中的应用

为克服人工读数存在的局限性问题,提高数字仪表读数效率,文章利用计算机视觉技术,自行构建样本数据库并训练卷积神经网络模型识别仪表数字。首先,采集仪表图像并对其进行预处理;其次,对预处理后的字符进行定位和切割;最后,引入训练过的网络模型对仪表数字进行分类识别。实验结果表明,该方法稳定性好、鲁棒性高、识别速度快,可以满足各类场景下的数字仪表读数需求。     

基于改进RBF神经网络的数字调制识别

针对数字调制信号自动识别中分类器的设计,通过将决策树的方法应用到RBF中心的确定中,解决了常用算法计算量大、收敛速度慢的问题,提高了网络的学习精度和训练速度,将其应用到常用的7种数字调制信号(2ASK,4ASK,BPSK,QPSK,2FSK,4FSK,16QAM)的自动识别中,取得了好的结果。经仿真表明,使用该方法构造的神经网络,具有易于构造、可理解性好、收敛速度快且构造的网络规模较小的特点,适于工程应用。     

用于手写体数字识别的视觉与神经网络混合算法

本文提出了用于无约束手写体数字特征提取和识别的视觉与神经网络混合算法。为了提高不变性特征的稳定性及网络收敛速度,我们引入周期包括函数来取代传统的sigmoid激活函数,计算机模拟结果显示该算法及激活函数能有效地提取手写体不变性特征,提高网络收敛速度和识别率。     

快速和高精度的前馈网络学习算法

本文针对三层前馈网络提出一种全新的学习算法,该法克服了传统ＢＰ算法因用梯度下降和误差逆向传播而拖慢收敛速度及易陷于局部极小的缺点。所提出的算法是代数型的,计算复杂度为多项式阶。文中给出的一个非线笥时间序列训练算例表明：新算法较ＢＰ算法在计算精度和速度方面均有大幅度提高,在网络规模变大时此算法的优点尤为明显。     

基于改进BP神经网络的数字识别

针对BP(Back Propagation)神经网络易陷入局部极小、收敛速度慢的缺点,提出了一种新的BP神经网络改进算法.与标准BP算法比较,该系统通过结合附加动量法和自适应学习速率形成新的BP改进算法.附加动量法虽然可以使BP算法避免陷入局部极小,但是对初始值的选取比较敏感,而且选取合适的学习速率比较困难.而自适应学...     

前馈型神经网络容错性研究的现状和展望

本文首先明确具体地给出了前馈型神经网络容错性的基本概念及其研究内容，进而系统地对前馈网络容错性研究的各种分析和设计方法进行了简要的介绍和评述，最后提出了前馈网络容错性有待进一步研究的若干主要问题。