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。     

基于主曲线的脱机手写数字识别

该文提出了一种基于主曲线的脱机手写数字识别方法.该方法将主曲线及知识约简算法运用于识别模型中.主曲线是主成份分析的非线性推广,它是通过数据分布"中间"并满足"自相合"的光滑曲线.它较好地反映了数据分布的结构特征.粗糙集理论的知识约简是从决策表中获取决策(分类)规则的有效工具.本文将主曲线用于训练数据的特征提取,根据主曲线的特征生成决策表;利用我们提出的知识约简算法对决策表进行处理,自动获得分类规则.这种方法既符合人的识别习惯,又克服了利用统计特征识别所带来的不足.实验结果表明了该方法能有效提高手写数字的识别率,为脱机手写数字识别的研究提供了一条新途径.     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

基于Java技术的泰语脱机手写模式识别研究

近年来无纸化办公的应用需求越来越多,人们开始将过去重要的手写资料以各种方式保存在计算机中。然而常见的拍照扫描等方式只能以图片存储,更多时候人们需要的是ASCII码。如果人工录入,则会耗费庞大的人力和物力。为了解决这些问题,需要研究能将手写体转换为电子文档的脱机手写识别系统,实现手写体文字的自动识别。文章通过分析脱机手写识别的国内外研究现状,探讨了泰语脱机手写模式识别的意义,并提出了实现泰语脱机手写模式识别系统的技术路线与实施方案,以期加强中泰的经贸往来,提高两国旅游服务等行业的工作效率,助推中国一带一路发展战略。     

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.     

一种脱机手写签名认证方法

研究脱机签名认证的特征抽取和比较决策.针对脱机手写签名验证特点,提出一种主成分特征提取和径向基神经网络相结合的脱机手写签名认证方法.首先使用主成分特征提取算法对签名图像进行特征提取和降维处理,然后基于主成分特征设计径向基神经网络识别签名的真伪.实验结果表明该方法可取得较好的识别效果.     

一种脱机手写签名认证方法

研究脱机签名认证的特征抽取和比较决策。针对脱机手写签名验证特点,提出一种主成分特征提取和径向基神经网络相结合的脱机手写签名认证方法。首先使用主成分特征提取算法对签名图像进行特征提取和降维处理,然后基于主成分特征设计径向基神经网络识别签名的真伪。实验结果表明该方法可取得较好的识别效果。     

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.     

基于GoogLeNet的手写体汉字识别

近年来基于深度学习的方法识别手写体汉字取得了很多突破,但现有的一些方法存在计算参数多、模型收敛慢、训练时间长的缺点。针对以上问题,提出了基于GoogLeNet的脱机手写体汉字识别模型HCCR-IncBN,模型使用了5个Inception-v2模块,训练参数较少,模型收敛更快,存储整个模型只需要26MB的存储空间。实验利用HCCR-IncBN模型在ICDAR2013数据集获得了95.94%的识别准确率,表明模型在没有使用任何手写体汉字的特定领域知识和无需人工提取其他特征的前提下能够获得较高的识别效果。     

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。     

基于多级神经网络结构的手写体汉字识别

本文提出了一种用于手写体汉字识别的多级神经网络结构（Ｍｕｌｔｉ－ｓｔａｇｅＮｅｕｒａｌＮｅｔｗｏｒｋＡｒｃｈｉｔｅｃｔｕｒｅ，ＭＮＮＡ）模型。在该模型中，我们将多个神经网络和不同的特征提取方法有机地集成在一起而构成一个完整的模式识别系统。我们讨论了设计ＭＮＮＡ的一般原理，并提出了一个基于多层前馈神经网络的三级结构的手写体汉字识别实验系统。三种不同的特征提取方法被应用于各级子系统之中。对１００个汉字１５０００个样本的实验我们得到了９９．３４％的识别率，０．３６％的拒识率和０．３％的误识率，表明该模型是十分可行和有效的     

一种基于支持向量机的手写汉字识别方法

本文提出了一种新的基于支持向量机手写汉字识别方法.支持向量机作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,而不是仅仅使经验风险达到最小,从而使得支持向量分类器具有较好的推广能力.本文首先讨论了支持向量机的基本原理,然后,针对支持向量机识别大类别手写汉字所遇到的特殊问题,文章进行了分析和阐述,并在此基础上,提出了基于最小距离分类器预分类的两级分类策略.最后,针对GB2312-80的1034个汉字类别的120套手写样本,进行了实验仿真.实验结果表明,本文方法的汉字识别率较距离分类器有较大提高,其中多项式核函数的支持向量分类器,识别率平均提高3.38％,表明了本文方法的有效性.     

一种手写汉字特征抽取的新方法

针对非特定人脱机手写汉字识别，本文提出了一种新的特征抽取方法。首先，将输入汉字模式进行非线性规一化；然后，根据汉字的横竖撇捺四种基本笔画将规一化后的模式分割成四个子模式；最后，将所得到的四个子模式分别均匀地划分成M×M个小网格，在每一小网格内统计笔画穿透数目，从而得到一个4M2维的特征向量。通过对国标一级3755个汉字的测试表明，正确识别率达90％以上，从而证实了本文方法的有效性。     

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。     

双X特征下自组织竞争网络的手写字符识别

对图像预处理、字符特征提取和神经网络类型的选择、优化、训练及调整等进行研究,提出运用双X特征作为输入的自组织竞争网络对手写字符进行识别的方法。首先进行图像预处理,包括图像的灰度化、二值化、剪裁及缩放等。然后,提出字符的双X特征提取方法,并运用该方法提取各个字符的特征信息。最后,将字符特征数据送入自组织网络中进行学习,反复试验确定理想网络参数,使其可以自组织地将各字符模式相区分。实验结果表明:这种方法减少送入网络的数据量,降低了冗余信息对网络的干扰,使网络处理的复杂程度大大降低,训练后的网络误差小,网络的错判率约为12%,比传统方法有明显提高。     

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。