ART2神经网络在手写体汉字识别中的应用

该文提出了一种基于神经网络的手写体汉字识别方法,该算法充分利用神经网络的自适应学习能力。ART2网络通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无教师无监督的自学习。其学习过程是自组织的实时学习,能够迅速识别已学习过的样本,并能迅速适应未学习过的新对象。考虑到Gabor滤波器具有优良的方向性,该算法采用Gabor特征作为字符特征。Gabor特征反映字符的空间分布特征,而且可以组合成高维矢量,特别适用于汉字识别这大型模式识别场合。实验结果显示,该算法对测试样本识别正确率达到94%,比其他方法[1-4]更准确、更可靠。

基于ART2神经网络的车牌字符识别

提出了ART2神经网络在车牌自动识别系统中的应用。ART2神经网络可以在非平稳 的、有干扰的环境中进行无教师无监督的自学习,学习过程是自组织的实时学习,能迅速识别已学习 过的样本,并能迅速适应未学习过的新对象。Zernike矩具有旋转不变性、位移不变性、比例不变性。 该方法结合了Zernike矩和ART2神经网络的优点,在实验中取得了很好的效果,解决了车牌自动识 别系统中字符识别的难题。

SAR图像中海上舰船目标自动检测新方法

针对中分辨率近岸海域SAR图像,结合已有的舰船检测算法,提出了一种新的海上舰船目标自动检测方法。该方法先根据相应的抽取算法和图像数据映射准则,分离图像中的海洋和陆地区域,并结合最大熵分割法提取海洋背景中包含候选目标的感兴趣区域,最后利用特征匹配方法检测出真正的舰船目标。对50多幅SAR图像进行了试验,其结果表明该方法能自动、快速、准确地检测出图像中舰船目标。

ICA和改进的SVM在有限集字符识别中的应用

介绍了独立分量分析(ICA)基本原理和算法,提出了一种基于独立分量分析和支持向量机的有限集字符识别新方法。对传统向量机解决多分类问题的“一对一”模式进行了改进,将传统向量机的“一对一”模式存在的不可分区域减小到可以忽略的程度,克服了不可分区域的影响。该算法可应用于车牌字符、手写体英文字母、手写体数字、印刷体字母、印刷体数字等有限集字符的识别。在大量的车牌汉字和手写体英文字母自动识别实验中,取得了高于95%的识别结果,证明该算法在有限集字符识别应用中的优越性。