基于离散Hopfield网络对英文字母识别的研究

中国的车牌有三部分构成,第一部分为汉字,表示该车户口所在省的简称。第二部分为英文字母,表示该车所在地的地市一级代码。第三部分为数字和英文字母的组合。随着公路上交通压力越来越大以及汽车管理效率的低下,提出了针对车牌中的英文字母的识别方法。定义了标准英文字母,鉴于车牌识别中遇到的各种情况,进行模拟。比如对字母进行模糊处理,模拟实际生活中车牌的污点情况;对字母进行倾斜处理,模拟实际生活中遇到的车牌倾斜情况;对字母进行遮挡,模拟实际生活中车牌的遮挡情况。加入的噪声情况可以远大于或者远小于实际情况,然后测试各种情况下,离散Hopfield网络的识别效果。这样可以更好地测试网络性能。实验结果表明:离散Hopfield网络对英文字母具有较好的识别效果。

基于改进MobileNet网络的AR辅助手语字母识别方法

针对手语手势姿态待规范、识别率低的问题,提出一种AR辅助手语字母识别算法MSMobileNet。设计多尺度卷积模块提取底层特征,增强网络的特征提取能力;利用ELU激活函数来保留更全面的负值特征信息;结合适用于Web的轻量级MobileNet模型,提高面向移动AR应用的手语字母识别准确率和实时性。实验结果表明:MS-MobileNet在数据集ASL-M、NUS-II和Creative Senz3D上识别准确率较原模型分别提高了2.58%、5.32%和3.04%。基于MS-MobileNet网络设计一套WebAR辅助的手语字母协同交互系统,经评估测试,用户平均参与度达到8.2分,单次识别耗时低于0.115 s,能较好地满足用户沉浸式的实时手语字母交互需求。

基于改进BP算法的英文字母识别

提出了一种基于人工神经网络的英文字母识别方法。以改进的人工神经网络BP算法为基础,设计了一个英文字母识别系统,对大小写英文字母进行识别。实验结果表明,改进的BP算法降低了网络训练次数,有效地对由多种字体组成的英文大小写字母样本集进行训练,实现了对多种字体的英文字母的识别。

基于LVQ神经网络的手写字母识别

提出了一种基于LVQ神经网络的手写英文字母识别方案.介绍了LVQ神经网络的基本原理,并利用LVQ神经网络的结构简单、泛化性能好、收敛速度快的特点,将它应用于复杂的英文字母识别.通过对英文字母图像进行预处理和特征提取,将提取的特征对网络进行训练,并利用训练好的网络对英文字母进行识别.Matlab仿真实验结果表明,LVQ神经网络可以对英文字母获得较高的识别率.

轨迹网络及其在字母识别中的应用

本文提出了一种新的轨迹神经网络模型，它利用输入模式时间序列形成模式类的轨迹，从而实现模式空域不变性特征提取。我们定义优化目标函数为前时刻轨迹和当前时刻特征提取结果的均方误差和，推导了相应的轨迹学习算法。本文还提出了改进的阈值轨迹网络。这两个模型在手写体和印刷体字母识别上的初步应用取得了较优的效果。

基于CNN通用编程的字母识别研究

利用CNN处理器的并行图像处理原理和通用编程的理论,提出基于CNN二值图像字母识别的通用编程方法,说明了用该方法作实时图像处理与识别的操作过程,解决了传统计算机串行数据处理的瓶颈问题.

计算机辅助视觉下的英文字母识别软件系统设计与实现

传统的英文字母计算机辅助视觉识别方法采用图像边缘轮廓检测方法,在字母识别过程中容易产生虚假轮廓特征干扰,导致识别准确度不高。该文结合嵌入式Linux设备驱动程序开发,进行计算机辅助视觉下的英文字母识别软件优化设计。使用Qt/Embedded作为GUI,构建用户应用程序,基于X86架构的GNU开发工具集进行计算机辅助视觉下的英文字母识别文件系统配置和编译,通过设备驱动程序开发,进行软件设计优化,包括字符设备驱动程序、块设备驱动程序和网络设备驱动程序。系统测试表明,该英文字母识别软件具有较好的识别精度和收敛性,软件可靠度较高,人机交互性能较好。

BP和RBF神经网络在字母识别中的比较

将BP和RBF2种神经网络应用于英文字母识别,为2种网络建立识别模型.利用标准字符库进行测试,并在测试中加入干扰,进行仿真实验,观察这2种网络的泛化能力以及识别准确性,比较这2种网络及其改进方案,提出这2种改进方案中分别需要注意的地方.指出当用于字母识别时,RBF网络的性能优于BP网络及其改进型算法.

基于粗糙集及RBF网络的英文字母识别

将粗糙集理论与神经网络相结合,针对7×5分辨率的大写英文字母,构建了基于RBF网络的字母识别系统,给出了该识别系统的核心算法与核心结构。该系统利用粗糙集中最小决策算法对识别矩阵进行属性约简,减少了大量的计算和数据库存储量,同时提高了系统识别速度和识别率。通过计算机模拟实验,将该识别系统的识别率与标准BP网络算法及改进BP网络算法相比较,证实了该系统的优越性,在有约1/7的像素点受到随机干扰的情况下,该系统识别率仍可达到88%以上。

基于神经网络的字母识别方法研究

利用Hopfield神经网络联想记忆的功能,对有噪声干扰的字母进行识别。

基于组合特征的手写英文字母识别方法

为了消除考试中使用答题卡的限制,提高考试阅卷的自动化水平,就手写英文字母的识别问题提出一种新的基于组合特征的识别方法。首先对待识别字符区域进行拍照,对所拍图像进行滤波、二值化、投影处理得到处理后图像,对处理后图像提取轮廓特征得到识别结果;然后对处理后图像提取形状特征,对像素数据进行差分运算得到识别结果;最后将两种不同特征的识别结果进行融合即可得到最终的识别结果。轮廓特征与形状特征相结合的组合特征手写英文字母识别方法能够互相补充,该方法不需要对图像作复杂的细化处理,减少了处理时间;也不需要提前对手写英文字母进行训练,因而比神经网络方法简单快速。通过对样本进行测试,手写英文字母识别正确率在95%以上,对于一些非常规手写体字母也能成功识别。实验证明该方法可以较快地完成手写英文字母识别,识别正确率较高,并具有较好的鲁棒性。

幂函数及统计预处理在英文字母识别中的应用

针对一般的简单人工神经网络,该文提出了一种新的神经网络模型--幂函数神经网络,利用梯度下降法推导出了神经网络模型权值和阈值的修正学习算法,并利用该模型解决了XOR问题.然后对26个英文大写字母的结构特征进行统计分析得到了一个粗分类规律.最后以26个英文大写字母辨识为仿真实例,经过统计预处理的粗分类后,有些类可以直接得到结果,情况较复杂的类也可以仿照XOR问题的解决来得到辨识结果.文章提出的人工神经网络模型和字母辨识的预处理方法,改进了字母辨识的传统方法,简化了传统辨识模型的复杂度,提高了辨识效率.

基于中心距离特征的联机手写维吾尔文全形态字母识别研究

为了提高联机手写维吾尔文字母的正确识别率，根据维吾尔文字母的手写特点，提出了中心距离特征CDF（Center Distance Feature）、并基于CDF进行了一系列识别实验。在实验中，该文采集了400个人的手写字母样本，利用CDF的三种不同的实施方案（CDF-2,CDF-4，CDF-8）分别对维吾尔文字的32个母独立形态和128个所有形态进行了识别实验，并对实验结果进行了分析。实验结果表明，CDF是一种非常适合于维吾尔文字母识别的特征，有待于进一步改进和优化。

基于离散Hopfield神经网络的字母识别研究

基于离散Hopfield神经网络理论,对带噪声的字母识别进行研究。根据神经网络的联想记忆功能,在考虑实际情况的条件下进行模型建立,通过MATLAB软件进行函数创建与设计实现,并对结果进行分析,同时提出应用扩展。

基于KNN算法的手写字母识别

数据挖掘是指通过多种算法从海量数据中搜索隐藏于其中有用信息的过程。在无序中寻找有序、在纷乱中发现规律,是数据挖掘的核心价值所在。它主要通过数理统计、在线分析处理、情报检索、机器学习、专家系统、模式识别等诸多方法来实现既定目标。本文利用数据挖掘中的K近邻算法(KNN),根据从大量手写英文字母图像中提取出的原始特征属性,对手写字母进行计算机算法自动分类,从而达到对手写字母识别的目的。这对于在电脑编辑大大多于手写文本的快节奏现实生活中,及时准确识别出手写文献信息内容,具有重要意义。

基于AlexNet的手写希腊字母识别研究

针对手写希腊字母识别的问题,使用了一种基于卷积神经网络(AlexNet)的图像识别方法。利用采集的手写体希腊字母大小写样本,对其预处理后,将其划分为训练集和测试集,对AlexNet模型进行训练,测试得到的大小写字母识别准确率分别达到98.27%和96.07%。结果表明,将AlexNet应用于手写希腊字母识别有着良好的识别效果,验证了该方法的合理性和有效性,具有一定的现实意义。

计算机辅助工具在英文字母识别软件系统设计中的应用

为了改善英文字母识别软件系统的性能,笔者以精准性、功能全面性为改善突破口,选取Lab Windows/CVI作为开发工具,在Linux嵌入式操作系统平台上开发一套英文字母识别软件系统。该系统利用A/D转换模块,将模拟信号信息转化为数字信号,在多功能车辆总线(Multifunction Vehicle Bus,MVB)控制下调用函数操作命令,识别图像中的英文字母。测试结果显示,本系统能够准确识别图像中的车票英文字母信息,而且识别精度在90%以上,可以作为英文字母识别辅助工具。

一种基于改进的SURF算法的静态手语字母识别方法

结合Kinect传感器提出一种改进的SURF(speeded up robust features)算法进行静态手语字母识别的方法。Kinect传感器采集深度图像进行手势分割可以克服光照变化、复杂背景带来的干扰;改进的SURF算法对实时图像与模板图像的积分图进行计算分析,提取两者的SURF关键点描述符,采用最近邻匹配算法对SURF算法自有的快速索引匹配的结果进行优化,克服了角度旋转变化对手语字母识别率的影响。实验证明,该方法在应对光照变化、复杂背景、角度旋转方面有很好的鲁棒性,平均识别率为97.7%。

“弹性”BP神经网络在识别带有噪声字母中的应用

字符识别是模式识别中的一个典型应用,通过训练网络可以教会计算机如何识别字符,这在票据处理方面可以大大地提高效率。该文中所建立的神经网络具有S igmoid型可微函数的三层BP神经网络,它可以以任意精度逼近任何连续函数,实现输入和输出之间的任意非线性映射。文中分析了BP神经网络的“弹性”学习算法,利用五位二进制数来识别的输出26种状态。建立的一个三层的BP神经网络能对带有噪声的26个英文大写字母进行识别。利用MATLAB编写仿真程序对BP神经网络进行训练,仿真结果表明训练的BP神经网络可以对给定的带有噪声的字母正确地识别。