基于BP神经网络的点状地图符号识别

点状地图符号的识别是实现扫描方式地图自动数字化的重要研究内容之一。本文首先分析介绍ＢＰ网络模型及其学习算法。然后根据ＢＰ模型本身所存在的一些不足之处，提出相应的改进措施。还以实际扫描地图图像进行相应的实验验证。最后，对网络的输入模式加以讨论。

用改进后的BP网络识别地图符号

讨论基于BP神经网络的点状地图符号识别,在分析介绍BP网络模型及其学习算法之后,根据BP模型本身所存在的一些不足之处,提出了相应的改进措施。改进后的BP网络学习速度明显提高,性能得到增强,因而可以更有效地识别点状地图符号。另外,还对网络的输入模式加以讨论,给出了在BP网络学习训练过程中的一些体会,并提出了三种减小网络规模的具体方法。

基于BP网络学习算法的英文字符识别

介绍了BP神经网络的基本原理,指出了BP算法收敛速度慢、易陷入局部及小值等缺陷,在标准BP算法的基础上引入了几种优化BP算法的方法。针对模式识别应用领域,通过实例,运用Matlab编程对各种较好的网络学习算法的性能进行比较,给出了一个三层BP网络识别含噪声的字母的实例。实验结果表明,改进的BP算法有效地提高了BP算法的收敛速度。

BP网络学习算法研究及其图像模式识别应用

BP神经网络的训练性能主要包括收敛速度和收敛精度等方面,该训练性能在很大程度上取决于所选择的网络学习算法。本文针对模式识别应用领域,通过实例,运用Matlab编程对部分较好的网络学习算法的训练性能进行了比较研究,给出了模式识别应用过程中BP网络学习算法的选择依据。在此基础上,运用BP网络编程实现了对常见单位符号图像目标的模式识别,并通过识别算法的实现过程,分析了用BP网络进行图像目标模式识别的具体思路和方法。

BP网络算法在模式识别中的应用

神经网络是目前处理科技领域各类问题的一个重要工具,它由大量简单单元以及这些单元的分层组织大规模联结而成,力图像生物神经系统一样处理事物;BP网络采用传播算法,是目前应用最为广泛和可靠的神经网络之一,具有较强的分类和学习能力。从模式识别出发,在选取典型实例的基础上,建立BP网络算法模型,对算法进行动态误差修正的改进,提高了算法的收敛速度,并根据算法流程,通过运用Matlab软件对其进行仿真验证,说明了BP网络算法在模式识别中具有应用可行性。

用于模式识别的前馈式神经网络区域映射模型

提出了一种新的用于模式识别问题的前馈式神经网络模型———区域映射模型 .该模型将输入空间每一类的特征参数区域映射成输出空间中对应的一个区域。模型具有训练和实际应用中分类标准相一致的性质 ,使模式识别分类更为合理和自然 ,相应的误差函数的改变可以加快网络的训练速度 .

基于模式识别和神经网络的电力系统短期负荷预测

当制定发电机组的启停计划和负荷管理计划时,对未来24h内的短期负荷预测是很必要的,精确的负荷预报能大大提高电力系统管理水平.本文介绍一种基于模式识别理论构造的人工神经网络,应用于电力系统短期负荷预测的方法.

一种用于模式识别的新型神经网络模型

双向联想记忆(BAM)网络和BP网络是两种重要的神经网络模型,研究结果表明将BAM网络的输入用40%的噪声污染,这种网络仍然可以实现正确联想.另一方面BAM网络有一个严重的缺点就是它无法实现数据压缩,而BP网络却恰恰能够很好地实现数据压缩,但它的容错性不好.本文同时从识别率和节省存储空间两方面出发,提出了一种BAM-BP神经网络模型.该模型具有容错性好、识别率高、简单等优点.

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。