基于MLP神经网络的超宽带信号自适应识别算法的研究

提出一种利用人工神经网络进行超宽带信号调制模式自适应识别的方法。采用三层MLP神经网络进行调制模式识别。首先对超宽带数字调制信号进行统计特征参数提取,特征参数作为MLP网络的输入层神经元参数,隐含层是双层结构。实验证明,当中间层采用正切型激活函数、输出层采用线性激活函数时,MLP分类器的识别性能最好。在5dB信噪比环境下,算法的正确识别率高于95%。与传统的统计判决方法相比,神经网络分类器不需要设定判决门限就能实现自适应识别,并且达到更好的识别率,解决了软件无线电系统中的超宽带信号自动识别的问题。

针对光学字符识别的分类器比较

基于对26个字母识别的研究建立了KNN分类器和MLP神经网络分类器,其中KNN分类器是通过计算待识别字母与已知样本数据中的字母的欧式距离,再选择K个距离最小的样本字母,其中包含样本数最多的类别即为待识别字母所属类别。对于MLP神经网络分类器,则是通过对部分已知的UCI字符数据集进行多次的迭代训练,不断优化权值和阈值,最终得到具有最优权值和阈值的神经网络结构作为分类器完成对字母的识别。经比较两种分类器的分类效果得知,两种分类器中KNN分类器得到结果的精确度为96.5%,相比于MLP分类器识别效果更优。

基于halcon颜色识别分类的算法研究

针对传统的人工分拣方式效率低和早期机器视觉系统识别成功率不高等问题,基于视觉采集系统联合halcon开发环境,进行不同颜色特征提取,研发高效率、高识别率的根据颜色分类的自动分拣系统。再利用MLP(Multi-Layer Perceptron)多层感知神经网络算法对其进行训练学习、识别分类。实验结果中识别率达到98.75%以上,且算法具有良好的鲁棒性。

基于MLP深度学习的纱网缺陷检测方法

纱网的检测方式以红外光谱技术和传统图像识别技术为主,在灵敏度方面受到限制。根据MLP分类器对纱网进行深度学习,建立临时存储纱网检测区域的元组,抽取该元组内每张纱网的纹理特征进行学习。提取待检测的纱网特征,区分出纱网纹理和背景,判断纹理是否完整,同时对含有缺陷的纱网进行缺陷标注。经仿真验证,该方法提高了纱网的缺陷检测灵敏度和准确度。

基于机器视觉的车牌定位与字符识别实验设计

针对机器视觉课程理论内容抽象、理解难度大、相关实验教学装置欠缺的问题,基于机器视觉设计了一种车牌模型的定位与字符识别实验平台,平台由下位机控制系统和上位机软件组成。下位机由图像采集与传输系统、运动控制系统构成,上位机软件由人机交互界面、定位算法与字符识别算法组成,基于VS2019联合Halcon设计包括目标物体的定位与跟踪、MLP分类器训练、字符分割与识别等功能模块在内的控制软件,实现了车牌模型的定位跟踪与字符识别。实验设计具有实用性、趣味性和扩展性,可辅助学生理解机器视觉技术的真实应用场景,提高学生实践能力和创新能力。

基于HALCON的发票号字符识别研究

为了解决人工方式识别发票号效率低下、费时费力的问题,以HALC(ON软件为平台,对发票号进行识别,首先,对读取的图像进行图像预处理,包括把原图像转化成单通道图像、图像增强、高斯滤波、阐值分割和连通区域分割,然后对预处理后的图像进行数学形态学处理,接着把粘连的数字拆分开,最后用基于多层感知分类器(MLP)对发票号数字进行识别。通过与人工方式的方法对比,结果表明,用基于HALCON的方法.发票号数字能被快速、精确的识别出来,有效的减少了人员的工作量,提高了工作效率。

手写汉字的并行紧致集成识别方法

针对手写汉字识别这一大类别分类问题,给出了一种新的基于多层感知机(MLP)网络的并行紧致集成方法。方法中强调综合集成中人机结合的观点,编码训练紧致网络分类器,并通过一个两步监督学习过程实现整个集成网络分类系统。与以前的集成方法相比较,并行紧致集成方法在结构和信息处理方式上具有并行紧致的特点,体现出较高的分类性能,为MLP网络在大类别分类问题中的应用提供了一条可行的途径。