基于BP神经网络的桥梁施工线形相机测量标定

机器视觉位移测量技术为大跨桥梁线形控制提供新解,而确保高精度的二维到三维坐标转换至关重要。对此,提出一种基于改进遗传算法BP神经网络的提升双目相机标定精度的方法,通过改进传统神经网络中的交叉及变异概率函数,提高标定效率及准确性。经相应试验算例验证,采取传统张氏标定法测量坐标的均方差误差为4.67 mm,应用该方法标定后测量坐标的均方差误差为0.82 mm,标定精度提高,能够满足桥梁施工线形的监控要求。

基于遗传算法优化BP神经网络的手写数字识别

手写数字识别是经典的分类任务,在支票阅读、街道编号识别等方面具有许多实际应用。为了提高手写数字分类准确性,文章提出了基于遗传算法(Genetic Algorithm,GA)优化的反向传播(Back Propagation,BP)神经网络模型,即GA-BP神经网络模型。基于MNIST手写数字训练集,GA-BP神经网络模型在迭代50次时能达到95.07%的分类准确率,显著高于BP神经网络等单一分类模型的准确率,验证了改进后的模型在手写数字分类上的有效性。

基于组合特征的Bp神经网络数字识别方法

提出一种组合特征作为Bp神经网络输入层向量实现数字字符识别算法.该算法首先引入了数字字符结构特征中图段特征,并结合数字字符的行列统计特征组合成为新的特征向量;然后根据新的组合特征向量设计Bp神经网络分类器;最后对已有的数字图像样本空间中的训练样本库按照Bp神经网络分类器训练方法进行训练,并对测试样本库中的样本进行识别.根据测试实验,数字字符的识别准确率可达到94%以上.

基于BP神经网络的数字识别

介绍了字符识别的几种方法及神经网络的基本原理,并将BP神经网络应用于数字识别,选取最佳的隐含层节点数及训练样本个数,实现了基于BP神经网络的数字识别。仿真试验结果表明,BP神经网络可以对阿拉伯数字进行快速、准确的识别,具有广泛的应用前景。

基于改进BP神经网络的手写体数字识别

数字识别在许多领域有广泛的应用。通过对人工神经网络的研究与学习,运用改进的BP神经网络对无约束手写体数字识别过程中的数字样本进行识别。实验证明,该方法具有很强的抗干扰性,克服了传统BP算法的局限性,其识别率和准确率都有很大提高。

基于BP网络的数字识别方法

比较了各种数字识别方法,采用BP神经网络设计了一个数字识别系统。首先对数字图像进行二值化处理,构造输入向量矩阵;接着通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练;之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性;最后制作了图形用户界面进行实验。测试结果表明,该系统对噪声系数小于0.85的字符识别率可达96%,且网络训练时间可以接受。

基于级连分组BP网络的高精度手写数字识别

本文提出了一种基于级连分组网的手写数字识别的新方法。这种方法根据将每次分类任务简单化的思想 ,将每个网络的任务简化以提高其辨别能力。整个系统分为两级 ,第一级进行粗分类 ,选取前两个后选字。第二级对两个后选字进行细分类。每个细分类网络完成区分两类特定模式的任务 ,由于每个子网络分类数目的减少导致识别精度的提高。使用我们自己构造的含 1 0万个字符的库进行测试 ,我们的系统达到了在拒识为 5 %以内时误识为 0 .0 6 7%。

基于BP神经网络的实时水表自动识别系统的研究

为提高数字水表字符的识别率,提出一种基于数字图像处理技术与BP神经网络的水表自动识别系统;首先对采集的水表图像进行预处理以获得字符区域,然后进行二值化操作,利用连通区域提取算法分割出单个字符,最后利用训练好的BP神经网络对分割后的字符进行识别,并输出识别结果;实际运行表明自动识别系统正确率在95%以上,并且能够实时显示水表数据。

基于BP神经网络的数字识别研究

为了提高数字识别的准确性和可靠性,将BP神经网络应用于数字识别,并考察了网络结构对系统实时性、识别效果的影响以及初始权值对收敛速度的影响,选取了最佳的隐层节点数和权值初始化函数,实现了基于BP神经网络的数字识别系统。利用MATLAB进行仿真实验,实验结果表明该系统能够实现对数字的有效识别。

基于BP神经网络的交通信号数字指示灯识别

交通信号数字指示灯识别是根据数字指示灯的特征分析图像内容,找出数字指示灯目标并加以分类识别的过程,包括预处理、定位、分割以及识别等过程。本文采用基于颜色-形状特征的目标检测算法和基于BP神经网络的识别算法,设计一种较为简单、准确的数字信号灯的识别方法。仿真实验表明,本算法具有较高的准确率和执行效率。

基于GA-BP神经网络在手写数字识别中的应用研究

手写数字识别在当今社会有着重要的应用价值,在金融、社交、教育、通信等领域有着广泛的应用前景。手写数字识别是光学字符识别技术的一个分支,目前大多采用BP神经网络进行识别,但BP神经网络存在局部极小值、学习速度慢、结构选取上无确定准则三方面缺陷,影响其识别效果。通过遗传算法寻优BP神经网络最佳的初始阈值、初始权值、结构来克服其缺陷。通过MATLAB仿真,结果表明,用遗传算法优化后的BP神经网络具有辨识正确率更高、泛化能力更强、收敛速度更快、实用性更强的优点,达到了预期的目的,为手写数字识别提供了良好的理论研究价值。

优化BP神经网络在手写体数字识别中的性能研究

为了提高基于BP神经网络的手写体数字识别分类器的准确率与训练速度,针对基于BP神经网络的手写体数字识别分类器,从代价函数、权值初始化、正则方法消除过拟合几个方面对BP神经网络算法进行了改进。并使用MNIST数据集对分类器进行训练、验证、测试等实验。实验表明,改进后的手写体数字识别分类器的性能得到了优化。

基于组合特征和PSO-BP算法的数字识别

提出了一种新的基于组合特征和PSO-BP(particle swarm optimization-backpropagation)算法的数字识别方法,将网格特征、投影特征和欧拉数表示的结构特征按照不同的特征权重系数构成数字图像的组合特征向量,利用PSO-BP神经网络进行识别,充分发挥了粒子群算法的全局寻优能力和BP算法的局部搜索优势.实验表明,该方法识别率高、网络收敛速度快、精度高.

BP网络在手写体数字识别中的应用

介绍了BP网络在手写体数字识别中的应用,并在神经网络中引入部分连接结构。实验证明,在神经网络中引入部分连接功能可以大大增强网络的灵活性,可以根据不同的应用来调节网络密度,以达到网络的最高性能。目前识别率为94.61%,实验结果表明,BP神经网络可成功地用于手写数字字符的识别问题。

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。

BP神经网络在图像信息提取中的应用研究

本文阐述BP神经网络在图像信息提取中的运用,包括:遥感技术、图像识别原理和模式识别常用的神经网络模型.针对目前在目标识别中应用最多的前馈神经网络模型研究其采用的BP算法,讨论了由于标准的BP算法存在训练时间长、收敛速度慢和易陷入局部极小值等问题,提出了BP神经网络分类器的设计方法、样本的选择及组织的改进方法.

基于SOFM神经网络的数字模式识别方法

以一维空间自组织特征映射网络为识别模型,采用两级识别的方法,提出了一种基于自组织网络的数字识别方法,仿真结果表明此方法具有识别率高、识别速度快的优点,具有广阔的应用前景。

基于方向小波和BP网络的数字识别

针对目前数字字符识别的研究现状，提出了方向小波变换和BP神经网络相结合的数字字符识别方法．小波变换具有良好的方向特性，根据这个特点能很好的提取数字字符的特征，以此特征作为输入向量，用BP网络进行数字识别．实验结果表明，该方法大大减少了运算数据量，缩短了识别时间，具有较高的识别率，对一些如笔画断裂等典型噪声有很好的识别效果，是一种有效的识别方法．

改进BP神经网络模式识别在消除惯导漂移误差中的应用

为了能实时地消除惯导陀螺漂移误差,在数字地图为基础的前提下,引入了改进BP神经网络模式识别技术,并设计了相应的三维数字地形辅助惯性组合导航算法——BP算法。在匹配过程中,分别给定了不同的数字地形模式和不同载体的机动轨迹。利用C++程序进行算法中的数值计算,然后通过Matlab软件模拟导航数值仿真。多次实验证明,提出的方法具有很好的可靠性和可行性,具有重要的工程应用价值和理论借鉴意义。

基于遗传BP神经网络的RFID调制方式测试研究

本文对RFID标准中常用的数字调制方式提出了一种基于遗传BP神经网络的测试识别方法。与传统BP神经网络方法相比,该方法很好地解决了学习收敛速度慢和产生局部极小的问题。针对低信噪比时数字调制方式的特点,提出了采用小波消噪方法预处理识别信号。对高斯白噪声中的通信信号的识别进行了计算机仿真。仿真结果表明该方法在低信噪比时具有较好的识别正确率和效率。