手写体数字

摘要： 阐述卷积神经网络因其在图像识别领域的优良表现,它被广泛应用于车牌识别、自动银行支票处理等领域,但卷积神经网络的参数量大、运算量大,且随着网络层数的加深运算量成倍增加,使其运算速度较慢,影响了模型落地及应用部署。模型轻量化部署及加速研究显得尤为重要,模型压缩、算子优化、硬件加速成为发展方向。以手写体数字识别的卷积神经网络为例,探讨卷积神经的结构特点、实施加速的方向和基于FPGA的硬件加速应用。

摘要： 针对特定业务分类的需求,无从下手设计深度神经网络模型的问题,提出一种基于多参数融合逐步优化深度神经网络的设计方法.先通过分析样本和类别确定初始的无隐层神经网络模型,然后在初始神经网络的基础上逐步增加隐层,构建多参数融合优化的深度神经网络.基于TensorFlow框架,以手写体数字识别为例,逐步设计一个深度神经网络模型,整个实验过程中不断调整网络结构、激活函数、损失函数、优化器、学习率和样本批次大小,最终设计出多参数融合优化的具有较高准确率的深度神经网络模型,为构建神经网络提供了一种有效的思路.

摘要： 传统笔迹鉴定起源于"经验性"累积,科学基础尚需证实与加强,在司法实践中经常出现争议.对此,引入基于深度学习的目标检测算法,提出一种应用深度学习技术实现对笔迹识别的设计方案.实现过程中,建立并优化了全连接神经网络模型,并将模型移植到ROS(Robot Operating System)机器人系统上,实现了对手写体数字的识别应用.以MNIST数据集作为模拟检材,对手写体数字的识别正确率可达98.32％.证明深度学习技术可以有效挖掘图像信息,是替代传统"经验性"文件鉴定的手段,对拓宽法医学、鉴定科学研究方法具有启发意义和应用参考价值.

摘要： 当前卷积神经网络应用于手写数字的识别已成为研究的热点之一.本文在Matlab环境下输入手写数字图片,然后对图片进行灰度化、二值化、反色、去噪、分割和大小归一化预处理,通过卷积神经网络经典模型LeNet-5,对比3种数据集:MNIST数据集、MNIST数据集训练+自建数据集调精和自建数据集训练卷积神经网络的实际识别效果,选择自建的数据集进行卷积神经网络训练,在训练好的卷积神经网络中手写体数字图片取得了较好的识别效果.

摘要： 当前卷积神经网络应用于手写数字的识别已成为研究的热点之一。本文在Matlab环境下输入手写数字图片,然后对图片进行灰度化、二值化、反色、去噪、分割和大小归一化预处理,通过卷积神经网络经典模型LeNet-5,对比3种数据集:MNIST数据集、MNIST数据集训练+自建数据集调精和自建数据集训练卷积神经网络的实际识别效果,选择自建的数据集进行卷积神经网络训练,在训练好的卷积神经网络中手写体数字图片取得了较好的识别效果。

摘要： 随着科技的发展,手写体数字的识别这一功能在许多的方面都有很多用途,特别是在我们的日常生活中.支持向量机在机器学习方面最主要的优势是在解决小样本、非线性和高维模式识别问题中具有突出的效果,被广泛用于信息识别中.为了提高手写体数字的识别率,本文提出了一种基于改进的C-支持向量机的手写体数字高识别率方法,实验结果证明基于改进的C-支持向量机的手写体数字高识别率方法有效可行.

摘要： In order to improve the recognition rate and reliability of off-line handwritten digit recognition,considering that traditional sin-gle classifiers have different sensitivity to the differences between digital,we propose a combined classifier of parallel organizational struc-ture combining three machine learning algorithms of K-nearest neighbor,general regression neural network and support vector machine. It uses the improved voting mechanism to determine the recognition result.Using MNIST database as data source,the comparable experi-ment on the performance of classifiers is carried out on MATLAB,whose results(recognition rate,rejection rate,false accept rate,relia-bility) are 97.48%,1.55%,0.97% and 99.02%.The experiments indicate that the parallel combined classifier is superior to the tradi-tional single classifier in terms of robustness,and other combined classifiers in terms of recognition rate,rejection rate and time complexi-ty.With a simple structure,it can achieve fast and efficient off-line handwritten digit recognition.%为了提高脱机手写体数字识别的识别率和可靠性,并且考虑到传统的单一分类器对数字之间差异的敏感性不同,综合K-近邻算法、广义回归神经网络、支持向量机三种机器学习算法,提出了一种并行组织结构的组合分类器.并行组合分类器通过改进的投票机制来判定识别结果.以MNIST数据库为数据来源,在MATLAB平台上开展各种分类器的性能对比实验.组合后的识别率、拒识率、误识率、可靠性分别可达到97.48%、1.55%、0.97%、99.02%.实验结果表明,并行组合分类器在鲁棒性方面优于传统的单一分类器,在识别率、拒识率、算法的时间复杂度上均优于其他组合分类器.并行组合分类器以简易结构实现了脱机手写体数字的快速、高效识别.

摘要： 在脱机手写体数字识别项目中,重点研究在结构特征提取阶段,针对于二值字符图像的行列,使用统计该行或该列白线条出现的次数的方法,对比传统的统计该行或该列白像素出现的总量的方法,并且相应地在预处理阶段中采用“纵向拉伸”的字符填充方法,实验结果表明可使识别率提高近10.04％.该方法对手写体数字的结构表达更准确.实验使用MNIST手写数据库作为样本来源,利用概率神经网络进行分类识别,以识别率作为评价指标.

摘要： 近年来,卷积神经网络在图像的分类识别领域取得成功,并逐渐在许多嵌入式终端设备上得到应用.在Linux环境下采用QT开发框架,设计实现了一个基于卷积神经网络的手写体数字识别系统.该系统可以很方便的跨平台移植于各类嵌入式设备上.测试结果表明,该系统对手写体识别具有良好的识别效果.

摘要： 该文提出了一种基于判定树的手写体数字识别算法。该算法采用多个分类器有机组合的方法进行识别，其分层判决机构极大的提高了系统的识别率和鲁棒性。算法利用一个三层的ＢＰ网络提高了对易混字符的识别率并降低了拒识率。在该算法的基础上，该文综合预处理模块、特征抽取模块、识别模块，建立了一个离线手写数据表格识别系统－ＨＮＲＳ（ｈａｎｄｗｒｉｔｔｅｎ ｎｕｍｅｒａｌ ｒｅｃｏｇｎｉｔｉｏｎ ｓｙｓｔｅｍ，简称ＨＮＲＳ），并对系统的识别能力进行了测试，取得了很好的效果。

摘要： 本发明的方法和微处理器包括计算手写体输入(108)中的角度变化值，选择角度变化值大于阈值(110)的潜在分割点，并用这些分割点确定一系列直线段笔画供识别器解释手写体输入。

摘要： 本公开提供一种手写体识别方法及装置，该手写体识别方法包括：检测用户在手写屏上的手写轨迹对应的多个轨迹点的信息，多个轨迹点包括起始轨迹点和当前轨迹点；若当前轨迹点为终止轨迹点，将起始轨迹点和终止轨迹点期间的轨迹点作为待识别轨迹点，当前轨迹点的抬笔时刻之后的预设时长内未检测到新的轨迹点则为终止轨迹点，起始轨迹点为上一次输入给文本识别模型的最后一个轨迹点的下一个轨迹点，或者，手写屏的第一个轨迹点；采用文本识别模型对待识别轨迹点的信息进行识别，得到文本识别结果；以印刷体形式显示文本识别结果。本公开实施例中，实时显示手写轨迹的文本识别结果，从而方便用户实时查看和纠正文本识别结果，能够有效提高识别率。

摘要： 一种能提高兴趣、激发好奇的中国语文（汉语）教科书。它的课文和生字是铅笔、钢笔、毛笔的手写体，生字是图画讲解、并以篆繁体帮助认识，达到识字、习文、学书（读帖）、熟行款的统一；图画讲解、篆繁体助识、简楷书体识认和记写生字的结合；教科书和作业、作文、写字字体的一致。

摘要： 本发明提供一种基于深度神经网络的未知手写体数字识别方法，通过关联成像技术提取未知手写体数字的特征，包括首先设计一组傅立叶散斑照射在未知手写数字图像上，然后使用一个没有空间分辨率的桶探测器收集每次检测结果，并通过四步相移方法获得未知手写体数字的特征信息，然后将该特征信息输入至已设计的、且训练过的深度神经网络中进行识别，实现对未知的数字图像进行分类。仿真结果表明，该方案具有较好的识别性能，且能够在不恢复手写体数字图片前提下对其进行识别。本发明具有识别率高、识别时间短特点，具有非局域特性，且所设计的深度神经网络结构简单，因而具有巨大的应用前景。

摘要： 本发明公开了一种易混淆数字手写体的再识别方法，属于模式识别和机器学习技术领域。本发明先根据手写体数字0‑9识别出易混淆手数字写体4、9和易混淆手数字写体3、5、8，对其进行再次识别，能够有效的识别外形相似的手写体数字；同时优于现有的t‑SNE，相较于现有方法避免了大量手写体数字被识别错误而降低工作效率。

摘要： 本发明公开了一种基于分布式估计算法的手写体数字图像识别深度神经网络参数优化方法及系统，包括：初始化种群，将种群中每一个个体解码为深度神经网络；对上述深度神经网络的分类能力进行评价；对种群中的个体优劣进行排序；随机产生掩码向量，根据掩码向量及统计学参数确定待求解变量本次迭代的概率分布模型；依据掩码向量与概率分布模型采样，生成新的种群个体；获得最优分布式估计算法个体；利用梯度优化算法，对分布式估计算法获得的深度神经网络模型进行微调，获得最优深度神经网络参数。本发明将分布式估计算法和深度神经网络的优化相结合，利用分布式估计算法的全局搜索能力，减少神经网络优化过程中对梯度信息的依赖。

摘要： 本发明公开了一种基于单形进化的手写体数字识别检测方法，本发明使用基于单形邻域的全随机搜索方法减少算法控制参数，通过群体的多角色态保持粒子的多样性，避免算法陷入局部极值点。将该算法应用于径向基神经网络训练算法中，仿真实验结果表明，该算法训练的径向基神经网络相比于其他的算法不仅有效的提高了识别率，还减少了控制参数对学习性能的影响，算法的单控制参数特点提高了算法可靠性与普适性；算法的多角色态特点平衡了群体搜索的针对性与多样性，提高了训练算法的搜索效率与收敛性能，保证了算法在应用中的有效性。

摘要： 一种基于增量半监督核极限学习机的在线手写体数字识别方法，包括以下步骤：给定标记样本和未标记样本，通过拉普拉斯正则项提取标记样本和未标记样本信息；建立核极限学习机模型，监督极限学习机找出一个映射函数和极限学习机的一个特征映射，确定极限学习机的训练目标，学得一个权值矩阵，使得映射函数和特征映射之间的差值最小，将权值向量转化为一个正则优化，然后建立核极限学习机模型；建立增量半监督极限学习机，并给出迭代解析解；标记和未标记样本中包含的信息被累积在迭代解析解中，半监督极限学习机给出一个判别决策函数，识别新得到的测试样本。本发明能在仅有少量标记样本时得到精确、稳健的手写体数字识别。

摘要： 本发明公开了一种基于双特征正交弹性维数约简的手写体数字识别方法，主要是构建局部无向近邻图与全局几何图的同时引入正交性准则，构建正交弹性维数约简模型，并进一步利用该模型实现了手写体数字的识别任务。其具体实现过程为：(1)利用模态策略对手写体数字图像进行模态化处理；(2)构建正交弹性维数约简模型；(3)利用双特征分解方法对该模型进行求解，并借助最近邻分类器实现的手写体数字的识别。与现有技术相比，本发明提出的基于双特征正交弹性维数约简的手写体数字识别方法更具有效性和鲁棒性。

摘要： 本发明公开了一种基于双视图标签弹性特征学习的手写体数字识别方法。本发明在最大化视图间整体散布的同时，尽量保留视图内鉴别局部散布和全局散布的弹性结构，从而形成半监督的标签弹性特征学习模型，以借助部分标签来获得更加具有鉴别力的弹性特征。具体实现过程为：(1)通过视图策略获取单视图图像的两种视图数据；(2)构建面向两种视图数据的标签弹性特征学习模型；(3)优化求解标签弹性特征学习模型，以获取双视图数据的弹性特征；(4)利用并行融合策略获取两种视图数据的融合弹性特征，最后利用最近邻分类器对融合弹性特征进行分类，以获得最终的识别结果。与现有技术相比，该方法能保留原始视图数据内的弹性鉴别结构，有效地提高手写体数字的识别性能。