汉字视知觉的整体或局部优先效应的实验研究

描述了在汉字识别中是整体优先还是局部优先而进行的一项实验，实验结果显示，在汉字识别中整体优先效应并不明显且在汉字识别中整体与局部是并行处理的。在实验的基础上，提出了汉字单体字的视知觉模型。     

基于CNN与LSTM混合算法下的学生学习表情识别研究

智慧课堂中学生学习表情的精准识别对于提升课堂效率,掌握学生实时学习状态具有重要的作用。传统单一性的卷积神经网络(CNN)算法对学生学习表情的特征抓取精度不够,尤其是学生微表情状态下的抓取效果更不理想。基于此,本文创新性地提出基于CNN与长短期记忆网络(LSTM)的混合表情特征提取识别算法,充分利用CNN提取学生学习表情中的空域特征并存储,对应的时域特征提取层面充分利用LSTM对学生学习表情视频序列特征进行挖掘抓取,将学生学习表情的时域特征与空域特征进行平均化处理,从而构建一套完整的学生学习表情识别算法,最后基于该算法网络进行深度学习训练。基于本文的实验结果,对应的愉悦、困惑、惊讶、中性和疲倦这五种学习情感状态识别率得到了大幅提升,对应的识别准确率最高可达71.9%,识别性能大幅提升。     

径向基函数神经网络的一种在线学习算法

用在线学习算法和梯度法为学习规则，推导了径向基函数神经网络的在线学习算法，将影响网络输出的各个参数的学习过程作为一个整体来处理，并用Matlab实现了此算法．最后用一个26个印刷体大写英文字母的识别来验证此算法．实验的结果表明了该算法的正确性和有效性．     

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标;采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级;结合集成学习算法构建航路网络航段交通拥挤状态识别模型,实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%,采用决策树基学习器优于k 近邻基学习器,且增加的集成学习基学习器数量可提升模型的识别精度;集成学习识别模型的识别性能优于BP神经网络模型,识别方法符合实际且具有应用价值.     

排序击中与否变换在模式识别中的应用

介绍了一种识别汉字的方案。其采用形态学中排序击中与否变换，并利用可编程光电混合图象处理系统加以实现。采用该方案可准确有效地对汉字进行识别，中对给出了实验结果并对其进行了讨论。     

复杂背景下汉字细化的MASW小波方法研究

汉字骨架是汉字的一种重要几何特征,如何对汉字进行细化,是对汉字进行识别的前提,文中提出了一种基于模角分离小波变换(MASw)的细化方法.该方法能鉴别出复杂背景下汉字图像所包含的不同结构类型边界.通过对不同结构的边界采用不同的取舍处理以实现汉字的细化.可以直接对原始的灰度图像进行处理,能在复杂背景下成功地提取和细化汉字,对手写汉字也有良好的细化效果.     

卷积神经网络及其在智能交通系统中的应用综述

从特征传输方式、空间维度、特征维度3个角度,论述了近年来卷积神经网络结构的改进方向,介绍了卷积层、池化层、激活函数、优化算法的工作原理,从基于值、等级、概率和转换域四大类总结了近年来池化方法的发展,给出了部分具有代表性的激活函数对比、梯度下降算法及其改进型和自适应优化算法的工作原理和特点;梳理了卷积神经网络在车牌识别、车型识别、交通标志识别、短时交通流预测等智能交通领域中的应用和国内外研究现状,并将卷积神经网络算法与支持向量机、差分整合移动平均回归模型、卡尔曼滤波、误差反向传播神经网络、长短时记忆网络算法从优势、劣势和在智能交通领域的主要应用场景三方面进行了对比;分析了卷积神经网络在智能交通领域面临的鲁棒性不佳和实时性较差等问题,并从算法优化、并行计算层面和有监督学习到无监督学习方向研判了卷积神经网络的发展趋势。研究结果表明：卷积神经网络在视觉领域具有较强优势,在智能交通系统中主要应用于交通标志、车牌、车型识别、交通事件检测、交通状态预测;相比其他算法,卷积神经网络所提取的特征更加全面,有效地提高了识别准确度与速度,具有较大的应用价值;卷积神经网络未来将通过网络结构的优化、算法的改进、算力的提升以及基准数据集的增强,为智能交通带来新的突破。     

标准汉字的自动识别

讨论一类黑白模式(标准汉字)识别问题.采用Zernike矩不变量作为模式的特征拟定自动识别方案,并通过试验软件进行了实算分析,说明本文所拟定的识别方案是可行的.     

标准汉字的自动识别

讨论一类黑白模式(标准汉字)识别问题.采用Zernike矩不变量作为模式的特征拟定自动识别方案,并通过试验软件进行了实算分析,说明本文所拟定的识别方案是可行的.     

小波神经网络改进结构及其学习算法

论述了小波神经网络用于信号分类识别的模型结构,在此基础上,充分利用小波变换时频分析的局部化特性,提出了一种改进的网络结构,建立了非显式小波的网络的学习算法。计算机模拟表明,该结构提高了信号分类识别的精度和灵敏度。