基于BP神经网络的手写体数字识别系统

针对传统的数字识别方法的复杂性和局限性，提出了基于BP神经网络的手体数字识别系统，通过对样本抽取特征向量，并在选取了足够的样本对BP神经网络进行训练，将代表手写数字存储的样本输入给训练好的神经网络，可以根据神经网络的输出得到识别的数字，仿真结果表明手写体数字识别系统是非常有效的。     

基于深度学习的复合神经网络机场信号检测框架

针对信号调制识别对复杂通信环境缺乏适应性与精度不足的问题,提出一种基于深度学习的多特征复合神经网络框架. 该框架首先使用前端卷积神经网络检测信号载波特征,再对前端初筛选信号执行预处理将其转换为信号时频图,最后设计了后端轻量化卷积神经网络,检测信号时频特征. 基于TensorFlow平台的复合神经网络对机场真实信号检测精度达到99.23%,实验表明该方法可有效应用于实时机场信号检测.      

利用Matlab神经网络工具箱在VC++.net中进行手写体数字识别

介绍了在VC++.net中通过Matlab引擎调用Matlab神经网络工具箱函数的方法。VC++.net具有强大的界面开发功能,Matlab的复杂计算和处理功能比较强大。因此,VC++.net和Matlab的交互编程可以结合两者的优点。文中所述就是利用这一技术来进行手写体数字识别,并取得了很好的效果。     

基于弹性网格和方向线素特征的脱机手写汉字识别

弹性网格和方向线素特征已广泛应用于许多手写汉字识别系统中,并认为是目前较成熟和有效的手写体汉字特征.本文将传统弹性网格特征和方向线素特征相结合然后运用BP神经网络对其进行识别.实验证明,本文特征提取方法在识别率上优于传统的弹性网格方法.     

手写体数字识别的一种模糊神经网络方法

将模糊特征取技术与区组设计前馈网络相结合用于手写体数字识别。实验表明，该方法对５００个未学习样本的识别率达到了９５．８％。这一结果，相当于或优于目前已经发表的先进成果。     

基于深度学习的短期交通流预测方法综述

针对基于深度学习的短期交通流预测问题,揭示了时空相关性建模本质,分析了建模过程中涉及的多尺度时空特性、异质性、动态性、非线性等特点,明确了基于深度学习进行短期交通流预测的核心挑战,阐述了短期交通流预测涉及的外部信息整合、多步预测与单步预测以及单体预测与集成预测等相关问题;按照网格化和拓扑化2种交通流数据组织方式,分别综述了当前最新的基于深度学习的短期交通流预测研究方向。研究结果表明：针对网格化交通流数据,当前研究主要包含了基于2D图像卷积神经网络、基于2D图像卷积神经网络与循环神经网络相结合、基于3D图像卷积神经网络3种预测建模方法;针对拓扑化交通流数据,当前研究主要包含了基于1D因果图像卷积与卷积图神经网络相结合、基于循环神经网络与卷积图神经网络相结合、基于自注意力与卷积图神经网络相结合、基于卷积图神经网络的时空同步学习4种预测建模方法;总体上,基于深度学习方法进行短期交通流预测相较于采用时间序列和经典机器学习方法获得了预测准确性上的极大提升;未来,针对物理理论、知识图谱与深度学习相结合,构建多时空数据挖掘大模型以及轻量化、可解释性、模型结构自动化搜索等维度的相关探索将成为重要研究方...     

基于图模型与卷积神经网络的交通标志识别方法

为了提高交通标志识别的鲁棒性, 提出了一种基于图模型与卷积神经网络(CNN)的交通标志识别方法, 建立了一个面向应用的基于区域的卷积神经网络(R-CNN)交通标志识别系统。构造了基于超轮廓图(UCM)超像素区域的图模型, 有效利用自底向上的多级信息, 提出了一种基于图模型的层次显著性检测方法, 以提取交通标志感兴趣区域, 并利用卷积神经网络对感兴趣候选区进行特征提取与分类。检测结果表明: 针对限速标志, 基于UCM超像素区域的图模型比基于简单线性迭代聚类(SLIC)超像素的图模型更有利于获取上层显著度图的大尺度结构信息; 基于先验位置约束与局部特征(颜色与边界)的层次显著性模型有效地融合了局部区域的细节信息与结构信息, 检测结果更加准确, 检测目标更加完整、均匀, 查准率为0.65, 查全率为0.8, F指数为0.73, 均高于其他同类基于超像素的显著性检测算法; 基于具体检测任务的CNN预训练策略扩展了德国交通标志识别库(GTSRB)的样本集, 充分利用了CNN的海量学习能力, 更好地学习目标内部的局部精细特征, 提高了学习与识别能力, 总识别率为98.85%, 高于SVM分类器的95.73%。     

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、...     

导出核学习算法及其在手写体汉字识别上的应用

介绍了基于神经反应的导出核学习算法,以金连文汉字字库为例,将学习算法运用于手写体汉字识别,取得了较好的识别效果。     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。