使用多任务级联卷积神经网络进行车牌照识别

车牌照识别是计算机视觉技术的一项重要应用,在保障日常交通秩序中扮演关键角色,因此,一直以来车牌照识别技术都是计算机视觉领域中一项热门研究。由于车牌照识别系统的应用场景通常在交通路口,交通情况复杂度高,由于车辆运动和拍摄角度导致的遮挡、图像变形等问题,使得高精度、抗干扰的车牌照识别系统具有重要研究价值。近年来,随着深度学习技术的发展,特别是其在图像识别和目标检测领域带来相较传统方法的巨大的性能提升。文章尝试使用深度卷积神经网络的方法,提出了一个在精确度和鲁棒性方面都较为出色的针对中国大陆车牌照的识别算法,其在我们的私有数据集上识别准确率达到94.93%,识别图片平均耗时243 ms。该方法可以通过更换数据集来泛化到其他国家或地区的车牌照识别问题上。     

基于人工神经网络的语音识别技术的研究

提出了一种基于人工神经网络的语音识别方法,首先对语音信号进行处理和峙征提取,然后采用神经网络对提取的语音信号的特征进行识别,最后对这种智能语音识别技术进行了误差分析,实现了语音识别技术的数字化、智能化和较高的精确度.     

基于WT-CNN深度学习的轴承故障识别

针对传统轴承故障识别方法的识别率低以及人工干涉等问题。提出了一种基于时频图和深度神经网络(WT-CNN)轴承故障类别的自动识别方法。首先采用连续小波变换(CWT)将原始信号转为时频图,然后将其输入VGG-16神经网络模型中的卷积网络层(CNN)进行特征自动提取,并使用softmax层完成识别。实验结果表明,该方法可以准确地识别轴承故障类别,其准确率达到100%。因此与其他神经网络和传统机器学习方法相比,WT-CNN神经网络模型能有效对轴承故障类别完成识别任务。     

P2P流量识别的ANN模型研究

提出一种新的P2P流量识别方法,该方法以流量行为特征作为流量类型识别的依据,建立BP神经网络模型.与已有的多种P2P流量识别技术相比,其具有泛化性高,自学能力强,效率和准确性的优点.     

生物识别技术浅析

生物特征识别技术作为一种身份识别的手段,具有独特的优势,对信息安全具有重要意义,近年来已逐渐成为研究热点。文章介绍了常见的生物识别技术和识别方法并阐述了每种方法的优缺点。     

基于CNN-LSTM架构神经网络的桥梁损伤位置识别

针对桥梁健康安全监测中的损伤位置识别准确率不佳的问题,文章提出一种基于CNN-LSTM架构神经网络模型(CLEANNM)的桥梁损伤位置识别方法。通过MATLAB软件对不同损伤工况条件下的简支梁结构振动响应进行数值模拟,利用CLEANNM挖掘测点加速度信号数据集中有效的损伤位置特征,并测试该方法识别损伤位置准确率。结果表明:CL-EANNM识别简支梁结构损伤位置体现出良好的效果。该方法的现阶段成果为桥梁健康监测中损伤位置识别准确率优化问题提供了新的研究思路。     

基于卷积神经网络的管道井缺陷识别研究

管道井与人类社会生活息息相关,而由于管道井盖丢失、破损造成交通事故频发,危害人类财产生命安全。本文提出利用计算机视觉技术检测识别管道井缺陷,然后通过标记报警功能来实时抢修,可以避免更多事故的发生。本文通过构建深度神经网络模型,利用卷积神经网络模型自动提取图像中每种管道井缺陷的特征,通过对管道井的六种缺陷现象进行训练、测试,得到最终识别结果。实验结果表明,卷积神经网络对管道井缺陷图像的识别达到来预期的效果,并在缺陷检测中优于传统的分类模型。     

基于PNN网络的油井功图识别方法

油井功图是油井工况诊断的重要依据,快速准确地识别油井功图对于提高油田作业效率具有重要意义。传统的人工相面法识别示功图无法实现油井工况的实时在线诊断,而BP神经网络法识别准确率较低,因此提出一种基于概率神经网络的油井功图识别方法。该方法通过提取功图数据的面积特征、特征向量和载荷曲线的傅里叶逼近特征作为油井功图的特征值,PNN网络用特征值作为输入对油井工况进行诊断。实验结果表明与BP网络相比使用PNN网络根据功图提取特征进行油井功图识别时能够达到更高的识别效率。     

基于注意力机制的眼周性别属性识别

性别属性是生物身份的一个重要信息,对于提升生物身份识别准确性有着重要的意义。眼周是人脸中判别性特征最丰富的区域,包含众多生物特征信息,文章以眼周区域作为识别载体,通过注意力机制加强可见光和近红外光源条件下的眼周特征信息,进而提升眼周属性识别的准确率,达到了较好的识别效果。     

深度学习算法在山区植被分类中的应用

本文将深度学习技术中的卷积神经网络算法应用于遥感影像中的植被类型分类研究,模型包括卷积层,池化层以及全连接层,卷积层完成了影像中特征的提取,池化层对特征降维,最后全连接层完成植被的分类工作。针对研究使用的数据集,模型得到的94%的分类精度。     

基于人工神经网的入侵检测技术应用研究

入侵检测属于动态安全技术,它能够主动检测网络的易受攻击点。相对于传统的入侵检测技术来说,采用人工神经网的入侵检测具有检测准确度高以及能识别大量新型攻击的优点。本文提出了基于BP神经网络的入侵检测系统,详细分析了基于BP神经网络的入侵检测系统的设计和实现过程,并利用KDD cup 99数据集通过仿真实验表明这种神经网络算法可以有效地应用到入侵检测系统中。     

数字射线检测焊接缺陷的模式识别算法

为了准确提取与识别焊缝射线数字成像中焊接缺陷,本文提出了一种基于神经网络的模式识别算法。首先,分析了非线性模式分类的基本原理,通过人工神经网络实现对焊缝内存在的焊接缺陷进行分类;然后,采用缺陷的几何特征作为分类算法的输入数据,并应用神经网络关联标准理论评估鉴别能力,证明了特征提取的质量重要性优于数量;最后,将基于神经网络的主要非线性鉴别分量的识别算法应用于缺陷识别中,并通过大量实验分析与评价其分类性能。实验结果数据证明该算法在焊接缺陷模式识别方面具有较高的效率。     

物流分拣中破损快件的智能识别技术

鉴于传统智能识别方法无法解决分拣过程中货物破损区域不定、破损区域模糊、分拣耗时等问题,提出一种基于计算机视觉技术的破损快件智能识别模型,通过采用分割法,分割出图像变换差值,构建合理的快件特征表、目标破损特征区域表,并明确破损区域阀值,通过主元相似识别算法对不同类型的待识别快件进行破损识别。实验表明该模型具有较高的实时性和可靠性,能够及时准确地识别出不同类型的破损快件,极大地提高了物流分拣去除破损快件的自动化以及智能化。     

基于Sigmoid学习率BP神经网络的非特定人语音识别算法研究

本课题基于非特定人语音识别的原理和过程,结合BP神经网络的建模理论及特点,主要研究了BP神经网络模型在语音模式识别中的应用问题。同时针对标准BP神经网络训练收敛速度慢及容易陷入局部最小的缺点,提出了Sigmoid学习率BP神经网络训练算法,并通过仿真计算,得出在非特定人语音识别应用方面Sigmoid学习率BP神经网络算法的收敛速度要优于标准BP神经网络算法且识别率更高。     

基于PCNN的金属断口图像识别方法研究

结合Bandelet变换和神经网络的各自特点，提出了一种基于脉冲耦合神经网络（Pulse Coupled Neural Networks，PCNN）的新的识别方法。该方法将金属断口图像输入到PCNN中，像素激发引起神经元激发。发生点火，产生脉动序列输出，得到输出图像的神经元点火序列及熵序列作为断口识别分类的特征。该方法将PCNN引入到金属断口的识别研究中，开拓了金属断口模式识别的新领域，同时对于PCNN的理论研究和实际应用具有现实意义。     

基于改进GoogLeNet的汽车仓储库区障碍物分类识别方法

针对汽车仓储库区的特点，提出了一种基于改进GoogLeNet卷积神经网络的仓储库区障碍物分类识别方法，即对传统GoogLeNet卷积神经网络浅层的Inception模块进行改进，并在此基础上增加四分类全连接层，改进后的卷积池化层作为仓储库区四分类图像数据的特征提取器，对全连接层和输出层进行模型训练。实验结果表明：该障碍物分类识别方法准确率高且识别时间短，大大增加了AGV障碍物检测系统的准确性与鲁棒性。     

基于BP神经网络技术的智能财务研究

企业财务信息使用者对传统财务体系变革的需求和呼声持续了很多年,管理决策必然越来越依赖新技术,财务数字化转型的终极目标是智能财务,而智能财务变革有待深入研究,人工智能发展对智能财务转型提供技术支持并产生深远影响.文章阐述了智能财务发展现状和实现基础,分析了深度学习之BP神经网络技术的优势,梳理了BP神经网络技术与智能财务的相关性,提出运用BP神经网络技术构建企业资金管理、产品定价、风险识别、预算分析等智能财务应用场景,旨在更好地推动财务智能化实现,创造企业适应性优势.文章以LA气体公司业务场景为例,探索构建基于BP神经网络技术的智能财务应用体系,为智能财务变革数据治理提供解决思路和借鉴.     

基于Softmax回归分类分析的人体运动检测研究

提出一种基于分类分析的人体运动状态识别方法。通过手机内置的加速度传感器采集相关数据,然后对采集的数据进行预处理,采用Softmax回归分类算法对人体运动状态进行分类。在深度学习框架TensorFlow下的实验结果显示此算法分类精度较高,对静止、走路、慢跑、上下楼梯、骑车等五种运动状态的综合识别率为88.18%。     

生物特征识别技术及其应用

生物特征识别技术是一种既方便又安全的身份识别技术,应用领域非常广泛。文章首先回顾了生物特征识别技术的起源和发展情况,然后对几种常用的生物特征识别技术及其应用情况做了介绍,并对其发展进行了展望。     

基于区块链技术的语音识别

由于具有去中心化、抗腐蚀以及加密算法等先进性质,区块链技术给科学技术领域带来了一场前所未有的变革。本文探索了将区块链技术中的去中心化的思想与深度学习相结合并应用于语音识别领域的可行性,提出了一种适用于处理大规模的声学数据的融合分布式的深度学习模型,分析了该模型良好的学习潜能,它将成为语音识别领域的崭新技术。