針對(duì)英文語(yǔ)義智能化分析的應(yīng)用需求,文中對(duì)英文字符的自動(dòng)識(shí)別進(jìn)行了研究。通過(guò)引入機(jī)器學(xué)習(xí)領(lǐng)域中的徑向基函數(shù)(RBF)網(wǎng)絡(luò),提出了基于字符圖像的英文字母識(shí)別方法。RBF使用高斯基函數(shù)替代傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的激活函數(shù),大幅提升了網(wǎng)絡(luò)的比擬能力。RBF網(wǎng)絡(luò)使用梯度下降法進(jìn)行網(wǎng)絡(luò)訓(xùn)練,增強(qiáng)網(wǎng)絡(luò)的收斂性能,并提升訓(xùn)練速度。為了驗(yàn)證所提方法的性能,在開放數(shù)據(jù)集Englishhnd上進(jìn)行了測(cè)試。結(jié)合實(shí)際的應(yīng)用場(chǎng)景,測(cè)試著重關(guān)注RBF的抗噪聲性能。仿真結(jié)果表明,在使用無(wú)噪聲數(shù)據(jù)進(jìn)行訓(xùn)練時(shí),測(cè)試數(shù)據(jù)只有在噪聲均值超過(guò)0.1后,該方法的識(shí)別錯(cuò)誤率才會(huì)出現(xiàn)明顯變化,較BP神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的抗噪性能。此外,該方法對(duì)于英文字符的識(shí)別精度可達(dá)到96.35%,AUC可達(dá)0.89,均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

【文章頁(yè)數(shù)】：5 頁(yè)

【文章目錄】：
1 理論基礎(chǔ)
    1.1 神經(jīng)元
    1.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
2 方法實(shí)現(xiàn)
    2.1 數(shù)據(jù)預(yù)處理
    2.2 仿真結(jié)果
3 結(jié)束語(yǔ)



本文編號(hào)：3786644