一种基于卷积神经网络的信号调制方式识别方法.pdf

数字识别是扫描文档并将其转换为电子格式的过程中必不可少的元素。 在这项工作中，正在提出一种新的多像元大小（MCS）方法，以利用定向梯度直方图（HOG）特征和基于支持向量机（SVM）的分类器对手写数字进行有效分类。 基于HOG的技术对在相关特征提取计算中使用的像元大小选择很敏感。 因此，一种新的MCS方法已用于执行HOG分析和计算HOG功能。 该系统已经在基准MNIST手写数字基准数据库上进行了测试，使用独立测试集策略已达到99.36％的分类精度。 还使用10折交叉验证策略对分类系统进行了交叉验证分析，并且获得了10折分类精度为99.26％。 所提出的系统的分类性能优于使用复杂过程的现有技术，因为在特征空间和分类器空间中使用简单的操作已达到了同等或更好的结果。 该系统的混淆矩阵图和接收器工作特性（ROC）图显示了所提出的基于MCS HOG和SVM的新型数字分类系统的优越性能。

开发环境: Windows 64位操作系统 开发工具：Myeclipse+Jdk+Maven+Tomcat+MySQL数据 库

MATLAB车牌识别[停车场管理，计费]，依托于车牌识别，是在车牌识别上面做的一个改进，分汽车入库和汽车出库两个模块，分别进行车牌识别，计算时间，判断是不是库外车牌，以及停车位计数等等。是一个不错的选题。如果你是新手学习，请多点耐心。

基于matlab平台的：交通标志识别（选颜色定位，分割，bp神经网络方法识别，可模板，sift，svm等方法识别）

Anaconda 4.10.3 Tensorflow 2.6.0 python3.7.8 1、将图片通过opencv切割识别定位车牌，切割保存 2、识别省份简称、识别城市代号、识别车牌编号 python train-license-province.py train 进行省份简称训练 python train-license-province.py predict 进行省份简称识别 python train-license-letters.py train 进行城市代号训练 python train-license-letters.py predict 进行城市代号识别 python train-license-digits.py train 进行车牌编号训练 python train-license-digits.py predict 进行车牌编号识别

在本文中，使用 Matlab 神经工具箱识别和控制假设的非线性设备的过程详细解释了足够的细节，以帮助对该问题感兴趣的任何人知道该做什么以及如何使用这些工具进行完整的模拟Matlab 7.1及更高版本提供给我们的。 包括许多数字以更加明确。

色环 电阻 识别多文件版本 一共4个识别文件 考察眼力的时候

一个可以在python爬虫中用于验证码识别的库

破解滑块验证码的思路主要有2种： 获得一张完整的背景图和一张有缺口的图片，两张图片进行像素上的一一对比，找出不一样的坐标。 获得一张有缺口的图片和需要验证的小图，两张图片进行二极化以及归一化，确定小图在图片中间的坐标。 之后就要使用初中物理知识了，使用直线加速度模仿人手动操作 本次就使用第2种，第一种比较简单。废话不多说，直接上代码： 以下均利用无头浏览器进行获取 获得滑块验证的小图片 def get_image1(self,driver): 获取滑块验证缺口小图片 :param driver:chrome对象 :return:缺口小图片