手写字符的识别是任何模式识别问题中最重要的任务。 在本文中，我们讨论了一种使用神经网络和欧几里德距离度量来识别手写字符的方法。 首先神经网络经过一个学习阶段，然后网络被用来识别未知的手写字符。 对于不匹配的手写字符，使用欧氏距离度量来提高识别率。

TensorFlow框架下利用用CNN进行MNIST手写字符识别。

使用TensorFlow实现卷积神经网络的手写字符识别，可重新训练网络

联机手写汉字识别的输入法，全以常人的习惯，把要输入的汉字写在一块叫 书写板的设备上(实际上是一种数字化仪，现在有的与屏幕结合起来，可以显示笔 迹)，这种设备将笔尖走过的轨迹按时间采样后发送到计算机中，由计算机软件自 动完成识别，并用机器内部的方式保存、显示。不需要记忆编码方案,不需要键盘 操作，使用轻松方便，特别适合于普通人使用，同时手写识别系统还可以用于手 机、个人数字助理（PDA）等信息输入。因此，对手写汉字识别系统的研制具有 广阔的市场前景，同时对加快我国信息化建设进程具有重要的现实意义。 作为一个完整而实用的系统，联机手写字符识别系统，除识别 GB2312 中全 部汉字字符外，还包括数字、大小写英文字符、标点符号、手势这些非汉字字符 集的识别。

程序用于手写字符识别，采用模版匹配的算法，输出识别结果

以上帝的名义 LeNet-5 该存储库包含Tensorflow的 （手写字符识别）的实现，以及使用和进行测试的网络。 训练mnist数据集 要使用mnist数据集训练网络，请在命令提示符下键入以下命令： python3 ./train_mnist.py mnist数据集的样本图像： 结果 时代0 Train Accuracy = 0.121 Test Accuracy = 0.121 Validation Accuracy = 0.128 纪元1 Train Accuracy = 0.963 Test Accuracy = 0.966 Validation Accuracy = 0.964 纪元2 Train Accuracy = 0.976 Test Accuracy = 0.976 Validation Accuracy = 0.977 ... 纪元50 Trai

这项研究工作部署了一种很有前景的方法来识别手写英文字母和神经数字。 在这项研究工作中，分析和研究了基于深度神经网络的卷积神经网络模型在 MNIST 数据集上的性能。 该标准化数据集包括手写文本，包括数字和字母。 在各种实验中，CNN 的参数在多个实例中配置，以分析其在不同环境下的性能。 虽然主要配置集包括误差函数、激活函数、隐藏层数、时期数、各种优化技术以解决凸和非凸可优化目标函数。 实验结果证明了其与现有艺术相当的有前途的价值。 所讨论模式的结论性能在具有交叉熵误差函数的 sigmoid 激活函数下达到了 99.65 的最高分类率，并且首先将性能延迟评估为不同隐藏层数的度量。

支持向量机的手写字符识别 很不错的东西 希望和大家共同学习

基于MATLAB的神经网络汉字，字母，数字识别，带界面GUI。单个字符识别，也可以增加功能，识别连排的字符。方法可以是神经网络，也可以模板匹配。

神经网络手写数字识别，BP神经网络的方法，带GUI界面