Arquitectura del sistema de reconocimiento de matrículas-Tigerwong

El sistema de reconocimiento de matrículas adopta una red neuronal de avance de dos capas. Según el análisis de autotexto, el reconocimiento de caracteres de la matrícula es un pequeño problema de clasificación. La red neuronal con una capa oculta puede acercarse a cualquier número no lineal. Por lo tanto, solo se necesita una red neuronal de dos capas para reconocer caracteres. Debido a que los caracteres de la matrícula se dividen en caracteres chinos, letras y números, de acuerdo con la situación específica, este documento diseña cuatro redes neuronales, a saber, red neuronal de caracteres chinos, red neuronal de letras, red neuronal digital y red neuronal de descarga de letras y números.. Cada píxel de la imagen h de carácter normalizado se utiliza como entrada de la red neuronal. El tamaño unificado del personaje es 32*16, por lo que hay 512 entradas en total. El número de nodos neuronales de salida está determinado por el número de categorías del problema que se clasificarán. Para la red de caracteres chinos, hay 31 caracteres chinos para las abreviaturas de provincias, municipios directamente bajo el gobierno central y el distrito de Baizhi, 13 caracteres chinos para vehículos militares y 51 caracteres chinos para embajadas, consulados, automóviles temporales y vagones. El número de nodos de salida de la red de caracteres chinos es 51; el número es de. A 9, hay diez redes digitales. La solución del problema en este documento se refiere al peso y el umbral de la red, es decir, el propósito del entrenamiento de la red es encontrar un conjunto de combinación óptima de peso y umbral. Generalmente, el sistema de reconocimiento de matrículas adopta el método de codificación binaria =, pero el sistema de reconocimiento de matrículas implica muchos parámetros y requiere una alta precisión. La precisión de la codificación binaria está limitada por la longitud del cromosoma. En este artículo, se adopta la codificación de números reales, por un lado, cumple con los requisitos de precisión, por otro lado, la importancia del problema de codificación es clara. 03 es necesario seleccionar excelentes padres para diversas operaciones genéticas, debe haber un estándar. El algoritmo genético se basa en la función de fitness. En este tema, el error es el estándar fundamental para medir el bien y el mal individuales, es decir, cuanto menor es el error, mayor es la aptitud individual. Por el contrario, cuanto mayor es el error, peor es la aptitud individual.