从哪里开始使用神经网络进行手写识别？
我一直在努力学习神经网络一段时间，我可以在线了解一些基本的教程。 现在我想用神经网络开发在线手写识别。 所以我不知道从哪里开始？ 我需要一个非常好的指导。 最后我是java程序员。
你有什么建议我这样做？
在Unipen数据库上使用字符识别开始简单。
您需要从原始轨迹数据中提取相关特征，以形成通常称为“特征向量”的东西。 例如，您可以使用插值方案重新采样数据，最终得到n个元组，每个元组包含以下信息：
- 位置
- 取向
- 速度
- 促进
- 曲率
- 等等
一旦有了固定大小的特征向量，就可以将它用作神经网络的输入。 尝试MLP网络开始。
您必须进行试验才能确定哪些function最佳。
如果您需要开始从Ink数据中提取function，请查看HP的Lipi Toolkit （请注意，他们的识别器不使用神经网络）。
您还可以查看实施神经网络教程的15个步骤 。
神经网络Java简介是一本很好的入门书，包括一个手写识别示例。
替代文字http://sofzh.miximages.com/java/51RmyzT3ZUL._SL500_AA240_.jpg
看看网上漂浮的一些项目：
- 神经网络手写识别小程序
- Java技术中的手写识别
- 手写识别
仅列出谷歌为“ java手写识别 ”吐出的三个第一个链接
一些提示可以帮助您入门：
-
如果可以，使用向量而不是位图图形。 理想情况下，您应该具有每个笔划的速度和方向。 通过曲线弯曲的方式加上绘制的速度而不是forms来识别字母通常更简单。
-
用几种方法解决问题。 使用神经网络，形状识别，大小，上一个和下一个字母，词典。 所有这些都将为您提供不同的错误级别的结果。 这有助于大大改善结果。
祝你好运！
彼得诺维格的人工智能：现代方法是一本关于一般人工智能的好书，并解释了很多关于基础知识的内容，还有一个关于背向传播神经网络的部分。
要训练您的神经网络，您需要数据集。
在UCI机器学习库中 有手写数字的MNIST数据库 ，或者基于笔的手写数字数据集识别
UCI ML存储库有很多很棒的数据集，其中很多都可以很好地训练神经网络。 即使你不知道它们是什么，你也可以抓住一些，看看你的ML系统是否可以完成分类任务。 查看具有大量属性和实例的分类任务 ，但是当您开始时也可以尝试较小的属性和实例 。
顺便说一下，除了神经网络之外还有很多技术，包括支持向量机 ，它们很受欢迎。
请记住，如果您的目标是实际识别这些角色， 您的表现将根据输入function的质量和选择而有所下降 。
选择正确的function，并尽可能多地预处理（即去掉噪声特征，无关数据，重复或强相关特征）是至关重要的 。 根据我的经验，从具有良好特征的最无聊和最近邻实现中获得更好的性能，而不是具有较少选择特征的尖端算法。
对你而言，这意味着暂时延迟阅读神经网络文献（首先采用现成的黑盒实现），并阅读实际系统使用的图像处理等。 如果您的数据可以包含压力和速度信息，那就更好了。 像LDA热图这样的东西可以说明最初看哪些特征重要，哪些不重要。
对于基本分类，有很多不错的算法。 大部分工作都很好，对你来说效果很好。 困难的部分不是挑选或调整算法，而是避免垃圾垃圾场。
Heaton研究将为您提供很多帮助
http://www.heatonresearch.com/articles/7/page3.html – 访问此内容以获取示例代码片段的教程
神经网络[如果我没有弄错]将用于解释模式，您为程序提供输入，程序在一组存储的模式中搜索该模式，并根据匹配提供可能的匹配。
在您的情况下，模式的尺寸可以是速度+方向或仅方向等数据
我做了一个神经机器人的小模拟，以类似的方式在我的网站上聊天。
该计划“学习”的模式越多，它提供的答案就越准确。
神经网需要大量的浸泡时间。 概念很简单，但对于初学者来说它们可能是压倒性的。
看看JochenFröhlich用Java中的神经网络做了些什么。 这听起来像是像你这样的Java程序员的理想起点。
书籍： 字符识别系统：学生和从业者指南和 白板识别笔记：在线，离线和组合是很好的起点。
如果您正在寻找概念，我建议BrainNet，
神经网络 – 第一部分：.NET中的一个简单的手写识别系统
http://amazedsaint.blogspot.com/2008/01/neural-networks-part-i-simple.html
BrainNet将帮助您
- 获得关于神经元和神经网络的公平理解
- 获得有关智能系统的良好概念
- 了解如何使用此神经网络库在项目中使用它。
- 了解如何开发一些很酷的神经网络程序
我建议您从手写数字识别开始，原因如下：
- 任务定义明确
- 上面提到了一个非常好的手写数字数据库（ MNIST ）
- 在这个问题上测试了很多实现的算法
- 这个问题最成功的方法之一是卷积神经网络，甚至用于商业应用。 可用的实现很少，包括C ++，CUDA，Matlab，Python。 不幸的是，我不知道任何Java实现。