一种基于参照模型的联机手写汉字识别方法

联机手写汉字的识别是模式识别的热点问题，现在所采用的多为特征匹配和结构匹配两种方法。结构匹配方法充分考虑了笔划间的连接关系，能构得到较好的识别率。结构匹配的关健在于如何有效地从输入手写汉字中提取笔划。考虑到同一个汉字的手写体会由于笔划的长短、延伸角度的不同而有所区别，但彼此仍存在极大的相似性，文章提出了一种基于参照模型的手写汉字笔划提取及匹配方法，以解决手写汉字识别问题中的难题。     

部件字典结合时分方向特征的手写维吾尔字符识别

针对联机手写维吾尔128类变体字符,提出了一种基于部件字典和时分方向特征的识别算法。该算法首先结合连笔分析,将字符分解为主体、附加和点三类部件,建立手写维吾尔字符的部件字典,有效解决联机手写维吾尔字符的笔顺连笔自由问题;然后,为减轻手写字符拓扑变形造成的干扰,对单个部件提取一种新的联机特征-时分方向特征,该特征在模糊域提取方向链码然后按时序划分统计,并通过检测和调整短时变动进行抖动校正;最后,设计不同分类器对各部件进行匹配,利用匹配测度分布估计各部件权重,并通过加权朴素贝叶斯融合得到字符识别结果。实验结果表明,该算法能有效地识别128类无约束手写维吾尔字符,在包含13 056个样本的手写体维吾尔字符数据库上的平均识别率为93.15%。     

利用图论算法识别限制性手写汉字

介绍了以图的同构算法为基础,对限制性手写汉字进行了计算机光电识别的方法。该方法已能识别限制手写汉字,正确识别率超过８５％,并且有潜力识别更多的,数量不限的汉字。     

知识基联机自然手写汉字识别

本文研究了一种识别联机自然手写汉字的方法,充分利用汉字知识,构造联机汉字的知识框架,在专门知识引导下识别自然手写汉字,汉字的多种构形规律和书写规律被用于联机汉字的知识表达和建模,输入汉字经过笔划元提取后,采用框架描述,与知识颤 中存储的汉字模型进行约束满足的不精确匹配。对国际一级汉字进行测试,在对书写次序,笔划数目,是否连笔等很少限制的情况下,能获得很高的识别率,证明本文方法是有效的。     

基于双神经网络分类器的脱机手写体汉字识别

脱机手写体汉字识别因其自身的复杂性,系统的实现具有很大的困难。现有的方法,多针对小字符集。为了能在更大的字符集内实现脱机手写体汉字识别,文章结合双重特征提取方法,提出了将双神经网络分类器引入脱机手写体汉字识别。该方法提取汉字字符的2组特征,将2组特征输入双重神经网络进行并行训练,再经过后处理选择最优结果。将该方法与用于小字符集的SVM方法进行了比较,结果表明其识别率明显高于SVM方法,说明双神经网络在脱机手写体汉字识别中有较强的可行性和实用性。     

一种基于RBM的深层神经网络音素识别方法

为提高连续语音识别中的音素识别准确率,采用深可信网络提取语音音素后验概率进行音素识别.首先利用受限玻尔兹曼机的学习原理,对深可信网络进行逐层的预训练;然后通过增加一个“软最大化（softmax）”输出层,得到用于音素状态后验概率检测的深层神经网络,并采用后向传播算法进行网络权值的精细调整;最后以后验概率为HMM发射概率,使用Viterbi解码器进行音素识别.针对TIMIT语料库的实验结果表明,该系统的音素识别率优于GMM/HMM,MLP/HMM和TANDEM系统性能.     

汉王手写电脑

汉王科技联手微软精心打造了汉王手写电脑。据称，该产品是目前唯一一款使用自主研发手写技术的平板电脑。只需使用电磁笔，用户就可直接在手写电脑液晶屏上手写输入．其附设的手写识别技术可识别汉字行草和连笔英文单词，准确率在99％以上．手写识别率高于普通平板电脑几倍．附设的语音识别功能还可把普通话转换成汉字。     

多讲话者汉语单字识别

本文详细介绍了隐 Markov 模型(HMM)的基本概念和计算概率的前、后向算法,并采用 HMM 作了多讲话者(三人)小词汇量汉语单字识别实验。正确识别率为98%。     

DBN融合模型对脱机手写汉字识别

针对脱机手写汉字识别问题,提出一种新的分类器级联识别模型。新模型将修正的二次判别函数(modified quadratic discriminant function,MQDF)与深度置信网络(deep belief network,DBN)相融合,利用MQDF先进行识别并得出结果,同时计算一个该识别结果的可信度,通过这个可信度对识别结果进行判别,若可信度符合要求,则MQDF的识别结果可作为最终结果直接输出,否则再与DBN结合进行二次识别,得到最终的识别结果。实验结果表明,在ETL-9B手写汉字数据集上进行的脱机手写汉字识别任务中,使用MQDF与DBN融合模型,可以取得比单独使用MQDF和DBN更好的准确率。     

基于HMM的声调语音模型研究

针对声韵母相同但声调不同的近音字识别问题和声韵母及声调都相同的同音字识别问题,提出在语音模型和语言模型中分别引入声调和字转移概率,以提高近音字和同音字的识别率。首先将声调划分为5种表现形式添加到汉语音节的最后一个音素中构成新音素,使用高斯混合隐马尔科夫模型建模新音素。然后通过统计方法计算特定语境下的字间转移概率。最后使用HTK工具包实现了带声调的语音模型和有字转移概率的语言模型。实验结果证明添加声调可以提高近音字的识别率,使用特定语境下字间转移概率可以提高同音字的识别率。     

基于非齐次隐马尔可夫模型的特定人元音的识别方法

针对特定人汉语元音的语音识别,提出一种基于非齐次隐马尔可夫模型的识别方法.该方法首先提取声道频率响应作为特征参数,然后建立非齐次隐马尔可夫模型来更为精确地刻画真实的语音现象,接着进行语音识别实验,并与齐次隐马尔可夫模型进行比较.实验结果表明该方法可以使特定人的元音的识别率达到98.73%,明显改变了识别系统的性能.该方法具有很好的理论研究前景和实际应用价值.     

Improved hidden Markov model for speech recognition and POS tagging

In order to overcome defects of the classical hidden Markov model (HMM), Markov family model (MFM), a new statistical model was proposed. Markov family model was applied to speech recognition and natural language processing. The speaker independently continuous speech recognition experiments and the part-of-speech tagging experiments show that Markov family model has higher performance than hidden Markov model. The precision is enhanced from 94.642% to 96.214% in the part-of-speech tagging experiments, and the work rate is reduced by 11.9% in the speech recognition experiments with respect to HMM baseline system.     

用隐马尔可夫模型设计人脸表情识别系统

根据隐马尔可夫模型(HMM)的基本理论和算法设计了一个人脸表情识别系统。该系统由两层HMM组成:低层由六个HMM组成,分别对应六种特定表情。人脸表情特征向量进入系统后,经过低层HMM初步识别,其结果组成高层HMM的观察向量,经过高层HMM解码,确认出表情,从而提高了系统的识别率,增强了系统的健壮性。     

Mandarin Digits Speech Recognition Using Support Vector Machines

A method of applying support vector machine (SVM) in speech recognition was proposed, and a speech recognition system for mandarin digits was built up by SVMs. In the system, vectors were linearly extracted from speech feature sequence to make up time-aligned input patterns for SVM, and the decisions of several 2-class SVM classifiers were employed for constructing an N-class classifier. Four kinds of SVM kernel functions were compared in the experiments of speaker-independent speech recognition of mandarin digits. And the kernel of radial basis function has the highest accurate rate of 99.33 %, which is better than that of the baseline system based on hidden Markov models (HMM) (97.08%). And the experiments also show that SVM can outperform HMM especially when the samples for learning were very limited.     

非特定人手语识别参数训练模型的改进及应用

在手语识别研究中,非特定人手语识别参数训练的样本缺乏影响了非特定人手语识别的识别率.区分性训练可以很好的弥补由于训练样本的缺乏对识别系统所造成的影响,能够提高非特定人手语识别的识别率.对区分性训练(DT)所改进的HMM参数训练模型(DT/HMM)做了全新的推导,获得了与HMM相一致齐全的DT/HMM的参数模型.在特定人识别系统上应用可区分性训练的h准则获取了h参数,将该齐全的DT/HMM的参数训练模型和h参数,应用于大词汇量的非特定人手语识别当中,加入主观经验后的非注册易混词集EXP 与MLE和EBW的非注册易混词集相比,平均识别率分别提高了10.65%和9.55%.     

后验概率图与补白模型二次融合的关键词识别

使用全连接神经网络结合Softmax分类器对汉语的408个音节建立音节分类器,利用等长处理后的特征向量训练Softmax分类器,将Softmax分类器输出概率作为后验概率图,与隐马尔科夫补白模型（HMM/Filler）进行第一次融合,得到子后验概率图隐马尔科夫模型（Posteriorgram-HMM）. 针对关键词训练样本较少的问题,将标注样本进行强制切分,得到HMM每个状态上的训练数据. 将隐马尔科夫最大后验概率基线模型（HMM-MAP）与Posteriorgram-HMM进行第二次融合,提出最大后验概率图隐马尔科夫模型（Posteriorgram-HMM-MAP）. 在数据集上训练模型后,使用测试数据对其进行测试. 结果表明：Posteriorgram-HMM-MAP的综合识别率相比Posteriorgram-HMM提升了3.55%,相比HMM/Filler提升了10.29%.     

Android运行时恶意行为检测模型研究

为实现Android应用程序恶意行为的有效分析,提出了基于HMMs-SVM的程序行为分类模型,将隐马尔可夫模型（HMM）和支持向量机（SVM）相结合,以动态行为序列作为关键特征,对移动应用软件运行中的网络收发、文件访问等行为建模. 该模型融合了HMM和SVM的优势,并克服了二者的不足,适合于在获取连续动态行为特征序列后进行行为分类. 实验结果表明,该方法分析召回率较高,可以有效对应用中的异常行为进行捕捉,并可以将其按类型分类.     

基于结合HM-SVM方法的HMM剪接位点识别研究

为了对剪接位点取得更加精确的预测结果，采用HMM方法设计并构建了剪接位点识别系统。该系统利用HM—SVM工作集最优化算法训练并优化HMM模型，依据剪接位点附近存在的序列保守性，高效地提取位点附近保守序列在边缘分布与条件分布上的统计特征。实验结果表明，该识别系统在用于剪接位点的识别中较常用的机器学习方法获得了更高的识别率。     

切线法数控加工高次非球面的控制原理

根据切线法数控加工高次非球面新原理,对三轴联动的速度插补控制新原理进行了研究。在新控制原理的速度插补方法中采用电子凸轮(ECAM)定时和PVT控制模式,并引入隐马尔可夫模型理论,利用维特比算法进行解码计算,使该模型以最佳状态序列补偿跟随误差,实现前瞻预测补偿,使速度可以得到单调的连续控制,进而提高加工面形的精度。在数控伺服系统中采用隐马尔可夫模型来实现速度伺服,进而提高加工轨迹精度是控制技术中一种新的尝试,它将拓宽自动控制技术的发展空间。