SVM在小字符集手写体汉字识别中的应用研究

本文将支持向量机(SVM)引入到小字符集脱机手写体汉字识别中。文章首先介绍了SVM的基本原理和主要算法,然后在实验中采用了LibSVM训练软件,针对银行票据手写汉字的小字符集进行了仿真,同时与欧氏距离分类方法进行了比较。实验结果表明此方法的汉字识别率较高,在小字符集手写体识别中具有较强的实用性。     

脱机手写体汉字识别中SVM参数优选问题

研究了基于支持向量机的脱机手写体汉字识别中核参数和误差惩罚因子的选择问题.将遗传算法跟支持向量机相结合,提出了一种自动优选支持向量机模型参数的方法,减少了以往应用支持向量机需反复试验以确定其参数的人工工作量.采用高斯核函数的支持向量机分类器进行实验,识别率达到97.83%,验证了该方法的有效性.     

脱机手写体汉字识别的支持向量机方法研究

提出一种采用二叉树粗分类与SVM细分类结合的分类识别方法,充分发挥SVM在二类分类问题方面相对于单一SVM方法的优势 .实验结果表明提出的识别方法在解决复杂多分类脱机手写体汉字分类识别问题上有效的提高了分类精度和速度.     

基于FSVM脱机手写体汉字分类识别研究

针对脱机手写体汉字特点,给出一种采用模糊支持向量机粗分类的方法。根据小波分解像素密度特征,利用模糊支持向量机对汉字进行粗分类。细分类识别提取外围特征,同时融合小波多网格特征,采用一对多算法进行细识别。仿真实验表明,该方法有较高识别率。     

FSVM在有限集脱机手写体汉字识别中的应用

模糊支持向量机方法解决了多类支持向量机方法中的不可分区域问题。将模糊支持向量机方法引入到有限集脱机手写体汉字识别中，并以同济大学成绩自动识别系统为背景进行了一系列实验，结果表明在相同的条件下可以达到比支持向量机方法更为理想的识别效果。     

SVM在小字符集脱机手写体汉字识别中的应用研究

提出将SVM方法引入小字符集脱机手写体汉字识别，利用较少的训练样本就可以达到比较理想的识别效果，并在小校本学习的情况下同最小距离法和多重相似度法的识别率和识别时间作了比较，说明SVM方法在小字符集脱机手写体汉字识别中实用性。     

基于SVM的手写体相似汉字识别

支持向量机作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,而不仅仅是使经验风险达到最小,从而使支持向量分类器具有较好的推广能力.并且,由于支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解.文章首先讨论了基于支持向量机的手写体相似汉字识别过程.然后,针对支持向量机识别手写汉字所遇到的问题进行了分析和阐述,并在此基础上提出了基于最小距离分类器分类的两级分类策略.最后,针对理论进行了实验仿真.实验结果有力证明了本文提出的基于svM的相似汉字识别方法的有效性.     

脱机手写体汉字识别技术研究的回顾与展望

在简要介绍系统构成的基础上，重点阐述了手写汉字切分、特征选择与提取、分类器设计及后处理，并探讨了今后的主要研究路线。     

脱机手写体汉字识别技术研究的几点思考

针对脱机手写体汉字识别的研究现状。在思考分析基础上．探讨了进一步研究的路线。     

基于球结构的完全二叉树SVM多类分类算法

针对一般的SVM方法不能有效地处理不平衡样本数据及现有的偏二叉树结构SVM分类器速度慢的这两个问题,提出了一种基于球结构的完全二叉树SVM多分类算法。该算法利用球结构的SVM考虑了每个类的分布情况,能有效地处理不平衡样本数据;构建完全二叉树结构,使得同层节点所代表的SVM分类器可以并行工作,能提高其训练和分类速度,分类速度相当于折半查找。实例验证两者结合后的算法可实现准确且高效的多类分类。     

基于SVM的脱机手写汉字机器学习识别方法研究

提出了一种模糊统计方法的脱机手写体汉字特征提取方法,结合小波网格方法和汉字笔画密度特征方法对汉字进行特征提取,并运用支持向量机方法,通过机器学习对脱机手写汉字识别。仿真实验表明,支持向量机方法在脱机手写汉字识别中有良好的识别性能及模糊统计方法是有效的。     

基于SVM的脱机手写汉字机器学习识别方法研究

提出了一种模糊统计方法的脱机手写体汉字特征提取方法．结合小波网格方法和汉字笔画密度特征方法对汉字进行特征提取，并运用支持向量机方法，通过机器学习对脱机手写汉字识别。仿真实验表明，支持向量机方法在脱机手写汉字识别中有良好的识别性能及模糊统计方法是有效的。     

基于核聚类的手写金融汉字识别方法

根据手写体金融汉字的特点,利用核聚类方法将原始样本特征映射到高维特征进行聚类分组,对每一组使用一个支持向量机二值分类器进行分类,并用这些二值分类器组成决策树的结点,构成一个决策分类树。给出了金融汉字的分组方法和决策树的生成算法,提出利用交叠系数来控制交叠,可以克服错分积累,提高分类准确率。实验结果表明,采用该方法,手写体金融汉字识别的速度和正确率都达到了实用的要求。     

基于PIDC和二叉决策树SVM的人耳识别

提出了一种基于PIDC和二叉决策树SVM的人耳识别方法。采用PIDC方法以类间概率信息距离为监督提取人耳特征,降低了提取特征的维数;将PIDC方法与二叉决策树SVM分类方法相结合,实现了利用多类间概率信息距离监督人耳特征提取和分类。利用该方法对400个人耳进行识别实验,并将识别结果同PCA方法进行了比较,实验表明,文中方法降低了分类难度,提高了人耳识别率。     

基于仿生模式识别的手写体汉字识别方法的研究

为了提高机器识别汉字的容错性和准确性,运用仿生模式识别手写体汉字,并以机器"认知"取代机器对特征样本的"区分",研究了手写体汉字的识别方法。该方法先采用双权值椭圆形神经元对汉字的横、竖、撇、捺4类基本笔段进行覆盖;然后通过分析笔段神经元间的拓扑性质来合成具有容错表征方式的6种汉字笔划类型;接着模仿人类汉字形码输入法,通过统计具有冗余容错形状的笔划神经元类型、数量、位置和相合相交数量,建立了手写体汉字特征知识的数据结构表;最后模仿人学习、记忆及对比判断的能力,先验地建立了标准印刷汉字的样本知识库和容错匹配方法。通过对SCUT-IRAC手写体汉字库中的简单和较复杂手写体汉字识别进行的仿真实验结果表明,该方法具有接近人类识别汉字的容错性和准确性。     

一种基于仿生识别的脱机手写体汉字识别方法

运用仿生模式识别方法构建提取基本笔段的神经元序列覆盖手写体汉字图像,分析笔段神经元间的拓扑性质,将手写体汉字图像转化为具有容错表征方式的6种汉字笔划类型组成的几何图形.模仿人类汉字形码输入法,统计具有冗余容错形状的笔划神经元类型、数量、位置、相合和相交点数量,建立手写体汉字特征知识的数据结构表.对SCUT-IRAC手写体汉字库中手写体汉字识别进行仿真实验,结果证明本文方法具有较强的"认知"手写体汉字的能力.     

基于SVM的脱机手写汉字识别

为了对手写体汉字进行快速准确的识别,本文应用SVM和三种特征识别汉字.经过实验,它的处理速度和识别率都令人满意,如果组合成多分类器可以得到更高的识别率.     

基于小波包分解的手写体金融汉字识别

本文提出一种基于小波包分解的手写体金融汉字识别算法。该算法首先对汉字图像进行小波包分解,利用基于节点子图像能量方差的准则选择适当的部分分解树;然后,将得到的子图像划分成多个局部窗口,计算局部窗口的能量值组成特征向量;再通过主成分分析(PCA)选择分类能力最强的一组特征,降低特征空间的维数;最后,用SVM多类分类方法进行分类判决。实验结果表明,该算法取得了较好的识别效果。