基于人工神经网络的手写体相似汉字分类器的设计

相似汉字的准确分类是手写体汉字机器识别中的一个关键性问题。本文从手写体相似汉字的特征抽取方法、神经网络结构的选取及参数的确定、学习算法的设计等方面讨论了基于人工神经网络的手写体相似汉字分类器的设计方法 ,最后用 384组手写体相似汉字对分类器进行识别测试 ,实验结果证明了分类器的良好性能     

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。     

关于限制性手写体汉字的一种识别方法

成功地提出了关于限制性手写体汉字的一种识别方法,并在486 DX/66 PC机上进行了模拟实验,取得了一定的效果。对于经预处理后的手写体汉字,采用结构识别法、统计决策法和模糊数学法相结合的一种方法。另外,提出了对相似文字的识别方法。     

连笔手写识别搜索算法研究

该文提出了一种基于DP算法和隐马尔可夫模型的汉字手写体识别方法,通过提取整字特征和笔划特征来描述汉字特征信息,识别时,采用DP匹配算法,使得字库样本与待识样本的码列匹配关系是最优的,当出现连笔系统拒识时采用隐马尔可夫整字分类器,从而提高整体的识别效率。     

手写体汉字识别的一种粗分类方法

本文论述了一种适用于手写体汉字识别的粗分类方法。文中以方向笔道密度分布为基础,研究了手写体汉字特征的抽取,并按照方差准则选取有效的特征,以减少冗余的信息。此法用于500个常用汉字的粗分类,获得了较为满意的结果。     

一种多特征组合与多神经网络分类器集成的手写数字识别新方法

提出了一种多特征组合与多神经网络分类器集成的手写体数字字符识别方法。新方法对结构简单、书写规范的数字字符使用高效的结构分类器实现快速分类;对结构分类器不能准确分类的字符,首先通过提取多个特征,构造不同结构和类型的多个神经网络分类器,然后对多个分类器的识别结果,通过多专家集成方案对手写数字进行最终判决。实验结果表明,提出的方法能有效降低识别错误率,提高识别系统的可靠性。     

联机手写体汉字识别系统中汉字的输入及其特征的提取

汉字识别是模式识别领域最富挑战性、又极具应用前景的研究课题之一,而联机汉字识别是近期需求十分迫切的技术,字量大、字形复杂多变、笔顺没有一定的规范、笔划数目变动等多种因素,是联机汉字识别的主要困难。笔划相对易于提取是联机识别的优点。针对联机手写体汉字的特点,提出笔划轨迹点方向量化的方法,提取笔划和计算笔划间的连接关系,形成输入样本字的特征。     

汉字笔划的计算机分解和综合

本文提出了印刷体和手写体汉字笔划的计算机分解和综合的一种方法,此方法是对细化后的汉字抽取出横、竖、撇、捺等基本笔划,对细化过程中产生的断笔划进行合并,然后进行分类.实践表明,用此方法进行汉字识别,有较高的识别率.     

关于限制性手写体汉字预处理探索

就限制性手写体汉字的预处理问题进行了一些讨论,对通过摄像机摄入的限制性手写体汉字提出了一种预处理方法,对汉字采用了位置正规化、大小正规化、平滑处理、细化处理的相结合的方法,通过预处理的汉字,使汉字识别率大大的提高。     

基于学习和理解的手写汉字识别方法

本文分析了手写体汉字识别各环节遇到的困难,及现有特征提取方法的不足,提出了一种新的特征抽取方法一四角号码法并进行了一系列实验,实验结果证明了该方法的可行性。     

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。     

手写体笔迹识别中分类器的设计及实现

为提高手写体笔迹识别的识别率和稳定度,将信息融合理论应用到识别算法中,给出了多分类器融合的结构框图;采用将笔迹的特征向量转化为待识样本(检材)的特征向量与样本库中的样本特征向量的距离值作为神经网络的输入值,将多类识别问题转化为判断是否为同一类的问题;提出利用分类器的先验知识,为每个分类器构造一个混淆矩阵,来标识每个分类器的分类能力.     

特征融合用于手写体汉字识别研究

分析了手写汉字特征的提取方法,提取具有一定互补性的轮廓方向特征和方向距离分布特征,并进行K-L变换降维处理,用多特征合成一个区分能力更强的新特征.讨论了RBF网络分类器特性,结合特征融合方法和模块RBF神经网络结构有机地构建一个小类别手写体汉字识别系统.实验表明,该系统可行和有效.     

特征融合用手写体汉字识别研究

分析了手写汉字特征的提取方法，提取具有一定互补性的轮廓方向特征和方向距离分布特征，并进行K-L变换降维处理，用多特征合成一个区分能力更强的新特点。讨论了RBF网络分类器特性，结合特征融合方法和模块RBF神经网络结构有机地构建一个小类别手写体汉字识别系统。实验表明，该系统可行和有效。     

基于部件HMM级联的联机手写体汉字识别方法

为了对自由手写汉字进行有效地表征和识别,提出了一种识别自由手写体汉字的级联HMM方法,在部件HMM模型基础上将各模型按照统计概率连接,它扩展了HMM的模式描述方式,允许在级联模型上表征状态的跳跃、转移和驻留等。通过共享手写汉字部件模型来描述级联状态转移概率,可以更可靠地刻画自由手写体的行为特点。采用面向级联的Viterbi算法,无需做部件的分割和标注。通过一定条件下的对比实验训练与识别表明,该方法的第一候选识别率为87.89％,而基于分段HMM识别方法的第一候选识别率为86.17％,降低错误识别率12.4％。     

基于连续非对称卷积结构的手写体数字识别

为了提高手写体数字识别的准确率,设计并提出了一种基于连续非对称卷积结构的手写体数字识别的深度学习算法.以连续非对称卷积结构为基础,结合极限学习机和MSRA初始化设计网络结构.在识别输入图像时,利用CUDA并行计算与Cudnn神经网络GPU加速库对手写体数字识别进行加速.在MNIST手写体数字数据库上进行实验,提出的网络结构识别准确率达到99.62%,单张图像识别速度为0.005 8 s.经实验结果对比表明,该网络结构在识别准确率和识别速度上得到有效提升.     

基于分数本征特征的手写数字识别

特征提取是手写体数字识别研究中的重要问题,有效、稳定的特征是提高识别率和识别精度的关键。该文提出了一种基于分数本征特征和核非线性分类器的手写数字识别方法,首先找到时频平面的一个轴进行分数傅里叶变换,使不同类别样本在这个轴上最大限度地分开,然后用主元分析进行降维,得到比较稳健的低维特征,再将常用分类器用于特征分类,实现对手写数字的识别。对实际数据进行实验,结果表明上述本征特征与核非线性分类器相结合有较高的识别率和训练、分类效率。     

基于主元分析法的手写数字识别

特征提取是手写体数字识别研究中的重要问题。有效特征是提高识别率和识别精度的关键。作者使用的主元分析法能压缩特征的维数 ,满足特征提取的完备性原则和正交性原则 ,提高分类器性能。将经过主元分析法压缩后的特征用BP神经网络进行识别仿真 ,取得了较好的实验效果     

用于相似字识别的手写汉字特征优化方法

针对常用的手写汉字特征提取方法不利于后续线性区分分析(LDA)特征变换中发现相似汉字的细微区分信息,通过将传统的手写汉字特征提取和LDA变换表述为像素级特征的二维特征矩阵优化问题,并利用二维线性区分分析(2DLDA)变换进行手写汉字特征矩阵的优化,提出了一种用于手写相似汉字识别的特征优化方法.该方法可以避免高维像素级特征向量利用LDA变换进行优化中的散度矩阵奇异性问题.对手写相似汉字的识别实验表明,相对于传统的方法,经过所提方法优化的梯度特征,识别错误率可以降低48.86％,验证了方法的有效性.     

一种改进的基于 ART2神经网络的文字识别算法

为了解决 ART2神经网络的漂移问题,提出了一种改进的基于 ART2神经网络的文字分类和识别方法.此方法能够自主学习,收敛速度快,识别率和识别速度都比 BP神经网络高.实践证明,基于此设计的脱机手写体文字识别系统能对较规范的手写体文字进行识别,识别率达到85%.