基于多分类器组合的手写体数字识别

本文提出了一个基于多分类器组合的手写体数字识别方法。文中首先给出了一个客观评价分类器性能的参数,其后基于此参数提出了多分类器的组合方法,并从理论上研究了此方法的一些性质,本文实验采用Ｃｏｎｃｏｒｔｄｉａ大学模式识别与机器智能中心的手写体数字数据库,在实验中,使用了９个利用不同特征分类器进行组合,组合后识别率、拒识率和可靠性分别可达到９７．０５％,２．０５％,９９．０８％。     

基于轮廓和统计特征的手写体数字识别

提出了数字规范化模板特征,并利用这一特征与轮廓分段特征相结合对手写体数字进行识别。首先使用基于轮廓分段特征的分类器进行识别,通过提高拒识率获得高可靠性的分类结果。然后由基于数字规范化模板特征的分类器对前一级分类器的拒识样本分类。实验结果表明分别基于这两个特征的分类器在分类结果上具有较强的互补性。实验的数据为真实支票上采集的10000个手写体数字样本,该方法的识别率为98.06%。     

手写体数字的识别

本文针对煤气储存罐体上高度的手写数字,由图象传感器获取十个数字手写体的图象信号进行数字识别,依据手写体字符“有效行”的特征提取,提出了并列的双BP神经网络的识别方法,对手写体数字的识别获得了较好的辨识效果。     

多分类器组合及其应用于手写体数字识别

在许多模式识别的应用中经常遇到这样的问题:组合多个分类器.提出了一种新的组合多个分类器的方法,这个方法由反向传播神经网络来控制,一个无标号的模式输入到每一个单独的分类器,它也同时输入到神经网络中来决定哪两个分类器作为冠军和亚军.让这两个分类器通过一个随机数发生器来决定最终的胜者.并且将这个方法应用到识别手写体数字.实验显示单个分类器的性能能够得到可观的改变.     

一种新颖的手写数字识别特征抽取方式和混合树分类法

本文对手写体数字识别提出了一种具有神经网络的混合分类系统和判断树－－分类器。它在字符的几何结构上定义各种稳定、可靠的整体特征。一种新颖、可变的检测器采用局部特征，沿着字符的左右轮廓进行检测分割。识别系统由分层原始分类器和精确分类器组成。原始分类器是一个具有逆向传播学习算法的三层前馈式神经网络，在相似字符特征的抽取中，采用6个子集{0},{6},{8},{1,7},{2,3,5},{4,9}以示区别。三种字符类别称为{0},{6},{8}是直接从人工神经网络（ANN）上识别的，其余的字符类别构建一个判断树分类器，以便进一步在以下的类别中作精确分类：有关启发式特征的特殊分类、原始特征以及对应语义类别间的实验结果。然后，采用一种迭代增长和删除算法来形成树状分类器。实验证明，本文提出的识别系统具有广泛的适应性和很高的识别率。     

用神经网络分类器识别非限制手写体数字

人工神经得识别图象有效工具，但许多研究人员认为，神经网络尚不能处理一此诸如识别手写体数字的难题。文中，作者提出了三种新型的神经网络分类识别器，专用于识别复杂图形：（１）多重多层感知（ＭＬＰ）分类器；（２）隐含马可失模型（ＨＭＭ）／ＭＬＰ混合分类顺；（３）适配结构自组织变换（ＳＯＭ）分类器。为了验证上述分类（识别）器的性能，各项实验均采用加拿大蒙特利尔Ｃｏｎｃｏｒｄｉａ大学数据库所提供的非限制手写体     

基于 Adaboost的手写体数字识别

提出了一种新的基于集成学习算法Adaboost的手写体数字识别系统。Adaboost方法可以在仅比随机预测略好的弱分类器基础上构建高精度的强分类器。实验证明,基于Adaboost的手写体数字识别系统具有较高的识别率和泛化能力,已经应用在OCR识别软件中。     

组合结构特征的自由手写体数字识别算法研究

自由手写体因其书写风格差异大、上下文无关及识别准确度要求高等原因导致其识别难度大的问题。针对手写体数字识别的特点及要求,提出一种新的基于组合结构特征的自由手写体数字识别算法。通过扩展的字符结构特征识别算法自动、鲁棒地提取手写体数字字符端点、分叉点、横线等多种结构特征,并组合应用这些结构特征构造决策树完成手写体字符的自动识别。实验结果表明基于组合结构特征的自由手写体数字识别算法的鲁棒性和识别率明显优于传统方法。     

一种有效的手写体汉字组合特征的抽取与识别算法

基于特征融合的思想,从有利于模式分类的角度,推广了典型相关分析的理论,建立了广义的典型相关分析用于图像识别的理论框架。在该框架下,首先利用广义的典型相关判据准则函数,求取两组特征矢量的广义投影矢量集,构成一对变换矩阵;然后根据所提出的新的特征融合策略,对两种手写体汉字特征进行融合,所抽取的模式的相关特征矩阵,在普通分类器下取得了良好的分类效果,优于已有的特征融合方法及基于单一特征的PCA 方法和FLDA 方法。     

基于图像矩阵的非线性不相关鉴别特征抽取技术

针对现有核 Fisher鉴别分析方法的弱点 ,提出了一种基于图像矩阵的非线性不相关鉴别特征抽取技术。该方法的基本思路是 :首先 ,通过经验核映射将原始输入空间 Rn 映射到某特征空间 RN,然后将特征空间 RN 上的训练样本向量变换为一个 p×k( N=p×k)的图像矩阵 ,最后基于该图像矩阵直接构造该空间上的散布矩阵。在Concordia大学的 CENPARMI手写体数字数据库上的试验结果验证了本文方法的有效性。     

基于类条件置信变换的后验概率估计方法

后验概率估计是模式识别多分类器组合方法研究的基础,该文提出了最近邻距离分类器后验概率估计的类条件置信变换方法．后验概率被认为集中在最近邻类与次近邻类上,而且对每一个模式类,都有一个类条件置信变换函数,该函数可以通过实验数据估计得到．实验采用Concordia大学CENPARMI手写体数字数据库与南京理工大学手写体数字数据库．实验结果表明该文所提出的类条件置信变换方法是合理的,在降低识别错误率上,优于现有的投票法、记分法、线性法以及自适应置信变换(ACT)法．     

一种组合特征抽取的新方法

该文提出了一种基于特征级融合的特征抽取新方法,首先,给出了一种合理的特征融合策略,即利用复向量给出组合特征的表示,将特征空间从实向量空间拓广到复向量空间,然后,发展了具有统计不相关性的鉴别分析的理论,并将其用于复向量空间内最优鉴别特征的抽取,最后,在Concordia大学的CENPARMI手写体阿拉伯数字数据库以及南京理工大学NUST603HW手写汉字库上的试验结果表明,所提出的组合特征抽取方法不仅具有很强的维数压缩能力,而且较大幅度地提高了识别率。     

基于神经网络及多层次信息融合的手写体数字识别

以信息融合技术为基础，提出了一种新的基于神经网络及多层次信息融合的手写体数字识别方法。该方法通过提取字符图像不同机制的4个互补特征，组合形成6个融合特征，利用优化的BP神经网络算法，对多融合特征进行识别分类，然后用神经网络对6个识别结果进行融合决策．实验结果表明，新的融合识别方法能有效提高识别率，并具有较高的系统可靠性。     

有效最佳鉴别特征的抽取与维数问题

在模式识别领域中,基于Ｆｉｓｈｅｒ鉴别准则函数最佳鉴别变换有着重大的影响。该文首先对Ｆｏｌｅｙ－Ｓａｍｍｏｎ最佳鉴别变换,广义最佳鉴别变换与具有不相关性的最佳鉴别变换给出了形式相似的求解公式,然后根据Ｆｕｋｕｎａｇａ维数定理,提出了最佳鉴别变换的有效度的概念,最后利用国际上广泛使用的Ｃｏｎｃｏｒｄｉａ Ｕｎｉｖｅｒｓｉｔｙ ＣＥＮＰＡＲＭＩ手写体数字数据库做了最佳鉴别变换的有效性实验,实验结果表明     

具有统计不相关性的最佳鉴别特征空间的维数定理

提出并严格证明了具有统计不相关性的最佳鉴别特征空间的维数定理：对含有L个类别的模式识别问题,具有统计不相关性的最佳鉴别特征空间的维数为（L－1）：说明了具有统计不相关性的最佳鉴别变的与Wilks所提出的经典的模式特征抽取方法的关系。在一定的条件下,具有统计不相害性的最佳鉴别矢量集等价于Wilks所提出的经典鉴别矢量集。经典的模式特征抽取方法可以用来在不损失任何Fisher鉴别信息的意义下,对含有L个类别的模式识别问题。抽取（L－1）个具有统计不相关性的最佳鉴别特征。     

手写粉笔数字自动识别方法研究

手写粉笔字在生产生活中应用广泛,针对手写粉笔字易与背景混淆的特点,提出了手写粉笔数字自动识别方法,分别通过粉笔字普适性分割算法和基于SVM的手写数字分层分类自动识别技术解决了分割和识别两个关键问题,并结合钢材板坯号自动识别系统的应用进行方法的实验,达到了较高的识别率,具有重大的应用价值和推广意义。     

A new algorithm for generalized optimal discriminant vectors

A study has been conducted on the algorithm of solving generalized optimal set of discriminant vectors in this paper.This paper proposes an analytical algorithm of solving generalized optimal set of discriminant vectors theoretically for the first time.A lot of computation time can be saved because all the generalized optimal ests of discriminant vectors can be obtained simultaneously with the proposed algorithm,while it needs no iterative operations .The proposed algorithm can yield a much higher recognition rate.Furthermore,the proposed algorithm overcomes the shortcomings of conventional human face recognition algorithms which were effective for small sample size problems only.These statements are supported by the numerical simulation experiments on facial database of ORL.