基于模糊理论的数学公式上下标关系判别

上下标关系数学公式中出现频繁又难于解决的特殊结构,容易与其它关系混淆.提出了基于模糊理论的数学公式上下标关系判别.运用模糊理论对数学公式中符号的空间区域关系进行划分,然后应用模糊识别的方法对上下标关系进行判别.实验结果表明,运用该方法能明显提高符号空间关系判别的识别率,尤其是能很好地判别手写数学公式中的空间关系,识别的正确率可达到96.4%.     

手写数学公式的识别研究及在Android上的应用

为了开发一款在Android平板电脑上运行的手写数学公式识别的软件,首先采用特征值多级分类方法对手写字符进行识别;然后提出一种使用三叉结点结构存储数学公式的算法,将手写数学公式转换成一棵三叉树;最后利用三叉树的先序算法将三叉树转换成MathML语言即可在Web浏览器上显示。     

基于模糊分类的印刷体数学公式抽取方法

公式抽取是印刷体数学公式识别的基础性环节，现有的识别方法多以公式区域已知为前提，相关的研究还很欠缺。通过引入模糊分类理论，提出了一种孤立数学公式的抽取算法，通过对大量训练样张的数据统计与分析，选取了非规则度、宽高比、密度等6维特征，由此构建出对孤立公式行、文本行、标题行的模糊分类规则，实现了孤立公式行的抽取。实验结果表明，该方法有较高的准确性和鲁棒性。     

印刷体数学公式结构分析方法的研究

印刷体数学公式识别是OCR技术的重要组成部分,也是识别技术发展的瓶颈所在。在介绍公式识别技术发展现状的基础上,针对结构分析这一公式识别的关键环节,提出了一种基于基准线和字符间空白域特征的公式二维结构分析方法,并将语义和语境分析策略融入其中。实验表明,这种方法对公式结构分析具有较好的鲁棒性和应用前景。     

在线LaTeX公式编辑器

你是否在为输入繁琐复杂的数学公式而烦恼?亦或是想展现自己的解题技艺却在输入复杂的公式时望而却步?很多时候,你想要在电脑上制作一个复杂一点的公式,还真有点无从入手吧。在线LaTeX公式编辑器完全免费(http://www.codecogs.com/latex/eqneditor.php),简单几步即可生成复杂的公式图片,绝对值得被     

一种印刷体数学公式优化提取策略

提出了一种先版面行分类后符号识别的印刷体数学公式提取策略。策略中两次应用K-L变换,分别完成版面行特征的降维和公式符号特征的提取,并采用免疫克隆选择算法优化支持向量机的训练参数,以构建出最优的版面行分类器和公式符号识别器。通过对300多份印刷体中文科技文档进行扫描识别测试,所得结果的公式提取率可达94%以上。     

印刷体数学公式识别中的结构分析策略

数学公式识别是OCR技术的重要组成部分，目前相关的研究还很欠缺。文中在简要介绍数学公式识别发展状况的基础上，针对结构分析这一公式识别的关键环节，提出了一种将“自顶向下”和“自底向上”策略相结合的数学公式结构分析方法。实验表明，这种方法对公式结构具有较好的适应性。     

基于Web Services和Mobile SVG的移动数学查询系统的设计

文中从方便学习者使用异构移动终端进行数学公式及图形查询的角度出发,设计了一种基于Web Services四层架构的移动数学公式及图形查询系统.该系统的服务端使用J2EE开发,客户端使用J2ME开发,以支持学习者通过不同分辨率、不同操作系统的移动设备查询常用公式、函数及图形,另外,该系统还使用Mobile SVG技术生成矢量数学图形,并将Ajax、gzip等技术用于提升性能,能大大提升查询速度、节省移动客户端的有效存储空间.该系统的架构和所采用的技术克服了目前移动设备访问网络资源速度较慢、存储量较小、分辨率不同等各种影响学习效果的不利因素,因此能为学习者提供更好的移动数学学习支持,具有很好的应用价值.     

基于注意力机制编码器-解码器的手写数学公式识别模型

针对现有的手写数学公式识别（HMER）方法经过卷积神经网络（CNN）多次池化后,图像分辨率降低、特征信息丢失,从而引起解析错误的问题,提出基于注意力机制编码器-解码器的HMER模型。首先,采用稠密卷积网络（DenseNet）作为编码器,使用稠密连接加强特征提取,促进梯度传播,并缓解梯度消失;其次,采用门控循环单元（GRU）作为解码器,并引入注意力机制,将注意力分配到图像的不同区域,从而准确地实现符号识别和结构分析;最后,对手写数学公式图像进行编码,将编码结果解码为LaTeX序列。在在线手写数学公式识别竞赛（CROHME）数据集上的实验结果表明,所提模型的识别率提升到40.39%,而在3个级别的允许误差范围内,识别率分别提升到52.74%、58.82%和62.98%。相较于双向长短期记忆（BLSTM）网络模型,所提模型的识别率提高了3.17个百分点;而在3个级别的允许误差范围内,识别率分别提高了8.52、11.56和12.78个百分点。可见,所提模型能够准确地解析手写数学公式图像,生成LaTeX序列,提升识别率。