基于支持向量機(jī)的手寫數(shù)字識(shí)別的研究.pdf

1、隨著科學(xué)技術(shù)的快速發(fā)展，計(jì)算機(jī)處理速度越來(lái)越快，用計(jì)算機(jī)解決現(xiàn)實(shí)生活中的問題是一個(gè)熱點(diǎn)的研究方向。由于手寫數(shù)字的識(shí)別存在于郵件分類、文獻(xiàn)檢索、銀行票據(jù)等很多領(lǐng)域中，因此手寫數(shù)字識(shí)別是模式識(shí)別中的一個(gè)較為重要的研究方向，如何提高識(shí)別正確率及其效率也是大家奮斗的目標(biāo)。
　　 本文分四步進(jìn)行研究手寫數(shù)字識(shí)別。
　　 第一步，相對(duì)人臉等其它對(duì)象樣本向量的維數(shù)而言，手寫數(shù)字樣本的向量維數(shù)是較小的，因此直接采用支持向量機(jī)+多分類算法

2、進(jìn)行訓(xùn)練和識(shí)別。本文選擇的多分類算法有1-(k-1)算法、二叉樹、二分法和投票法。通過(guò)實(shí)驗(yàn)結(jié)果的分析，得出二分法和投票法相對(duì)較優(yōu)，但是不足之處在于，要得到高的識(shí)別正確率必須要很多訓(xùn)練樣本，這樣就必須花很長(zhǎng)時(shí)間進(jìn)行訓(xùn)練樣本。
　　 第二步，采用PCA進(jìn)行降維，可以減少訓(xùn)練樣本的時(shí)間。但是降維之后，識(shí)別準(zhǔn)確率沒有得到提高，這可能與所選的樣本和樣本向量的數(shù)據(jù)有關(guān)。
　　 第三步，從減少訓(xùn)練樣本數(shù)入手，考慮到訓(xùn)練樣本間的相似性，

3、采用相似形態(tài)配對(duì)想法來(lái)挑選訓(xùn)練樣本。結(jié)果挑選出639個(gè)訓(xùn)練樣本，對(duì)100個(gè)待測(cè)樣本進(jìn)行識(shí)別，識(shí)別準(zhǔn)確率達(dá)到了87％，這個(gè)結(jié)果對(duì)比于第一步的結(jié)果有了個(gè)明顯的提升。
　　 第四步，繼續(xù)延續(xù)第三步的想法，即從減少訓(xùn)練樣本入手，通過(guò)聚類分析得到新的訓(xùn)練樣本，再進(jìn)行實(shí)驗(yàn)。最后得出結(jié)論，即選用相似距離+層次聚類中的中間距離算法+多分類的投票算法之后，當(dāng)挑選出1800個(gè)訓(xùn)練樣本時(shí)，識(shí)別正確率達(dá)到97％，這樣保證了高的識(shí)別正確率，并且大大降低訓(xùn)