基于極限學(xué)習(xí)機(jī)的脫機(jī)手寫體漢字識別研究.pdf

1、作為漢字自動輸入技術(shù)之一的漢字識別技術(shù)是漢字信息處理的重要接口技術(shù)。它能在信函分揀、銀行支票識別、統(tǒng)計報表處理以及手寫文稿的自動輸入等諸多方面發(fā)揮巨大的作用。然而，由于手寫體漢字的書寫隨意性很大，在整個字符識別領(lǐng)域中，手寫體漢字識別的難度較大，成為該領(lǐng)域最具有挑戰(zhàn)性的課題。
　　本文主要研究內(nèi)容為:漢字圖像預(yù)處理，漢字特征向量的提取，重點研究了極限學(xué)習(xí)機(jī)ELM（Extreme Learning Machine）的改進(jìn)算法最優(yōu)投票極

2、限學(xué)習(xí)機(jī)OV-ELM(Optimal Voting ELM)在漢字識別中的應(yīng)用。
　　本文首先對漢字圖像的預(yù)處理技術(shù)進(jìn)行了分析，包括對樣本圖像的歸一化、平滑去噪、字符切分、二值化、漢字細(xì)化處理等。在分析現(xiàn)有特征提取方法的基礎(chǔ)上，針對小字符集漢字識別的特點，本文利用彈性網(wǎng)格方向像素概率分布的特征提取方法，提取用于極限學(xué)習(xí)機(jī)分類器輸入的特征向量;在分類器設(shè)計中，本文設(shè)計了基于最優(yōu)投票機(jī)制的極限學(xué)習(xí)機(jī)優(yōu)化算法OV-ELM，利用OAO(O

3、ne-against-one)或者OAA(One-against-all)的思想，將一個多分問題降解為多個二分問題來提高分類的準(zhǔn)確率，并且OV-ELM優(yōu)化了傳統(tǒng)的投票機(jī)制，對投票值以概率的方式給出，從而避免了得票數(shù)相同情況的發(fā)生。
　　從本文設(shè)計的一系列實驗的結(jié)果可以看出，本文提出的基于彈性網(wǎng)格漢字特征提取方法在特征向量提取方面效果良好，采用OV-ELM算法雖然相比ELM算法犧牲了一定的訓(xùn)練時間，但仍舊遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，并