导读:本文包含了脱机手写体汉字论文开题报告文献综述及选题提纲参考文献，主要关键词:脱机手写体汉字,深度学习,深度玻尔兹曼机,深度信念网络
脱机手写体汉字论文文献综述
郑鹏[1]（2019）在《基于深度学习的脱机手写体汉字识别研究》一文中研究指出汉字是使用人数最多的文字,承载着我国悠久的历史文化底蕴,对我们的生活有着不可忽视的影响.其中脱机手写体汉字在现代办公、金融、智能化等领域都有很大的应用前景.但是脱机手写体汉字因为类别数目巨大、笔画数目多、相似字多等特点,书写过程又受个人书写习惯、书写环境、书写字体等因素的影响,成为了模式识别领域的难点与热点.近年来,随着深度学习的兴起,其优秀的特征提取性能和识别性能,引起了国内外学者的广泛关注,将其应用到多个领域中并取得了不错的成绩.本文将深度学习应用到脱机手写体汉字及其相似字的识别研究中,进一步提高它们的识别率,具体内容如下:1.针对脱机手写体汉字识别率较低的问题,提出一种基于修正的二次判别函数与深度玻尔兹曼机的融合模型.该模型利用修正的二次判别函数和深度玻尔兹曼机在特征提取和分类机制上的差异实现优势互补.模型由修正的二次判别函数识别简单汉字,仅将少量大概率会被错误分类的汉字交由深度玻尔兹曼机识别,并通过定义广义置信度协调两者分工,有效克服了修正的二次判别函数识别复杂字符能力较弱和深度玻尔兹曼机计算复杂度高的缺点,显着提高了脱机手写体汉字的识别率.2.分析了目前对相似脱机手写体汉字研究的不足,针对其识别困难的问题,提出了一种基于深度信念网络与支持向量机的级联模型.该模型先用具有优秀特征提取性能的深度信念网络提取脱机手写体汉字的特征,然后基于频度统计方法生成相似脱机手写体数据集,最后由强分类器支持向量机进行识别分类.实验结果表明,本文提出的级联模型有效地提升了相似脱机手写体汉字的识别效果.(本文来源于《广西大学》期刊2019-06-01）
沈飞[2]（2019）在《基于反馈知识迁移的脱机手写体汉字识别》一文中研究指出脱机手写体汉字由于书写风格的多样性,同样的一个汉字,不同样本的各个汉字部件之间会出现位置的差异以及汉字部件之间无规律的黏连现象,增加了对其进行识别的难度。为解决这一难题,传统的模式识别方法提出先对汉字样本进行归一化处理,但是由于汉字整体拓扑结构的无法改变,很难从根本上解决这一问题。近年来卷积神经网络的兴起,为脱机手写体汉字识别问题带来了新的活力,使用卷积神经网络克服上述问题时,必须保证网络层次足够深。然而,卷积神经网络的隐藏层过多时,训练网络极易产生梯度弥散与过拟合现象,导致网络性能的下降。为解决以上问题,本文的完成主要研究工作有:1、提出分割脱机手写体汉字样本再训练的训练思路。通过分割脱机手写体汉字样本为各个汉字部件,解决脱机手写体汉字因为汉字部件之间位置差异造成的识别率下降;同时将原本汉字部件之间难以处理的黏连转化为汉字部将样本的边缘噪声,便于样本噪声处理。2、提出利用知识迁移算法训练分割后的脱机手写体汉字样本。将网络分解为若干子网络与一个主网络,使用子网络训练分割后的脱机手写体汉字部件,再使用知识迁移算法将子网络中各个汉字部件的特征信息整合到主网络中。3、提出知识迁移克服梯度弥散现象与过拟合现象的理论,并给出说明。通过分解网络模型的方式,降低网络层级,减少梯度弥散现象对网络参数训练的制约;通过知识提取过程中得到的带有样本类间信息的软目标,间接增加训练样本容量,缓解过拟合现象对网络参数训练的影响。4、提出了基于反馈的知识迁移训练算法,并构造了基于反馈知识迁移的网络模型。通过反馈使得各样本对应的权重系数值能够自适应地调整到合理的区间,提高网络训练效果。(本文来源于《合肥工业大学》期刊2019-05-01）
王建平,王光新,李帷韬,宋程楠[3]（2019）在《基于仿反馈机制的脱机手写体汉字认知模型》一文中研究指出针对已有认知模型面对不同样本采用相同认知需求和固定双树复小波变换(Dual-Tree Complex Wavelet Transform,DTCWT)特征空间的缺陷,仿人面对不同认知需求时自适应调节特征空间反复推敲比对的认知特点,探索一种具有仿反馈调节机制的脱机手写体汉字智能认知模型。首先,提出了一种具有仿反馈调节机制的智能认知模型;第二,分析脱机手写体汉字样本的认知需求,构建不同认知需求下的优化DTCWT特征子空间与分类认知准则;第叁,定义认知结果评价准则,通过分析未认知样本的认知需求,自适应调节新认知需求下优化特征子空间和分类认知准则,集成多认知需求下的优化特征子空间构建优化压缩DTCWT特征空间。对GB2312-80手写体汉字样本库进行仿真实验,实验结果表明该方法的优越性。(本文来源于《控制工程》期刊2019年03期）
毛晓波,程志远,周晓东[4]（2018）在《基于特征图迭加的脱机手写体汉字识别》一文中研究指出采用深度学习方法处理脱机手写体汉字识别问题,提出一种改进的卷积神经网络结构.不同于传统的层与层依次连接的方式,新的结构中将当前层与前一层的特征图进行迭加后共同作为输入进入下一层.与以往结构相比,该卷积神经网络结构缓解了梯度消失的问题,减少了参数数量,且更有效地保留了汉字的细微结构特征.在ICDAR-2013脱机手写体汉字识别竞赛测试集上的实验结果表明,该结构可以在减少模型参数的情况下得到较高的识别准确率.(本文来源于《郑州大学学报(理学版)》期刊2018年03期）
王建平,刘雪景,陈克琼,李帷韬[5]（2018）在《具有变精度反馈机制的脱机手写体汉字智能认知》一文中研究指出针对之前变精度粗糙集下精度β值固定的方法,面对实际样本其分类效果与β的取值之间的关系无法确定的问题,提出一种变精度反馈的脱机手写体汉字智能认知模型。定义了表征变精度粗糙集下特征属性分类能力的指标并给出约简算法。该算法中不同精度β下会得到不同维数的特征约简集,因此定义了精度β变换规则并且定义了认知结果评价机制,通过评估认知结果的可信度自适应调节精度β,实现面对不同样本能以最优精度β得到最约简特征集合进行认知。仿真实验表明,该方法汉字认知准确率可以达到92.8%。(本文来源于《计算机应用与软件》期刊2018年07期）
王艳美[6]（2018）在《基于卷积神经网络的脱机手写体汉字识别框架设计》一文中研究指出手写体汉字识别在邮件分拣、办公自动化和智能录入等方面有着广泛的应用前景。然而,由于汉字笔画相比其他常见的字符如英文字母和阿拉伯数字更加复杂,又因个人书写风格和习惯不同,所以汉字的种类变得格外繁多,这也使得手写体汉字识别更加困难。因此手写体汉字识别一直是研究热点也是难点。本文以脱机手写体汉字的单个汉字为研究对象,根据脱机手写体汉字识别目前存在的问题及其特定领域知识和卷积神经网络的特性展开研究,主要工作如下:1.针对脱机手写汉字因个人书写风格和习惯的不同而产生笔画扭曲形变的问题,引入了一种新的反向合成空间变换网络,将其与卷积神经网络结合,提出一种新型手写体汉字识别框架。反向合成空间变换网络基于反向合成图像对齐算法来对输入的图片学习,得到了对应的单应性变换矩阵中的参数。因此它可以对各种书写风格和产生形变笔画的手写汉字进行对齐、纠正。本文通过TensorFlow深度学习框架在CASIA-HWDB数据库上对所提出的网络框架进行了仿真实现,仿真结果验证了反向合成空间变换网络对手写汉字的纠正效果,并表明整个网络框架在识别性能上有所提升。2.卷积神经网络对图像的识别和分类有显着的效果,因此本文对卷积神经网络的结构及优化进行了大量实验研究,其中包括卷积神经网络的网络深度、学习率的设置、正则化技术(L_2正则化和Dropout技术)以及BN层等优化算法。虽然卷积神经网络有较强的学习特征的能力,但是卷积神经网络像一个黑盒子,忽略了一些本身不能习得却是特定领域的有效先验信息。于是文中利用传统的特征提取算法Gabor和Sobel来提取数据样本的八方向特征作为一种先验知识,并将提取的八方向特征图与原数据样本融合作为本文优化的卷积神经网络的输入。同时八方向特征图与原数据集融合在一定程度上扩充了训练数据集,并有助于解决无约束数据样本不足的问题。最后仿真结果表明传统算法结合卷积神经网络能够进一步的提高脱机手写体汉字分类正确率。(本文来源于《重庆邮电大学》期刊2018-06-08）
徐小丽,范程华,樊敏[7]（2018）在《一种动态剪枝二叉树SVM的脱机手写体汉字识别方法研究》一文中研究指出脱机手写体汉字识别是一个多类分类问题,且某些类别之间存在一定的关系,在识别其中某一类汉字时,并不需要区分所有汉字类别,为此提出了一种基于动态剪枝二叉树SVM的多分类改进算法。每次识别时都去掉没有价值的支持向量,根据字型结构特征重新构造二叉树,可以减少支持向量机数量,提高识别速度。通过对脱机手写体汉字识别仿真,比较不同多类分类算法的性能,证明该方法能够在保证识别准确率的情况下提高了汉字分类识别的速度。(本文来源于《合肥师范学院学报》期刊2018年03期）
岳中彤[8]（2018）在《基于PSO与BP神经网络的脱机手写体汉字识别算法》一文中研究指出汉字识别的算法研究是模式识别中的热点课题。文章针对脱机手写体汉字提出了一种用PSO算法优化BP神经网络的脱机识别算法。关于BP算法在训练时易出现局部极小化的现象,PSO算法可通过大空间内的搜索能力,在全局中优化BP算法。文章基于粒子群算法优化BP神经网络(PSO-BPNN)研究脱机手写体汉字识别算法,通过Matlab软件对样本数据进行分类仿真。结果表明,PSO优化后的算法具有较高的收敛速度和稳定性,对手写体汉字的识别具有较强的能力。(本文来源于《信息化研究》期刊2018年02期）
刘雪景[9]（2018）在《基于变精度反馈结构的脱机手写体汉字智能认知方法研究》一文中研究指出脱机手写体汉字图像认知由于其汉字字形种类繁多、相似字的存在、书写习惯因人而异等特点,是模式识别方向的热点,也是难题之一。本文基于变精度粗糙集模型,构建了脱机手写体汉字认知决策信息系统,研究了该模型中认知精度与分类效果之间的关系,提出了一种变精度反馈智能认知机制,以降低脱机手写体汉字认知系统的复杂度并提高认知准确率。本文的主要工作如下:1.探索了一种脱机手写体汉字认知决策信息系统的构建方法。分析汉字各种特征模式,基于变精度粗糙集理论,建立了有限论域以及有监督学习方式的脱机手写体汉字认知决策信息系统,给出了多特征信息组合时认知知识充分性判据,构建了有限论域下认知信息充分性表征的脱机手写体汉字认知决策信息系统。2.建立了一种基于变精度粗糙集的脱机手写体汉字特征属性约简方法。定义了基于信息量重要度和近似依赖度重要加权的特征分类能力性能指标,并给出了基于该特征分类能力的汉字特征属性约简算法,获取不同认知精度下的简约特征集合。3.提出了一种脱机手写体汉字变精度反馈认知机制。建立了基于熵测度的汉字认知结果评价指标,定义了汉字认知结果误差熵,并给出了基于结果评价的认知精度变换规则,获取脱机手写体汉字认知过程中最优简约特征集,从而降低认知系统复杂度及提高认知准确率。4.探索了一种脱机手写体汉字认知规则融合方法。针对脱机手写体汉字认知过程中的不确定性,对于没有规则完全匹配的样本拒识问题,设计了一种具有两层分类器的分类器组对认知规则进行融合,获取汉字真实属性,降低拒识率。为了验证提出方法的可行性和有效性,采用了 GB23122-80中文字符库中的手写体汉字图像样本数据库进行验证,采用Matlab仿真表明,该方法有效地提高了脱机手写体汉字认知准确率。(本文来源于《合肥工业大学》期刊2018-04-01）
宋程楠[10]（2017）在《不确定结果性能指标约束的脱机手写体汉字图像反馈智能认知模型及其运行机制研究》一文中研究指出脱机手写体汉字图像识别是人工智能领域的研究热点,具有广泛的理论研究价值和应用前景。由于脱机手写体汉字图像存在的书写风格因人而异、书写变形等特点,针对传统单层单向开环认知模式性能难以令人满意的问题,本文模拟人类从全局到局部反复推敲比对交互的认知模式,探索了一种具有反馈调整机制的多认知方法融合的脱机手写体汉字图像智能认知模型,以期提高脱机手写体汉字图像的识别率。本文的主要工作如下:(1)脱机手写体汉字图像的智能认知决策信息系统模型研究。针对脱机手写体汉字图像的决策信息系统尚无统一描述的问题,基于粗糙集理论,引入脱机手写体汉字图像的真实决策属性信息,从信息论的角度建立多层面特征表征的脱机手写体汉字图像的认知智能决策信息系统模型。(2)脱机手写体汉字图像智能认知系统架构研究。基于结构和统计特征提取方法、集成随机权向量函数连接网络和模糊积分,获取脱机手写体汉字图像的多层面特征空间数据结构、具有集成结构的分类认知准则和融合认知方法,克服了传统认知系统基于单一方法构建固定片面特征空间和分类认知准则的缺陷。(3)不确定认知结果评价体系的定义及其计算模型研究。针对目前后验概率评价认知结果可信度的方法无法在线实时测评认知结果的问题,基于广义误差理论和广义熵理论,模拟人类认知事物时先粗比对后细比对的过程,定义了一种广义认知结果相似度熵测度指标,为反馈认知智能运行机制提供了可量化的依据。(4)不确定认知结果测度指标约束的反馈认知智能运行机制研究。针对传统认知系统单向开环方式与人类认知事物时从全局到局部反复推敲比对的信息交互过程存在着显着差异的问题,构建具有反馈模式的脱机手写体汉字图像不确定认知结果性能测度指标约束的认知智能运行机制,基于广义认知结果相似度建立了多层面特征空间层间调节与层内寻优的调整机制。为了验证所提出的智能认知模型的优越性,本文选用GB23122-80标准简体手写中文字符库,采用MATLAB仿真对本文方法的可行性和有效性进行了验证。实验结果表明,平均认知正确率达到了93.78%,较传统开环认知方法和基于固定认知方法的闭环认知方法性能更优,为实现脱机手写体汉字图像的“机器识字”奠定了基础。(本文来源于《合肥工业大学》期刊2017-04-01）
脱机手写体汉字论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
脱机手写体汉字由于书写风格的多样性,同样的一个汉字,不同样本的各个汉字部件之间会出现位置的差异以及汉字部件之间无规律的黏连现象,增加了对其进行识别的难度。为解决这一难题,传统的模式识别方法提出先对汉字样本进行归一化处理,但是由于汉字整体拓扑结构的无法改变,很难从根本上解决这一问题。近年来卷积神经网络的兴起,为脱机手写体汉字识别问题带来了新的活力,使用卷积神经网络克服上述问题时,必须保证网络层次足够深。然而,卷积神经网络的隐藏层过多时,训练网络极易产生梯度弥散与过拟合现象,导致网络性能的下降。为解决以上问题,本文的完成主要研究工作有:1、提出分割脱机手写体汉字样本再训练的训练思路。通过分割脱机手写体汉字样本为各个汉字部件,解决脱机手写体汉字因为汉字部件之间位置差异造成的识别率下降;同时将原本汉字部件之间难以处理的黏连转化为汉字部将样本的边缘噪声,便于样本噪声处理。2、提出利用知识迁移算法训练分割后的脱机手写体汉字样本。将网络分解为若干子网络与一个主网络,使用子网络训练分割后的脱机手写体汉字部件,再使用知识迁移算法将子网络中各个汉字部件的特征信息整合到主网络中。3、提出知识迁移克服梯度弥散现象与过拟合现象的理论,并给出说明。通过分解网络模型的方式,降低网络层级,减少梯度弥散现象对网络参数训练的制约;通过知识提取过程中得到的带有样本类间信息的软目标,间接增加训练样本容量,缓解过拟合现象对网络参数训练的影响。4、提出了基于反馈的知识迁移训练算法,并构造了基于反馈知识迁移的网络模型。通过反馈使得各样本对应的权重系数值能够自适应地调整到合理的区间,提高网络训练效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
脱机手写体汉字论文参考文献
[1].郑鹏.基于深度学习的脱机手写体汉字识别研究[D].广西大学.2019
[2].沈飞.基于反馈知识迁移的脱机手写体汉字识别[D].合肥工业大学.2019
[3].王建平,王光新,李帷韬,宋程楠.基于仿反馈机制的脱机手写体汉字认知模型[J].控制工程.2019
[4].毛晓波,程志远,周晓东.基于特征图迭加的脱机手写体汉字识别[J].郑州大学学报(理学版).2018
[5].王建平,刘雪景,陈克琼,李帷韬.具有变精度反馈机制的脱机手写体汉字智能认知[J].计算机应用与软件.2018
[6].王艳美.基于卷积神经网络的脱机手写体汉字识别框架设计[D].重庆邮电大学.2018
[7].徐小丽,范程华,樊敏.一种动态剪枝二叉树SVM的脱机手写体汉字识别方法研究[J].合肥师范学院学报.2018
[8].岳中彤.基于PSO与BP神经网络的脱机手写体汉字识别算法[J].信息化研究.2018
[9].刘雪景.基于变精度反馈结构的脱机手写体汉字智能认知方法研究[D].合肥工业大学.2018
[10].宋程楠.不确定结果性能指标约束的脱机手写体汉字图像反馈智能认知模型及其运行机制研究[D].合肥工业大学.2017