一個(gè)集成的無約束手寫數(shù)字串識別系統(tǒng).pdf

1、該文先就手寫數(shù)字識別的相關(guān)研究發(fā)展作了綜述,然后一章介紹了機(jī)器學(xué)習(xí),包括非監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí),在數(shù)字識別中的應(yīng)用.在非監(jiān)督學(xué)習(xí)小節(jié)中,除了比較各種成熟的聚類方法,還提出了自己的交迭聚類算法和基于RBF核的升維聚類算法.在監(jiān)督學(xué)習(xí)章節(jié)上,著重描述了將在實(shí)際工作中利用和展開的各種方法,如貝葉斯理論、EM算法、學(xué)習(xí)矢量量化、支持向量機(jī)等.接下來的一章著重講述數(shù)字串識別領(lǐng)域的主要研究方向.最后一章描述了一個(gè)已實(shí)現(xiàn)的具體手寫數(shù)字串識別系統(tǒng).在該系

2、統(tǒng)中,數(shù)字串圖像首先被分割為單個(gè)數(shù)字字符,然后經(jīng)過預(yù)處理包括平滑去噪、傾斜校正、歸一化,再使用多種方法進(jìn)行特征提取以便于多特征的分類器集成.在單分類器訓(xùn)練階段,結(jié)合了無監(jiān)督聚類和有監(jiān)督學(xué)習(xí)的方法,保證學(xué)習(xí)訓(xùn)練過程的快速和有效.在有監(jiān)督學(xué)習(xí)階段,高斯混合模型和概率的學(xué)習(xí)矢量量化被統(tǒng)一在學(xué)習(xí)算法中并得到了不錯的效果.在多分類器集成階段,分析了該集成框架對于識別率識別速度的影響,并引入決策輪廓矩陣以充分利用各分類器的識別結(jié)果信息.我們針對已有