基于深度學(xué)習(xí)和知識(shí)策略的蒙古文古籍識(shí)別研究

1、分類號(hào)!里三坌!UDC論文題目密級(jí)編號(hào)——基于深度學(xué)習(xí)和知識(shí)策略的蒙古文古籍識(shí)別研究研究生：蒸囪丕指導(dǎo)教師：直迸塞教援專業(yè)：讓篡扭應(yīng)恿撞本研究方向：蟹篚信皇處堡所在學(xué)院：讓篡扭堂院2016年03月01日內(nèi)蒙古大學(xué)博士學(xué)位論文基于深度學(xué)習(xí)和知識(shí)策略的蒙古文古籍識(shí)別技術(shù)研究摘要蒙古文古籍為研究蒙古社會(huì)政治和歷史文化提供了豐富和可靠的資料。為更好地?fù)尵?、整理和利用蒙古文古籍，?nèi)蒙古大學(xué)圖書館啟動(dòng)了古籍電子化工作，將其掃描轉(zhuǎn)換成圖像格式存儲(chǔ)，并

2、向讀者提供了電子化服務(wù)。但是，古籍圖像不能再編輯，且檢索效率低，分析和挖掘難度大，亟需利用文字識(shí)別技術(shù)將其轉(zhuǎn)換為文本文檔。蒙古文古籍采用木刻雕版工藝印刷，具有排版不夠規(guī)整、字形差異顯著、文字顏料擴(kuò)散和脫落等特點(diǎn)，給識(shí)別工作帶來(lái)很大挑戰(zhàn)。本文以《御制蒙古文甘珠爾經(jīng)》為研究對(duì)象，在蒙古文古籍識(shí)別方面開(kāi)展了一系列研究，主要內(nèi)容如下：1本文提出了蒙古文古籍單詞的有效識(shí)別方法。在分析整詞識(shí)別和基于切分的單詞識(shí)別兩種方案優(yōu)缺點(diǎn)的基礎(chǔ)上，結(jié)合蒙古文古

3、籍單詞特點(diǎn)，提出了整詞識(shí)別和基于切分的單詞識(shí)別的混合策略，對(duì)高度較低且字形基元切分難度大的單詞采用整詞識(shí)別的方法進(jìn)行識(shí)別，對(duì)其余單詞采用基于字形基元切分的識(shí)別方法進(jìn)行識(shí)別，通過(guò)實(shí)驗(yàn)確定了兩種方法的選擇依據(jù)。2本文提出了半自動(dòng)樣本選取方法。為達(dá)到理想的識(shí)別精度，需要大量樣本訓(xùn)練識(shí)別中使用的卷積神經(jīng)網(wǎng)絡(luò)，為克服人工選取樣本效率低的缺點(diǎn)，提出了半自動(dòng)的樣本選取方法，首先利用分類器對(duì)未分類的全部樣本進(jìn)行粗分類，然后人工去除每類中不正確的樣本，最

4、后將每類中剩余樣本作為最終訓(xùn)練樣本。訓(xùn)練樣本選取分類器的過(guò)程采用了書寫者適應(yīng)性調(diào)整、利用形態(tài)學(xué)方法生成偽訓(xùn)練樣本、多次循環(huán)策略。3本文提出了蒙古文古籍單詞的字形基元切分方法。由于蒙古文古籍單詞存在嚴(yán)重的形變和字形基元重疊現(xiàn)象，針對(duì)機(jī)器印刷體蒙古文單詞的切分方法難以奏效。分析了蒙古文古籍單詞外形特征，提出了基于輪廓分析的字形基元切分方法，首先提取單詞輪廓上的關(guān)鍵點(diǎn)，其次利用輪廓關(guān)鍵點(diǎn)定位單詞主干線，最后利用輪廓關(guān)鍵點(diǎn)和主干線信息生成分割線