导读:本文包含了手写体汉字识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:汉字,手写体,神经网络,卷积,深度,特征,样本。
手写体汉字识别论文文献综述
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）
陈擎国[3]（2018）在《计算机技术在手写体汉字识别方面的应用及发展趋势》一文中研究指出随着计算机技术以及大数据时代的到来,大众将在越来越多的方面需要手写体汉字识别技术产品。这意味着手写体汉字识别技术的市场空间将变得更加广阔。手写体汉字识别技术主要分为联机手写体汉字识别技术与脱机手写体汉字识别技术。其中,联机手写体汉字识别技术已较为成熟。文章对手写体汉字识别技术发展历程、基本原理、脱机手写体汉字识别技术识别准确率较低、反应时间长等问题,以及手写体汉字识别技术的未来发展方向做了研究及展望。(本文来源于《科技传播》期刊2018年19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）
王艳美[5]（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[6]（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[7]（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）
叶锋,邓衍晨,汪敏,廖茜,郑子华[8]（2017）在《部分级联特征的离线手写体汉字识别方法》一文中研究指出针对汉字类别多、风格多等识别难点,提出了一种基于LS-SVM的部分级联特征分类的离线手写体识别方法.具体包括霍夫空间加权采样和局部二值分布直方图两种新的特征提取算法,其可将任意大小的图像映射到固定长度的特征向量上,克服了已有特征提取算法的需要归一化、对笔画密度分布敏感等缺点;提出了基于部分级联特征的分类方式;提出了常见多分类方式的类别与正确率的关系,并给出了相应的数学证明.(本文来源于《计算机系统应用》期刊2017年08期）
王光新[9]（2017）在《脱机手写体汉字智能识别模型与相似样本识别研究》一文中研究指出由于脱机手写体汉字存在字形种类繁多、手写字体随意性大、相似样本间差异细微等特点,脱机手写体汉字图像的机器识别是当今模式识别领域中的研究热点和难点之一。针对传统开环识别模式难以满足脱机手写体汉字分类识别的性能要求问题,本文模仿人类认知事物由全局到局部有层次地反复推敲对比的思维信息交互模式,探索了一种脱机手写体汉字图像反馈智能识别模型及其运行机制,以期提高脱机手写体汉字识别的正确率。本文的主要工作如下:(1)构建了一种具有反馈机制的脱机手写体汉字智能识别模型。通过建立多认知视角特征空间,对样本间差异认知信息在多认知视角下的优化表征,实现由全局到局部对待识别样本认知知识空间自适应分层调节,并给出了模型的运行机制。(2)研究了相似样本间局部差异特征的提取方法。通过将聚类算法与卷积神经网络方法的融合,在卷积神经网络结构和训练算法的基础上,给出了一种基于聚类算法的改进卷积神经网络结构与算法,用于表征和获取相似样本间的局部差异认知信息。(3)构建了识别结果的评价体系。基于潜在语义分析和信息熵理论,定义了识别结果的评价方法与计算模型,实现反馈智能识别模型的自评价,为不同认知视角下识别结果自适应寻优调节提供评价依据。(4)建立了脱机手写体汉字反馈智能识别系统。基于脱机手写体汉字全局特征和相似样本间局部差异特征的提取方法,获取脱机手写体汉字在多认知视角下的特征空间,设计集成分类器实现分类准则建立,结合相似样本反馈智能识别模型和运行机制实现相似脱机手写体汉字的识别。为了验证本文提出方法的优越性,选取GB23122-80标准简体中文字符库中的部分脱机手写体汉字图像样本作为样本,采用MATLAB仿真实验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96.73%,较传统基于全局特征的开环认知模式性能更优。(本文来源于《合肥工业大学》期刊2017-04-01）
喻方元[10]（2016）在《导出核学习算法及其在手写体汉字识别上的应用》一文中研究指出介绍了基于神经反应的导出核学习算法,以金连文汉字字库为例,将学习算法运用于手写体汉字识别,取得了较好的识别效果。(本文来源于《湖北汽车工业学院学报》期刊2016年04期）
手写体汉字识别论文开题报告
（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。
手写体汉字识别论文参考文献
[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].陈擎国.计算机技术在手写体汉字识别方面的应用及发展趋势[J].科技传播.2018
[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
[6].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
[7].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
[8].叶锋,邓衍晨,汪敏,廖茜,郑子华.部分级联特征的离线手写体汉字识别方法[J].计算机系统应用.2017
[9].王光新.脱机手写体汉字智能识别模型与相似样本识别研究[D].合肥工业大学.2017
[10].喻方元.导出核学习算法及其在手写体汉字识别上的应用[J].湖北汽车工业学院学报.2016
论文知识图
