基于SVM的聯機手寫分類器設計.pdf

1、聯機手寫識別已有數十年的發(fā)展歷史,而聯機手寫識別的效果總是不盡如人意。但是,隨著近年來智能手機和平板電腦等采用純觸摸屏交互方式的電子產品的崛起、MEMS技術和圖形處理技術的發(fā)展,手寫輸入受到越來越多用戶的青睞,同時,空間手寫、姿態(tài)識別、簽名驗證、數學公式識別、化學符號識別等新研究和應用領域的出現,使得聯機手寫識別的研究受到越來越多的關注。
　　 支持向量機(Support Vector Machine,SVM)作為近十幾年來迅速

2、發(fā)展的新一代模式識別算法,它以統計學習理論、核函數理論和泛化性理論為基礎,采用結構風險最小化(Structural Risk Minimization,SRM)原則計算最優(yōu)分類超平面,與其它模式識別算法相比,有著更加堅實的理論基礎。在語音識別、基因檢測、手寫識別等模式領域和狀態(tài)預測、曲線擬合等相關領域,SVM有很多的研究和應用,取得了不俗的成果。
　　 本文研究了基于SVM的聯機手寫識別分類器設計中應用最成功的核函數--高斯動態(tài)

3、時間規(guī)整(Gaussian Dynamic Time Warping,GDTW)核函數——和它的兩個不足之處:它是針對語音識別等多種模式識別領域提出的,應用于聯機手寫識別的性能與其它模式識別算法相比,優(yōu)勢并不明顯；計算復雜度高,使得聯機手寫識別的運算時間較長。針對上述兩個問題,本文研究了聯機手寫識別中特征向量的特點,提出了優(yōu)化GDTW核函數的方法,并探索不同對齊路徑長度計算方式對識別效果的影響。
　　 為了證明所提方法的有效性,