基于SVM的聯(lián)機手寫分類器設(shè)計.pdf

1、聯(lián)機手寫識別已有數(shù)十年的發(fā)展歷史,而聯(lián)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(chǎn)品的崛起、MEMS技術(shù)和圖形處理技術(shù)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(shù)學(xué)公式識別、化學(xué)符號識別等新研究和應(yīng)用領(lǐng)域的出現(xiàn),使得聯(lián)機手寫識別的研究受到越來越多的關(guān)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(tǒng)計學(xué)習(xí)理論、核函數(shù)理論和泛化性理論為基礎(chǔ),采用結(jié)構(gòu)風(fēng)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(chǔ)。在語音識別、基因檢測、手寫識別等模式領(lǐng)域和狀態(tài)預(yù)測、曲線擬合等相關(guān)領(lǐng)域,SVM有很多的研究和應(yīng)用,取得了不俗的成果。
　　 本文研究了基于SVM的聯(lián)機手寫識別分類器設(shè)計中應(yīng)用最成功的核函數(shù)--高斯動態(tài)

3、時間規(guī)整(Gaussian Dynamic Time Warping,GDTW)核函數(shù)——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(lǐng)域提出的,應(yīng)用于聯(lián)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(fù)雜度高,使得聯(lián)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(lián)機手寫識別中特征向量的特點,提出了優(yōu)化GDTW核函數(shù)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,