基于SVM的聯(lián)機(jī)手寫分類器設(shè)計(jì).pdf

1、聯(lián)機(jī)手寫識(shí)別已有數(shù)十年的發(fā)展歷史,而聯(lián)機(jī)手寫識(shí)別的效果總是不盡如人意。但是,隨著近年來(lái)智能手機(jī)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(lái)越多用戶的青睞,同時(shí),空間手寫、姿態(tài)識(shí)別、簽名驗(yàn)證、數(shù)學(xué)公式識(shí)別、化學(xué)符號(hào)識(shí)別等新研究和應(yīng)用領(lǐng)域的出現(xiàn),使得聯(lián)機(jī)手寫識(shí)別的研究受到越來(lái)越多的關(guān)注。
　　 支持向量機(jī)(Support Vector Machine,SVM)作為近十幾年來(lái)迅速

2、發(fā)展的新一代模式識(shí)別算法,它以統(tǒng)計(jì)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(xiǎn)最小化(Structural Risk Minimization,SRM)原則計(jì)算最優(yōu)分類超平面,與其它模式識(shí)別算法相比,有著更加堅(jiān)實(shí)的理論基礎(chǔ)。在語(yǔ)音識(shí)別、基因檢測(cè)、手寫識(shí)別等模式領(lǐng)域和狀態(tài)預(yù)測(cè)、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(jī)手寫識(shí)別分類器設(shè)計(jì)中應(yīng)用最成功的核函數(shù)--高斯動(dòng)態(tài)

3、時(shí)間規(guī)整(Gaussian Dynamic Time Warping,GDTW)核函數(shù)——和它的兩個(gè)不足之處:它是針對(duì)語(yǔ)音識(shí)別等多種模式識(shí)別領(lǐng)域提出的,應(yīng)用于聯(lián)機(jī)手寫識(shí)別的性能與其它模式識(shí)別算法相比,優(yōu)勢(shì)并不明顯；計(jì)算復(fù)雜度高,使得聯(lián)機(jī)手寫識(shí)別的運(yùn)算時(shí)間較長(zhǎng)。針對(duì)上述兩個(gè)問(wèn)題,本文研究了聯(lián)機(jī)手寫識(shí)別中特征向量的特點(diǎn),提出了優(yōu)化GDTW核函數(shù)的方法,并探索不同對(duì)齊路徑長(zhǎng)度計(jì)算方式對(duì)識(shí)別效果的影響。
　　 為了證明所提方法的有效性,