[发明专利]一种具有仿反馈调整机制的脱机手写体汉字认知方法

摘要

本发明公开了一种具有仿反馈调整机制的脱机手写体汉字认知方法，其特征包括：第一阶段是待认知样本集认知需求知识的获取；第二个阶段是基于所选取的认知方法提取待认知样本的特征；第三个阶段是集成模式分类器最优模型的训练；第四个阶段是基于模糊积分对不同认知方法下的认知结果进行融合认知；第五个阶段是认知结果评价，根据对认知结果的判断，重新激活前面四个阶段的过程。本发明在面对多类别样本的情形下能够根据不同样本的认知需求实现不同认知方法区分对待，同时根据认知结果的可信性评判对误识样本进行多层次仿反馈认知，显著提高了认知精度。

主权项

1.一种具有仿反馈调整机制的脱机手写体汉字认知方法；其特征是按如下步骤进行：步骤1、认知需求知识的分析步骤1.1、选取规则汉字数据样本库中的n个样本作为训练样本集；m个样本作为测试样本集；步骤1.2、对所述训练样本集进行象素数量的粗分类，获得所述训练样本集中每个样本的类别，包括：简单字、一般字和复杂字；选择占最多比例的类别作为所述训练样本集的整体类别，记为z1；步骤1.3、对所述训练样本集进行汉字结构的粗分类，获得所述训练样本集中每个样本的汉字结构，包括：上下结构、左右结构和整体结构；选择占最多比例的结构作为所述训练样本集的结构类别，记为z2；步骤1.4、对所述训练样本集进行汉字笔画的粗分类，获得所述训练样本集中每个样本的汉字笔画数量，包括：横笔画数量、竖笔画数量、撇笔画数量和捺笔画数量；每个样本选择占最多比例的汉字笔画数量作为自身样本的笔画类别；选择占最多比例的笔画类别作为所述训练样本集的整体笔画类别，记为z3；以所述整体类别z1、结构类别z2和整体笔画类别z3作为认知需求知识Z＝(z1,z2,z3)；步骤2、认知方法的选择步骤2.1、将提取规则网格的象素特征方法作为表征汉字整体复杂性的认知方法，记为A1；将提取规则网格在四个方向分量上的特征方法作为兼顾汉字轮廓结构信息和局部细节信息的认知方法，记为A2；将利用双树复小波变换获得具有6种不同方向的特征系数矩阵方法作为笔画方向性敏感的认知方法，记为A3；由所述表征汉字整体复杂性的认知方法A1、兼顾汉字轮廓结构信息和局部细节信息的认知方法A2和笔画方向性敏感的认知方法A3构成认知方法库A＝{A1,A2,A2}；步骤2.2、定义变量w；并初始化w＝1；步骤2.3、根据所述认知需求知识Z，利用认知方法选择规则对所述认知方法库A中认知方法进行选取；获得第w次认知过程的认知方法第w+1次认知过程的认知方法和第w+2次认知过程的认知方法j∈{1,2,3}；所述认知方法选择规则是按如下步骤进行：步骤a、判断z1≥z2是否成立，若成立，转入步骤b；若不成立，转入步骤c；步骤b、判断z1≥z3是否成立，若成立，则选用表征汉字整体复杂性的认知方法A1；若不成立，则选用对笔画方向性敏感的认知方法A3；步骤c、判断z2≥z3是否成立，若成立，则选用能兼顾汉字轮廓结构信息和局部细节信息的认知方法A2；若不成立，则选用对笔画方向性敏感的认知方法A3；步骤3、集成模式分类器的设计步骤3.1、利用第w次认知过程的认知方法对所述训练样本集进行特征提取，获得相应的训练特征向量；步骤3.2、将相应的训练特征向量作为随机权向量函数连接网络RVFL分类器的输入并进行集成训练，得到第w次最优RVFL模型；步骤4、认知结果的评价步骤4.1、利用多个相同的随机权向量函数连接网络RVFL分类器所组成的集成模式分类器对所述训练样本集进行分类，得到第w次认知过程的训练认知结果；步骤4.2、根据第w次训练过程所获得的最优RVFL模型对测试样本进行分类认知得到第w次认知过程的测试认知结果；步骤4.3、判断w＞1是否成立，若成立，则执行步骤5；若不成立，则执行步骤4.4；步骤4.4、对第w次认知过程的测试认知结果进行可信性评估，若满足阈值则将第w次认知过程的测试认知结果输出，否则，将第w次认知过程的认知方法从所述认知方法库A中删除后，将w+1赋值给w；步骤4.5、判断w＞3是否成立，若成立，则将第w‑1次认知过程的测试认知结果作为所述测试集的最终认知结果；否则，返回步骤3执行；步骤5、基于模糊积分的融合认知基于模糊积分融合认知方法对第w‑1次认知过程的测试认知结果和第w次认知过程的测试认知结果进行融合处理，获得的融合结果作为第w次认知过程的测试认知结果；并返回步骤4.4。