[发明专利]手写模型训练方法、手写字识别方法、装置、设备及介质

权利要求书

1.一种手写模型训练方法，其特征在于，包括：

获取规范中文字训练样本，将所述规范中文字训练样本输入到双向长短时记忆神经网络中进行训练，采用粒子群算法更新双向长短时记忆神经网络的网络参数，获取规范中文字识别模型；

获取非规范中文字训练样本，将所述非规范中文字训练样本输入到所述规范中文字识别模型中进行训练，采用粒子群算法更新所述规范中文字识别模型的网络参数，获取调整中文手写字识别模型；

获取待测试中文字样本，采用所述调整中文手写字识别模型识别所述待测试中文字样本，获取识别结果与真实结果不符的出错字，把所有所述出错字作为出错字训练样本；

将所述出错字训练样本输入到所述调整中文手写字识别模型中进行训练，采用粒子群算法更新调整中文手写字识别模型的网络参数，获取目标中文手写字识别模型。

2.根据权利要求1所述的手写模型训练方法，其特征在于，所述获取规范中文字训练样本，包括：

获取待处理中文字训练样本中每个中文字的像素值特征矩阵，将所述像素值特征矩阵中每个像素值进行归一化处理，获取每个中文字的归一化像素值特征矩阵，其中，归一化处理的公式为MaxValue为每个中文字的像素值特征矩阵中像素值的最大值，MinValue为每个中文字的像素值特征矩阵中像素值的最小值，x为归一化前的像素值，y为归一化后的像素值；

将每个中文字的归一化像素值特征矩阵中的像素值划分为两类像素值，基于所述两类像素值建立每个中文字的二值化像素值特征矩阵，将每个中文字的二值化像素特征矩阵组合作为规范中文字训练样本。

3.根据权利要求1所述的手写模型训练方法，其特征在于，所述将所述规范中文字训练样本输入到双向长短时记忆神经网络中进行训练，采用粒子群算法更新双向长短时记忆神经网络的网络参数，获取规范中文字识别模型，包括：

将所述规范中文字训练样本按序列正向输入到双向长短时记忆神经网络中，获取正向输出F_o，将所述规范中文字训练样本按序列反向输入到双向长短时记忆神经网络中，获取反向输出B_o，将所述正向输出和所述反向输出相加，获取前向输出T_o，公式表示为T_o＝F_o+B_o；

根据所述前向输出和真实结果构建误差函数，所述误差函数的表达式为其中，N表示训练样本总数，x_i表示第i个训练样本的前向输出，y_i表示与x_i相对应的第i个训练样本的真实结果；

根据所述误差函数，采用粒子群算法更新双向长短时记忆神经网络的网络参数，获取规范中文字识别模型，其中，粒子群算法的公式包括粒子位置更新公式V_i+1＝w×V_i+c1×rand()×(pbest_i-X_i)+c2×rand()×(gbest-X_i)和粒子速度位置更新公式X_i+1＝X_i+V_i，X_i＝(x_i1,x_i2,...,x_in)为第i个粒子的位置，n表示所述规范中文字训练样本的样本维度，X_i+1为第i+1个粒子的位置，V_i＝(v_i1,v_i2,...,v_in)为第i个粒子的速度，n表示规范中文字训练样本的样本维度，V_i+1为第i+1个粒子的速度，

pbest_i＝(pbest_i1,pbest_i2,...,pbest_in)表示第i个粒子对应的局部极值，

gbest＝(gbest₁,gbest₂,...,gbest_n)表示最优极值，w为惯性偏置，c1为第一学习因子，c2为第二学习因子，rand()为[0,1]中的任意随机值。