[发明专利]手写数字识别的增量式模糊支持向量机方法

摘要

本发明涉及手写数字识别的增量式模糊支持向量机方法，可有效解决手写数字准确识别的问题，其解决的技术方案是，包括手写数字的图像的采集和二值化处理；对采集的图像进行分割，构造由手写数字的图像为输入和0-9数字为输出的训练集；构造增量函数，并将该增量函数映射到区间[0,1]；设置以λ表示增量参数和模糊支持向量机的计算复杂性参数；确定手写数字的类别，根据任何两个手写数字之间的分类超平面，确定手写数字的类别，在已知类别的手写数字上检验识别精度，确定手写数字类别的方法；满足用户识别精度，识别未知的手写数字，本发明方法识别精度高，适合支持向量机的训练和识别，简单，易操作，是手写数字识别的增量式模糊支持向量机方法上的创新。

主权项

1.一种手写数字识别的增量式模糊支持向量机方法，其特征在于，包括以下步骤：第一步、手写数字的图像的采集和二值化处理：选取若干个手写者，用一般的中性笔在日常的A470g打印纸上随意手写若干个数字，并用扫描成分辨率为600dpi格式为jpg的图像，每行之间有间隔，而且手写数字之间没有连笔和断笔，将手写数字的图像转化为灰度图像，该图像在计算机中以矩阵的形式存储，矩阵的元素对应于图像的灰度值，其取值在0-255之间，所有的灰度值除以255，将灰度值映射到0-1之间，取二值化阈值为0.7，灰度值大于等于0.7取1，否则取0，得到手写数字的二值图像；第二步、构造训练集：对采集的图像进行分割，构造由手写数字的图像为输入和0-9数字为输出的训练集，手写数字的图像分割步骤为：（a）提取二值图像中不全为1的连续行，该连续行组成的矩阵就是手写数字的二值图像；（b）对于（a）中得到的二值图像，提取其不全为1的连续列，该连续列组成的矩阵就是单个的手写数字，将所有单个的手写数字，用最近邻插值方法规范为30×30矩阵，并将该矩阵转化为长度为900(=30×30)的向量，成为样本的输入部分；手写者用市场上购买的中性笔书写224个0-9之间手写数字的图像，扫描成为600dpi图像，二值化处理，根据数字图像中不全为1的连续行，判断手写数字并按照矩阵分块的形式对其进行分割成30×30的归一化后的图像；第三步、构造增量函数：在构造模糊支持向量机时，训练集中的有些训练样本是非常重要的而且对训练过程的贡献度较大，对于SVMs是不可或缺的，如支持向量；有些训练样本对训练过程没有任何贡献，甚至可能产生负面影响，要快速地得到支持向量，加速优化时间，必须对支持向量的分布特征进行研究，支持向量都集中在同类数据集的外部，对于两类问题，标记为+的数据为正样本，标记为□样本为负样本，标记为或□的样本为解决优化问题后得到的支持向量，其对于分类超平面的构造是至关重要的，或□附近的样本对于训练过程的贡献度要大于其他样本，而且他们位于同类样本的外围，因此可以用样本距其中心的距离构造增量函数，并将该增量函数映射到区间[0,1]，增量函数构造如下：首先，计算同类数据的中心数x*=1liΣi=1lixi]]>其中x_i是训练集中所有同类别手写数字的图像转化后的向量，l_i表示具有同类别手写数字的数量，x^*是同类数据的中心数；其次，增量函数u(x_i)定义为u(xi)=||xi-x*||-min1≤i≤li||xi-x*||max1≤i≤li||xi-x*||-min1≤i≤li||xi-x*||]]>x^*和l_i都随着类别的变化而变化，构造10个增量函数，每个x_i只能根据其对应的类别，确定唯一的增量值，min表示最小值，max表示最大值；第四、设置以λ表示的增量参数和模糊支持向量机的计算复杂性参数为5000，该函数为次数为d多项式核，以polyd表示，构造增量函数后，训练集为S={(x_i,y_i,u(x_i))|i＝1,2,...,l}y_i是支持向量机的输出，对于手写数字识别而言，就是0-9之间的数字；利用增量参数λ选取样本集为S_λ={(x_i,y_i,u(x_i))|u(x_i)≥λ，i=1,2,...,l}在S_λ样本集上利用SVM-KM构造支持向量机，针对第i类和第j类手写数字，构造如下模糊判别函数m_ij(x)：其中D_i   j(x)是第i类和第j类手写数字之间的分类超平面；第五步、确定手写数字类别，并对精度进行检验：根据任何两个手写数字之间的分类超平面，确定手写数字的类别，在已知类别的手写数字的训练集上检验识别精度，识别精度是指训练集上正确识别的手写数字的数量和训练集上手写数字识别总量之比，确定手写数字类别的方法如下：对于输入的手写数字，利用第一步中的二值化将其转化为向量x，利用矩阵m_ij(x)(i,j=1,2,...,10,j≠i)，计算其对第i类数据的隶属度函数mi(x)=min1≤j≤10mij(x)]]>该手写数字的图像对应的类别是其中表示m_i(x)取得最小值对应的i值，当时，表示相应手写数字的类别为0；第六步、识别类别未知的手写数字：满足用户识别精度，则识别方法可以用来识别类别未知的手写数字，否则，调整增量函数，重新构造增量式模糊支持向量机，直到用户满意为止，在该过程中，需要将类别未知的手写数字的图像规范为与训练集中的手写数字的图像有相同的大小。