本文將支持向量機(jī)(SVM)引入到小字符集脫機(jī)手寫體漢字識(shí)別中。文章首先介紹了SVM
的基本原理和主要算法，然后在實(shí)驗(yàn)中采用了LibSVM訓(xùn)練軟件，針對(duì)銀行票據(jù)手寫漢字的小字符集進(jìn)行了仿真，同時(shí)與歐氏距離分類方法進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明此方法的漢字識(shí)別率較高,在小字符集手寫體識(shí)別中具有較強(qiáng)的實(shí)用性。
近年來(lái)，脫機(jī)手寫體漢字識(shí)別這一模式識(shí)別領(lǐng)域中最棘手的問(wèn)題，取得了大量的研究成果。
但是,非特定人手寫漢字識(shí)別仍然被認(rèn)為是文字識(shí)別領(lǐng)域最困難的問(wèn)題之一,其原因可以歸結(jié)為:漢字規(guī)模大；相似漢字較多,且有些相似字差別極其細(xì)微；存在大量的不規(guī)則書(shū)寫變形。由于后兩個(gè)因素的存在,導(dǎo)致相似字在特征空間中的距離變小,使得普通距離分類器的推廣能力變?nèi)酢?BR>因此,如何補(bǔ)償手寫漢字的書(shū)寫變形,提高分類器的泛化和推廣能力,就成為漢字識(shí)別研究的關(guān)鍵問(wèn)題之一。
支持向量機(jī)（Support Vector Machines）簡(jiǎn)稱SVM,是AT&T Bell實(shí)驗(yàn)室的V. Vapnik等人根
據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種新的機(jī)器學(xué)習(xí)方法,它已初步表現(xiàn)出很多優(yōu)于已有方法的分類性能，在解決小樣本學(xué)習(xí)、非線性以及高維模式識(shí)別等問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)。其基本思想可概括為:首先通過(guò)非線性變換將輸入空間變換到一個(gè)高維空間,然后在這個(gè)新空間中求取最優(yōu)線性分類面,而這種非線性變換是通過(guò)定義適當(dāng)?shù)膬?nèi)積函數(shù)實(shí)現(xiàn)的。根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則,在使訓(xùn)練樣本分類誤差極小化的前提下,盡量提高分類器的泛化推廣能力。從實(shí)施的角度看,訓(xùn)練支持向量機(jī)等價(jià)于解一個(gè)線性約束的二次規(guī)劃問(wèn)題,使得分隔特征空間中兩類模式點(diǎn)的兩個(gè)超平面之間距離最大,而且它能保證得到的解為全局最優(yōu)點(diǎn),使得基于支持向量機(jī)的手寫漢字類器能夠吸收手寫的變形,從而具有較好的泛化和推廣能力[1]。