基于PLS的非迭代特征抽取手写体字符识别算法
需积分: 12 198 浏览量
更新于2024-08-08
收藏 242KB PDF 举报
"一种新的手写体字符识别算法 (2005年),该算法结合了偏最小二乘(Partial Least Squares, PLS)回归和特征融合的概念,旨在提高手写体字符识别的效率和准确性。研究者提出了非迭代PLS算法来加速特征抽取过程,并通过相关特征矩阵进行分类,实验结果显示这种方法在Concordia University CENPARMI手写体阿拉伯数字数据库上具有较好的效果,优于基于单一特征的识别方法。此外,提出的非迭代PLS算法在计算复杂度和特征抽取速度方面优于已有的迭代PLS算法。关键词包括手写体字符识别、偏最小二乘回归、特征抽取和特征融合。"
这篇论文详细探讨了模式识别中的关键步骤——特征抽取,特别是在手写体字符识别领域。作者提出了一种创新的组合特征抽取方法,利用偏最小二乘(PLS)回归的理论基础,设计了一种非迭代的PLS算法,旨在提高特征抽取的速度。PLS是一种统计分析方法,常用于找出变量之间的线性关系,以降低数据的维度并提取最有用的信息。
在传统的PLS算法中,特征抽取通常涉及迭代过程,这可能会导致计算时间和复杂度增加。为了克服这个问题,该研究引入了一种非迭代的PLS算法,它能够更快地完成特征抽取,减少了计算资源的需求。
在特征融合阶段,提取出的PLS成分被用来构建模式的相关特征矩阵。这个矩阵包含了识别字符所需的多维信息,有助于提升分类的准确性和稳定性。研究人员使用Concordia University CENPARMI手写体阿拉伯数字数据库进行了实验,结果表明,这种基于PLS的特征抽取和融合方法在识别性能上超过了依赖单一特征的方法,如FSLDA(Flexible Support Vector Machine with Local Discriminant Analysis)。
此外,该论文还对比了提出的非迭代PLS算法与传统迭代PLS算法,证实了非迭代方法在复杂度和速度上的优势。这意味着在处理大量手写体字符数据时,新算法能更高效地完成识别任务,具有更高的实时性和实用性。
这篇2005年的论文贡献了一种新的手写体字符识别策略,通过优化特征抽取和融合过程,提高了识别系统的效能,对于手写识别技术的发展有着积极的推动作用。
279 浏览量
2021-05-30 上传
2021-05-17 上传
2021-05-20 上传
2011-03-15 上传
2021-05-25 上传
2021-05-23 上传
2021-05-22 上传
2014-08-07 上传
weixin_38693192
- 粉丝: 5
- 资源: 934
最新资源
- 前端协作项目:发布猜图游戏功能与待修复事项
- Spring框架REST服务开发实践指南
- ALU课设实现基础与高级运算功能
- 深入了解STK:C++音频信号处理综合工具套件
- 华中科技大学电信学院软件无线电实验资料汇总
- CGSN数据解析与集成验证工具集:Python和Shell脚本
- Java实现的远程视频会议系统开发教程
- Change-OEM: 用Java修改Windows OEM信息与Logo
- cmnd:文本到远程API的桥接平台开发
- 解决BIOS刷写错误28:PRR.exe的应用与效果
- 深度学习对抗攻击库:adversarial_robustness_toolbox 1.10.0
- Win7系统CP2102驱动下载与安装指南
- 深入理解Java中的函数式编程技巧
- GY-906 MLX90614ESF传感器模块温度采集应用资料
- Adversarial Robustness Toolbox 1.15.1 工具包安装教程
- GNU Radio的供应商中立SDR开发包:gr-sdr介绍