统计神经网络提升手写汉字识别准确率：一种FDLEF-ANN集成方案

本篇硕士学位论文探讨的是基于统计与神经网络方法的手写体汉字识别技术。作者张德喜在华中师范大学电路与系统专业攻读硕士，并在导师朱绍的指导下进行这项研究。手写体汉字识别作为一项具有理论价值和广阔市场前景的课题，一直以来都是研究热点。本文首先回顾了手写体汉字识别的历史与现状，特别关注了相似字识别率低这一关键问题。 为解决这一问题，论文提出了一种创新的方法，即定义和获取相似字集及其簇，这是从机器识别的角度出发，为在GB2312—80一级汉字集中高效识别相似字提供了实用策略。作者引入了人工神经网络(ANN)理论，尤其是结合模糊方向线索特征(FDLEF)构建了一种新型的手写体汉字识别方案——FDLEF-ANN。这个系统通过两阶段识别过程来提高识别精度：首先，FDLEF模块进行初步识别，如果首选结果不属于预定义的相似字集簇，就作为最终结果；否则，将特征传递给ANN模块，进一步对相似字集进行精确定位。 FDLEF-ANN系统的优势在于其集成识别方法，它根据汉字的识别难度动态调整FDLEF和ANN的工作协同。传统的统计模型与现代人工神经网络技术的结合，使得系统在大规模分类中表现出强大的能力，能够缩小识别范围，然后在较小范围内利用神经网络对相似字进行精细识别。这种融合显著提高了系统对相似字的识别率，提升了整体性能。具体来说，实验结果显示，相比于传统方法，FDLEF-ANN集成系统在384组相似字集上的识别率提高了约6个百分点，对GB2312-80一级汉字的整体识别率也提高了约1.3个百分点，充分验证了该集成系统的有效性。 关键词包括：手写体汉字识别、统计模型、模糊方向线索特征、人工神经元网络、相似字集、系统集成以及BP算法。这些关键词突出了论文的核心技术路线和研究贡献。这篇论文提供了一个有效且有竞争力的手写体汉字识别解决方案，对于提高汉字识别的准确性和效率具有重要意义。