阿拉伯手写体识别中基于混合CNN结构的SVM分类器的智能识别方法

沙特国王大学学报基于混合CNN结构的SVM分类器的智能手写体识别Amani Ali Ahmed Alia，b，Suresha Mallaiahba也门塔伊兹，塔伊兹大学计算机科学系bKuvempu大学MCA和计算机科学系，印度希莫加阿提奇莱因福奥文章历史记录：收到2020年2021年1月2日修订2021年1月18日接受2021年2月11日在线提供保留字：阿拉伯手写体识别CNN深度卷积神经网络深度学习辍学图像分类M3CE过拟合SVM分类器A B S T R A C T阿拉伯手写体文字识别是一个非常活跃的研究领域。这些识别系统面临着许多挑战，包括巨大的开放数据库，人们的笔迹的无限变化，以及自由风格。在这篇手稿中，作者对深度学习架构进行了建模，该架构可以有效地用于识别阿拉伯手写体。这项工作探索了一种新的模型，为单一的字体和多字体类型，集中在两个常见的分类器，这是：支持向量机（SVM）和卷积神经网络（CNN）。此外，由于dropout技术的强大性能，作者保护了所提出的模型免受过拟合的问题。分类和特征提取都是自动完成的在误差反向传播方法分析的基础上，提出了一种新的最大区间最小分类误差的深度神经网络训练规则。同时，对最大间隔最小分类误差（M3CE）和交叉熵进行了分析和混合，以获得更好的结果。作者在AHDB、AHCD、HACDB和IFN/ENIT数据库上测试了所提出的模型所提出的模型的性能是COM，与国家的最先进的阿拉伯语文本识别获得的文本识别的准确性。所提出的模型提供了有利的结果。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。1. 介绍传统的机器学习策略，如SVM和多层感知机（MLP），最多使用浅层结构来处理计算单元和有限种类的样本。对复杂分类问题的泛化能力不足，当目标对象具有丰富的含义时，性能不足。最近发展起来的CNN在图像处理领域得到了广泛的应用，因为它擅长处理识别问题和图像分类，并且在各种机器学习错误的准确性方面取得了令人难以置信的提高。它已经成为一个通用的、强大的深度学习模型。自从引入CNN模型训练*通讯作者：塔伊兹大学计算机科学系，塔伊兹，也门。电子邮件地址：dramaniali2@gmail.com（A.A.A.Ali）。沙特国王大学负责同行审查通过深度学习的策略，在计算机视觉领域的几个大规模识别任务中取得了显著的Ali和Suresha（2019a）提出了一种依赖于融合策略的模型，用于识别具有不同字体类型（如SH Roqa，Farsi，Naskh，Igaza和多字体）的阿拉伯文字中的手写字符。提出了一种分类器和特征的自动选择技术。为了获得良好的分割率和识别准确率，提出了通过利用Hough变换和卷积化方法进行阿拉伯文字识别和建模高斯混合框架的策略（Ali和Suresha，2019 b）。为了检测偏斜和校正，作者应用了偏斜校正策略（Ali和Suresha，2017）。该方法（Ali和Suresha，2019 d）通过在闭合连续字符之间或开放字符的情况下呈现的每个连字触摸情况下使用模板匹配方法，对触摸字符非常有效。Younes和Abdellah（2015）提出了三种文本行分割技术。这些技术是基于线分类的分割、利用滑动窗口技术的分割和利用https://doi.org/10.1016/j.jksuci.2021.01.0121319-1578/©2021作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA.A.A. Alil和S. 马莱亚沙特国王大学学报3295X1¼英寸ju-1不-MJ混合技术综合考虑时间复杂度和分割精度，混合算法在分割精度和时间复杂度方面性能最优。Ali和Suresha（2020年a）完成了一项关于阿拉伯手写体识别和分割策略的调查。本文介绍了基于直接识别和基于切分技术的字符识别策略。另一项关于阿拉伯文文档中字符识别策略的调查显示在Ali和Suresha（2020 b）中。本文从图像的预处理、分割、特征提取和分类方法等几个方面介绍了多种算法。机器学习中的许多深度学习策略被改进以识别手写字符。 在El-Sawyet al.（2017）中，CNN的深度学习架构是为了测试和训练数据集而构建的，通过采用优化方法来提高CNN的性能。利用AHCD进行验证，准确率为94.9%.在Alwzwazy et al.（2016）中，它开始于阿拉伯手写体中数字识别任务的复杂工作为此，作者决定利用深度卷积神经网络 （ DCNN ） 继 续 研 究 ， 其 准 确 率 达 到 95.7% 。 在 Mishra 等 人（2018）中，使用深度学习策略提出了手写文本的识别系统。作者选择应用CNN，因为精度增加，计算时间减少。准确度达到99.2%输入的提取特征图像在Elleuch等人中进行。（2016年）。2. 该方法本文提出的训练网络可以通过并行计算提取主要特征，其计算复杂度和参数明显小于传统的神经网络。它的设计更接近于生物神经网络。权值分担可以大大降低网络结构的复杂度.特别地，多维输入向量的图像可以有效地避免图像分类和特征提取方法中数据重构2.1. ZCA过程在零成分分析（ZCA）过程中，作者首先应用主成分分析（PCA）算法来降低输入图像向量的维数并将均值归零。让我们将x视为输入图像向量，并且通过使用等式（1）来计算其均值。（一）.M公升装x1mj¼1其中，xj2x和j^f1;2;. . ;mg;m是输入图像向量的长度。接下来，用等式计算整个数据的协方差矩阵。（二）、MAli和Suresha提出了两种基于CNN的模型（2019 c）用于识别阿拉伯语R¼1XxjxT第1页ð2Þ和乌尔都语脚本。CNN是用来提取重要特征的提出了两种分类器模型。第一个模型依赖于全连接层和softmax。第二种模型是基于K-NN和SVM的分类器融合。在第一种模型上使用CNN，在第二种模型上使用KNN，SVM和融合（KNN和SVM）的模型的识别准确率分别为97.7%，95.3%，96.3%和98.4%。SVM函数作为识别器操作然后利用奇异值分解将协方差矩阵分解为特征值和特征向量.1/2v;u;s]¼SVDR=10000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000这里v和u分别表示R的特征向量矩阵和特征值矩阵。基于此，可以使用PCA对x进行白化，如等式（1）所示。（四）、对于阿拉伯手写体中的字母识别，使用CNN。使用了HACDB数据库，x白色PCA¼2vx400mm百分之九十四点一七Simard等人（2003）强调了CNN更适合于文档的视觉图像分析手写文档识别的能力。这项工作的基本实践是使用噪声样本和CNN使用的数据集扩展。在Mesleh et al.（2012）中，提出了一种使用小波变换提取特征的阿拉伯文文档中字符识别策略。采用神经模糊方法进行字符识别。在Kumar等人（2012）中，通过利用SVM和多层感知器（MLP）的分类器来努力识别手写字符。几个基于核的支持向量机作为二次核取决于支持向量机，线性核，和多项式核分类器。在SVM的分类器模型中，有测试和训练阶段。从每个字符中，在SVM的帮助下提取的大约25个特征被训练。在三种核函数中，线性核函数的准确率为94.8%.在Zawaideh（2012）中，提出了用于字符识别的序列网络，每个字符图像具有120个特征。在Al Hamad（2013）中，研究了径向基NN分类器，并在四种不同的ANN模型的结果之间进行了比较。因此，本文将深度挖掘CNN的优点应用于文档图像分类，并在AHDB、AHCD、IFN/ENIT和HACDB数据集上检验了M3 CE建立的损失函数，推动了文档图像分类研究的新趋势。由等式（4），xwhitenZCA表示为Eq.（五）、xwhitenZCA¼vxwhitenPCA1.5μmvxwhitenPCA1/4xwhitenPCAωv. 对于本次训练过程中的数据集，由于测试样本和训练样本不能很好地区分，所以采用随机生成的策略，避免了人工分类的主观色彩。2.2. 脱落技术从根本上显示了辍学策略（Zhang et al.，2014）作为全连接层的正则化类型，已经与几种形式的深度神经网络一起使用，并且证明了它们在各种识别任务中的性能。当使用这种策略进行训练时，层输出的所有元素它已被应用到克服过拟合问题，在所提出的模型。由于使用了大量的数据和参数，可能会发生过拟合。该策略包括从网络中暂时消除一个单元。这个被淘汰的单位是在训练过程中随机选择的。2.3. 拟议的机器学习框架该模型基本上招募了两种不同的深度神经网络模型，称为空间金字塔池（SPPnet）A.A.A. Alil和S. 马莱亚沙特国王大学学报3296PiPið-Þ2和网络中网络（NIN），并实现了如图1所示的新的统一模型。此外，该模型依赖于CNN和SVM来识别阿拉伯语手写文本。CNN是一种深度学习算法，在训练过程中执行dropout策略。该系统适用于识别系统的目标是结合SVM工作培训。通过对交叉熵梯度和损失函数M3CE的分析，提出了一种新的损失函数。根据MCE定义，作者使用Softmax函数输出作为判别函数。在这一点上，错误分类度量的公式已经在等式中重新定义。（六）、分类器和CNN各自的能力，以实现一个新的有效的系统。池映射的设计经过了一些修改，如dmzpn-pmexpznmexp z1/1实验zm-m 实验z1/1ð6Þ表1. 该模型从NIN中获得了一定的影响力这里m 是样品的标签，z2Rm 是softmax的输入，而不是利用卷积之间的常规连接，功能层。融合了NIN中提出的强大连接n¼argmaxl;pl 是最令人困惑的结果类软-M提高文档图像分类精度。这种CNN架构优势结合了不止一种优雅的方式，例如，卷积层和多尺度输入图像之间的非线性变换，如图1所示。SPPnet设置降低了它们对旋转、扭曲变化以及缩放和移位的敏感度。所述跨步是固定为1。max函数，pR是softmax的结果。一般来说，物流损失Eq.利用公式（7），并在公式（7）中计算z的梯度（八）、1‘@Dropout仅用于完全连接的层更多accu@z@z@dmz@z它被应用于感知器（前馈连接）。这个决定依赖于这样一个事实，因为卷积层没有太多参数，过拟合例如， 2019年）的报告。CNN模型的初始层提取原始文档图像的全局特征。然而，当文档图像传递到最后一个完全连接的层时，会提取更多不同的特征。这些层可以提取特征，这些特征对输入文档图像的局部变换越来越稳定。在训练过程中，SVM将隐藏单元的结果作为特征向量。训练阶段持续进行，直到达到良好的训练。在测试过程中，SVM分类器使用这些自动提取的特征对测试集进行分类。2.4. M3CE构造损失函数在神经网络的训练过程中，整个网络模型的评价标准是损失函数。它所以损失函数是网络的重要部分该梯度已被用于反向传播算法中，如果Z被错误地整除，‘ 将接近于零，在这一点上，没有梯度要转向前一层，因为梯度将非常接近于零，这在传统的神经网络中，sigmoid函数被用作激活函数。方程中的观测公式（8）表明，一旦激活值很高，反向传播的梯度就很小。它被称为饱和。以前，浅层神经网络的效果并不是特别大，但随着网络层数的增加，这种情况会影响整个网络的学习特别是当饱和的sigmoid函数处于较高水平时，所有过去的低水平梯度将受到影响。因此，在当前的深度神经网络中，sigmoid函数被Rectified Linear Unit（ReLU）所取代可以从Eq.（8）一旦输入值为正，线性整流单元梯度为1，因此上层梯度可以无衰减地反向传输到下层。文献证明了线性校正单元可以阻断梯度扩散，加快训练过程。上损失函数中的饱和函数影响较大Fig. 1. 提出的CNN架构结合了两个强大的模型基于SVM模型与辍学。A.A.A. Alil和S. 马莱亚沙特国王大学学报3297þ¼2½]2½-]@z@z表1NIN和SPPnet参数的混合。模型输入大小因素C1/合并液1C2/池2C3/池3网络132x 32过滤器（内核）大小特征映射数5x51921x12561x1384网络232x 32过滤器（内核）大小特征映射数5x51925x52563x3192在深度神经网络上，虽然它在网络的中间，但对训练深度网络没有帮助。‘作者认为它是最大边际损失，其中区间已被定义为2m1/4-d mZ1/4-P nP m。 因为P m是概率，所以P m0; 1，在该点dm1; 1，一旦样本从正确分类逐渐变为不正确分类，dm从1递增到1，与原始逻辑损失函数相反，并且不管样本是否真正不正确分类，损失函数实际上得到最大损失值。由于1 dmP0，方程。（9）可以简化为Eq。（十）、‘在作者需要为不正确的分类样本提供更高的损失值（10）扩展到Eq。（十一）、‘这里b是一个正整数。如果b2被设置，作者获得平方最大区间（SMI）损失函数。当函数必须计算时，必须计算梯度，并通过链式法则获得用于训练神经网络。vmdm@dmzωbdm1b-112得出结论：当维度1）与混淆类标签匹配时，维度2）不是样本标签，也不等于混淆类标签，维度3）与样本标签匹配。8>pi12m;in¼我 M字符. HACDB的数据集包括50名志愿者在阿拉伯文文档中书写的6.600个手写形状的无约束字符。每个作家都写了两次。该数据库包括26，459个阿拉伯手写单词，这些单词是由411位不同的作家撰写的，其中列出了937个突尼斯村庄和城镇的名称。作为测试数据，作者使用了1.120幅图像，其中包括56个字符。3.1.2. 实验平台及数据预处理在本文中，作者主要利用ZCA白化来处理文档图像的数据，例如，固定尺寸和读取矩阵中的文档图像数据（图1和图2）。第2-5段）。 文档图像被白化和归一化。该算法使每个像素具有相同的方差和均值，消除了像素间的不一致性，消除了文档图像中的白噪声问题。同时，改变图像训练结果的典型方法是随机类型的失真、锐化训练的输入或裁剪，其具有扩展训练数据的有效大小的优点。为了处理所有的失真问题，将出现在实际使用的分类器，每一个可能的变化，在同一个图像已经做了。所以，当结果当训练阶段的文档图像出现异常时，将文档图像随机变形，以避免异常个体图像对整个模型产生的巨大干扰。3.1.3. 建立培训网络分类算法是一个比较庞大的算法类，图像的分类算法就是其中之一.目前流行的分类技术有RF（Random Forest）、SVM和KNN（k-Nearest Algorithm）等。在图像分类中，SVM是基于结构风险最小化理论的分类算法中应用最广泛的一种找到在高维空间中寻找分类间距最大的最优超平面，@i>：p2;i3. 实验结果与讨论3.1. 实验结果作者对该模型进行了实验研究，以考察基于CNN的支持向量机模型识别阿拉伯手写体文本时，放弃策略的有效性。作者使用各种分类器而不是SVM来检查这种新架构。已经在AHDB数据库上检查了新架构（Al-Ma'adeed等人，2002年）、AHCD数据库（El-Sawy等人，2017）、HACDB数据库（Lawfeld等人， 2013）和IFN/ENIT数据库（Pechwitz等人， 2002年）。3.1.1. 数据集AHDB数据库包括13311个词和1773个文本行，由100个作者撰写，其中包含无约束的页面文本。AHCD数据库包含60位作家撰写的16，800个字符。从“Alef”到“Yaa”，每个作家都写了十遍在提取特定向量后，图像的特征维数较小。深度学习的模型是另一种常用的目标识别过程，其通过表示目标来描述图像。图二. ZCA增白流程图。@dmzzpi-12m;i¼mð13Þ分类阶段是SVM的主要目的。但是，对于数据量巨大的情况来说A.A.A. Alil和S. 马莱亚沙特国王大学学报3298PNijj¼我IIaccui<$nii3.2. 讨论ð15Þ图三. 样品选择各种颜色和各种阿拉伯手写字体。见图4。 文档图像特征提取比较。archical特征主流的深度学习网络包括CNN、约束玻尔兹曼机、自动编码器、生物逻辑模型、深度信念网络足等。作者为各种数据集设计了各种CNN，并检查了所提出的模型。实验设置如下：基本学习率设为0.05，权值参数随机初始化，脉冲项设为0.7，偏置参数设为常数。在训练阶段，当错误率不下降时，学习率乘以0.09.当训练所提出的架构时，第三层特征图被组合成特征向量，进入完全连接的层。在这一点上，已经对CNN执行了dropout，以完全连接隐藏层，可能保留隐藏单元p0： 47，并暂时消除50%的节点。 这些单位仅在培训阶段随机选择。最后，支持向量机分类器将隐层单元的输出作为特征向量进行分类。3.1.4. 评价指标本文将文档图像的识别影响基本分为三个部分总的来说，作者得出结论，CNN与SVM分类器呈现出最先进的显著成果。在手写体识别领域，该模型是一种很有前途的分类技术.3.2.1. 各种损失函数的分类效果比较作者比较了建议的损失函数与传统的logistic损失函数。研究发现，损失函数的值随着误分类严重程度的增加而增加，说明损失函数能够有效地表示图像分类的错误程度。表2比较不同的分类器。分类器与CNN训练集精度测试集准确度耗时CNN九十九点八九百分之九十七点九八5.074SVM百分之九十九点九五百分之九十九点五五8.004NB百分之八十九点九二百分之九十三点五6.381KNN80.66%80.60%6.317RF84.37%85.13%4.012DT（LDA）百分之九十八点四八75.67%3.501GBDT（线性86.92%82.50%5.323分类器）表3在AHCD数据集上与最先进的模型进行比较作者方法分类精度时间消耗、各个类别的分类精度以及文档图像分类的整体准确率。文本图像分类的准确率既包括文本图像的整体分类准确率，也包括各个分类准确率。让我们将nij视为文档图像阿里和Suresha（2019a）阿里和Suresha（2019e）功能融合98.95%特征和分类器的融合98.5%在班上我分成了J班。文档图像的整体准确性分类通过使用Eq. （十四）、每个分类的准确度是通过使用Eq. （十五）、读取图像以获得分类过程的结果的平均时间是运行时间。Pni;j德索萨（2018年）El-Sawy等人（2017年）尤尼斯（2017年）所使用的架构包括四个CNN系综平均作者设计了深度学习的体系结构应用优化的方法来提高CNN的性能。作者利用CNN模型和正则化方法作为dropout和批量到块过拟合的归一化。百分之九十八点四二百分之九十四点九百分之九十七点六accu14所有¼P尼伊杰Þ提出的基于CNN的SVM，辍学率为99.71%A.A.A. Alil和S. 马莱亚沙特国王大学学报3299图五、图像分类和建模依赖于深度CNN。A.A.A. Alil和S. 马莱亚沙特国王大学学报3300表4在HACDB数据集上与最先进的方法进行比较作者方法分类准确性Ali和Suresha（2019年e）融合特征和分类器99.52%Mudhsh and Almodfer（2017）字母数字VGG 97.32%Elleuch and Kherallah（2016）深度SVM 91.36%Elleuch等人（2016）CNN + SVM97.91%，24类问题和94.17%（66）Elleuch等人DeepBelieve Network（2015）96.36%离散余弦变换（DCT）+人工神经网络（ANN）75.31%Lawlord等人人工神经网络Artificial Neural Network78.82%提出的基于CNN的SVM，辍学率为99.85%3.2.2. 执行时间基于M3CE建立的损失函数的特征提取策略，影响人体生理能力自动检测精度的主要因素是分类器的选择。因此，本文在表2中讨论了各种分类器对分类精度的下表总结了一些使用CNN的流行分类器对分类准确性 的 影 响 。 这 些 分 类 器 包 括 KNN 、 GBDT （ gradient Boost- ingelevation decision tree）、RF、DT（decision tree）、SVM和NB（Naive Bayes）。实验结果表明，CNN + SVM分类器的准确率高于其他不同的分类器。表5在IFN/ENIT数据集上与最先进的方法进行比较。作者方法分类准确性fiers在分类器实验中，DT算法用于阿拉伯手写文本的自动检测时，虽然速度最快，但在测试集上的准确率为75.67%，是不理想的。作者得出结论，CNN + SVM的精度是最高的各种六个流行的分类器相比，和8秒的花费是令人满意的，在其他比较。首先，由于每个测试图像都需要与每个存储的训练文档图像进行比较，需要更多的时间来计算，消耗计算资源，并需要更多的存储空间。因为在实践中，作者关注的是测试能力，而不是培训能力。作者稍后想要学习的CNN达到了这种权衡的另一端：即使训练完成后需要花费很多时间，但新的测试数据分类非常快。这样的模式是符合-随着需求的实际利用而起舞阿里和苏瑞沙（2019年）特征和分类器的融合百分之九十七点九九3.2.3. 不同物种表2表明，这种方法的识别准确率Elleuch等人CNN + SVM92.95%，56类问题Azeem和AhmedHMM（128混合）93%（2013）不同物种之间的过程基本相同，85%以上的水平，其中该技术在分类可视定义文档时准确率相对较高图像. 这可能是因为定义的文档图像具有更高的提出的基于CNN的支持向量机与Dropout百分之九十八点五八在特征提取方面的优势。表6与AHDB数据集上最先进的模型进行比较作者方法分类准确性3.2.4. 与最新技术水平的表3为了评估的目的，表7显示了建议的工作和El-Melegy等人（2019年）深度学习方法CNN没有增强96.8%其他公共方法的不同语言和各种数据集。采用交叉验证方法对系统进行训练。Ali and Suresha（2019）一个深度CNN网络CNN与增强数据百分之九十七点八功能融合97.30%（多字体）所提出的模型的准确率是通过选择60/40百分比的数据集样本，通过10倍方法进行训练-在AHDB、AHCD、HACDB和IFN/ENIT数据库上运行/测试结果表明，该模型的准确率超过单一的提出了基于CNN的SVM，辍学百分之九十九文档中的字体类型和多字体类型，其中包括在一个文档中混合的多种字体。表7在大多数公共数据集上比较拟议的工作和其他通用架构准确率数据集（%）作者方法ICDAR-2013AHDBAHCDHACDBIFN/ENITYang等人（2016年）DropSample-DCNN-Entrance-997.5193.1993.8593.9992.33DropSample-DCNN97.2391.9892.5092.9991.00Liu等人（二零一三年）传统基准95.3184.9085.8885.9684.24Wang等人（2012年）过分割90.1278.2178.5079.0077.50提出基于CNN的支持向量机99.9699.0099.7199.8598.58基于CNN的无丢失99.0296.8097.4297.8596.50A.A.A. Alil和S. 马莱亚沙特国王大学学报33014. 结论在这项工作中，作者使用了两种不同的深度神经网络模型来获得准确的特征，并将CNN和SVM分类器应用于阿拉伯语手写识别。并探讨了在手写文档图像中的文本识别中所提出的模型中的辍学现象，并在不同数据集上测试了各种阿拉伯文字的手写识别的系统效率仿真结果表明，1）提出的带dropout的CNN-based-SVM模型比不带标准分类器CNN和dropout的CNN-based-SVM模型具有更高的性能; 2）M3CE可以发展交叉熵，这是对交叉熵准则该模型可用于识别其他语言的脚本，如中文，它的要求是增加与操作系统中提供的语言。对于未来的工作，许多研究人员仍然认为深度CNN是黑盒特征提取的模型为了研究人类大脑视觉神经系统与深层CNN各层之间的联系，以及如何像个人一样逐步创建深层神经网络，以进行学习补偿，进一步的研究需要扩展对目标对象细节的理解作者人们期望良好的特征提取能够极大地发展各种体系结构硬件的快速发展将进一步促进更成熟的联机手写体识别技术的出现，即使在存储要求和计算成本方面。有可能通过消除词汇依赖性来识别单词，从而提高当前系统的性能。该模型可以扩展到单词和文本行识别的在线手写的阿拉伯文字后，指定两个孤立的阿拉伯单词之间的空间同样，本文提出的为了在未来继续下去，这项工作的另一个挑战是自适应学习。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Al Hamad，H.A.，2013.使用一种高效的神经网络来提高阿拉伯手写体的识别率。2013年IEEE信号与图像处理应用国际会议。IEEE，第 269-274。艾莉匿名戒酒会Suresha，M.，2017年。 一种使用阿拉伯文字在文档级纠正倾斜的新方法。国际计算机科学与信息技术杂志。8（5），569-573。艾莉匿名戒酒会Suresha，M.，2019年a。一种新的基于特征融合的阿拉伯手写体字符识别设计。国际工程和先进技术杂志（IJEAT）8（5），2570-2574。艾莉匿名戒酒会Suresha，M.，2019年b.阿拉伯手写体识别中的文本行和词分割的有效算法。在：新兴的研究在计算，信息，通信和应用。Springer，Singapore，pp.387-401号。艾莉匿名戒酒会Suresha，M.，2019年c。使用机器学习方法的阿拉伯手写字符识别。2019第五届图像信息处理国际会议（ICIIP）IEEE，第 187-192.艾莉匿名戒酒会Suresha，M.，2019年d。一种用于阿拉伯手写体识别的有效字符分割算法。在：数据科学与通信国际会议（IconDSC），IEEE，pp。 1比6艾莉匿名戒酒会Suresha，M.，2019年e。 一种新的特征和分类器融合技术用于阿拉伯手写体字符识别。 SN Applied Sciences 1（10），1286.艾莉匿名戒酒会Suresha，M.，2020年a。手写体阿拉伯文字的分割与识别研究综述。《计算机科学》第192期艾莉匿名戒酒会Suresha，M.，2020年b。阿拉伯文手写文字识别研究综述。《计算机科学》第152期Al-Ma'adeed，S.，Elliman，D.，&希金斯，CA，2002.一个用于阿拉伯文手写文本识别研究的数据库。在：会议记录第八届国际研讨会上的前沿手写识别，IEEE，页。第485-489页。Alwzwazy，H.A.，Alfred dili，H.M.，Alwan，Y.S.，伊斯兰教，东北部，2016.使用卷积 神 经 网 络 的 手 写 数 字 识 别 。 International Journal ofInnovative Research inComputer and Communication Engineering 4（2），1101-1106.Azeem，S.A.，Ahmed，H.，2013.使用隐马尔可夫模型识别脱机阿拉伯手写单词的有效技术 。International Journalon Document Analysis and Recognition （ IJDAR ） 16（4），399-412.deSousa ， I.P. ， 2018 年 用 于 阿 拉 伯 手 写 字 符 和 数 字 识 别 的 卷 积 集 成 。 PeerJComputer Science 4，e167.Elleuch，M.，Kherallah，M.，2016.基于深度支持向量机的阿拉伯手写体识别系统。国际多媒体数据工程与管理杂志（IJMDEM）7（2），1-20。Elleuch，M.，Tagougui，N.，Kherallah，M.，2015.基于深度信念神经网络的阿拉伯手写体字符识别。国际多会议系统，信号&设备（SSD 1 - 5），1-5。Elleuch，M.，Maalej河，Kherallah，M.，2016年。 一种新的设计基于SVM的CNN分类器架构与离线阿拉伯语手写识别的辍学。Procedia Computer Science 80，1712-1723.El-Melegy，M.，Abdelbaset，A.，Abdel-Hakim，A.，El-Sayed，G.，2019年。在：使用深度卷积神经网络识别阿拉伯语手写文字量伊比利亚模式识别和图像分析会议。施普林格，占，pp. 169-176。El-Sawy，A.，Loey，M.，哈齐姆E.B. 2017.基于卷积神经网络的阿拉伯手写体字符识别。WSEAS Transactions on ComputerResearch 5，11-19.库马尔，P.，夏尔马，N.，拉纳，A.，2012.九月）。基于不同核函数的支持向量机分类器与多层线性规划神经网络的手写体字符识别比较。国际计算机应用杂志53（11），25-31。劳 伦 斯 ， A. ， 2014. 阿 拉 伯 文 字 识 别 方 法 之 评 估 。 International Journal of SignalProcessing，Image Processing and PatternRecognition 7（6），211劳伦斯，A.，Bouridane，A.，Angelova，M.，Ghassemlooy，Z.，2011.手写阿拉伯字符识别：哪种特征提取方法？国际先进科学与技术杂志34，1-8。劳伦斯，A.，Angelova，M.，Bouridane，A.，2013. HACDB：手写阿拉伯字符数据库，用于自动字符识别。在：欧洲视觉信息处理研讨会（EUVIP），IEEE页。255-259Liu，C.L.，Yin，F.，Wang，D.H.，Wang，Q.F.，2013.联机和脱机手写汉字识别：新数据库的基准测试。PatternRecognition 46（1），155-162.Mesleh，A.，Sharadqh，A.，Al-Azzeh，J.，Abu-Zaher，M.，Al-Zabin，N.，Jaber，T. ， Odeh ， A. ， Hasn ， M.A. ， 2012. 一 种 光 学 字 符 识 别 。 ContemporaryEngineeringSciences 5（11），521-529.米什拉，S.，Malathi，D.，Senthilkumar，K.，2018年使用深度学习进行数字识别International Journal of Pure and Applied Mathematics 118（22），295Mudhsh，M.，Almodfer，R.，2017.使用非常深的神经网络的阿拉伯手写体字母数字字符识别。Information 8（3），105.Pechwitz，M.，Maddouri，S.S.，Märgner，V. ，Ellouze ，N.，Amiri，H. ，2002.IFN/ENIT-手写阿拉伯语单词数据库。载于：CIFED会议记录，第2卷，Citeseer，第100页。127-136.Simard，P.Y.，Steinkraus，D.，普拉特，J.C.，2003.卷积神经网络应用于视觉文档分析的最佳实践。In：Icdar，vol.号32003年。Wang，D.H.，Liu，C.L.，Zhou，X.D.，2012.一种在线中文手写体句子的实时识别方法。Pattern Recognition 45（10），3661-3675. 杨伟，金，L.，陶，D.，Xie，Z.，冯志，2016年。Drop-Sample：一种新的训练方法，用于增强大规模无约束深度卷积神经网络手写汉字识别Pattern Recognition 58，190-203. Younes，M.，Abdellah，Y.，2015年。阿拉伯文手写文本的分割为行。Procedia Computer Science 73，115Younis，K.S.，2017.基于深度卷积神经网络的阿拉伯手写体字符识别。约旦计算机和信息技术杂志3（3），186-200。Zawaideh，F.H.，2012.基于改进的多神经网络的阿拉伯手写体字符识别。Journal ofEmerging Trends in Computing andInformation Sciences 3（7），1021-1026.Zhang，S.，（1991），中国农业科学院，鲍，Y.，Zhou，P.，中国科学院院士，江，H.，戴湖，2014.使用dropout和收缩结构改进LVCSR的深度神经网络。国际声学、语音和信号处理会议（ICASSP）IEEE，第 6849- 6853