基于優(yōu)化GDTW-SVM算法的聯(lián)機(jī)手寫(xiě)識(shí)別
作者：
時(shí)間：2012-05-15
來(lái)源：網(wǎng)絡(luò)
收藏
加入技術(shù)交流群
掃碼加入
和技術(shù)大咖面對(duì)面交流
海量資料庫(kù)查詢(xún)
4 實(shí)驗(yàn)結(jié)果與分析
本文主要針對(duì)阿拉伯?dāng)?shù)字樣本集和英文字母樣本集進(jìn)行識(shí)別實(shí)驗(yàn)，阿拉伯?dāng)?shù)字樣本集、英文小寫(xiě)字母樣本集和英文大寫(xiě)字母樣本集分開(kāi)識(shí)別。實(shí)驗(yàn)環(huán)境是Matlab R2010a，所使用的SVM工具包是Matlab SVM Toolbox。
分類(lèi)實(shí)驗(yàn)采用Leave-One-Out的交叉驗(yàn)證策略：依次從樣本集中取出一個(gè)字符的訓(xùn)練樣本標(biāo)記為第一類(lèi)，將剩余字符的訓(xùn)練樣本標(biāo)記為第二類(lèi)，用標(biāo)記后的訓(xùn)練樣本訓(xùn)練GDTW-SVM；使用樣本集中的所有測(cè)試樣本測(cè)試GDTW-SVM的識(shí)別率。
使用未優(yōu)化GDTW-SVM重復(fù)分類(lèi)識(shí)別10次，取10次實(shí)驗(yàn)結(jié)果的平均值作為未優(yōu)化GDTW-SVM的識(shí)別結(jié)果；其次，優(yōu)化GDTW-SVM的參數(shù)(K，τ)分別取(0．2，0．5)、(0．2，0．2)和(0．5，0．5)，分別重復(fù)分類(lèi)識(shí)別10次且取10次識(shí)別結(jié)果的平均值作為使用該組參數(shù)的優(yōu)化GDTW-SVM的識(shí)別結(jié)果，最終取三組識(shí)別結(jié)果中的最優(yōu)識(shí)別結(jié)果作為優(yōu)化GDTW-SVM的識(shí)別結(jié)果；以上實(shí)驗(yàn)中，γ=1．9。本文引用地址：http://m.butianyuan.cn/article/193871.htm
表1是阿拉伯?dāng)?shù)字和英文字母的識(shí)別結(jié)果對(duì)比。其中，英文字母數(shù)目較多，因此，僅給出平均識(shí)別結(jié)果。優(yōu)化后的GDTW-SVM和未優(yōu)化的GDTW-SVM的實(shí)驗(yàn)結(jié)果對(duì)比顯示：參數(shù)k和τ的引入不僅使字符識(shí)別的錯(cuò)誤率基本保持不變，同時(shí)，訓(xùn)練時(shí)間減少13～25％、測(cè)試時(shí)間減少29～39％、支持向量的數(shù)目也減少3．0～7．6％。
5 結(jié)論
本文提出了在GDTW核函數(shù)中引入?yún)?shù)k和τ，約束GDTW最優(yōu)對(duì)齊路徑的計(jì)算空間，然后構(gòu)造GDTW-SVM分類(lèi)器。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后的GDTW-SVM分類(lèi)器的識(shí)別率與未優(yōu)化的分類(lèi)器的識(shí)別率基本相同；同時(shí)，支持向量數(shù)目減少，計(jì)算時(shí)間有13％～39％的減少，有利于GDTW-SVM分類(lèi)器的聯(lián)機(jī)手寫(xiě)識(shí)別的應(yīng)用和推廣。
評(píng)論