The invention discloses a non standard convolutional neural network character recognition method based on support vector machine and image signal acquisition: 1, non standard characters as sample data; 2, the establishment of convolutional neural network and initialization; 3, the training sample data set by convolution neural network propagation; 4, to 3 in multilayer perceptron the error calculation and gradient calculation, if the error is convergent, extract the feature data and into the 6, otherwise, enter 5; 5, the back-propagation algorithm with 4 gain error and gradient, after convolution neural network layer spread to the network layer, and the judgment of the layer is the input layer: if so, whether in 3, otherwise, to determine the next layer is the input layer, to determine the input layer and into 3; 6, the characteristics of data transmission to the support vector machine for training, the establishment of non standard character Recognition training model; 7. Input non-standard character signals to the non-standard character recognition training model for recognition.
【技术实现步骤摘要】
基于卷积神经网络和支持向量机的非标准字符识别方法
本专利技术涉及一种基于卷积神经网络和支持向量机的非标准字符识别方法。
技术介绍
非标准字符的识别作为图像识别应用中的重要分支,其在生产生活中的地位也越来越重要。目前,标准字符的识别技术理论已经日趋成熟,但是大多数的数字或是英文字母的识别方法在实际应用过程中或多或少都会出现一些问题,且不要说是更加复杂的中文字符以及其他字符的非标准表示了,且在复杂的应用场景中或是移动设备上,识别效率和识别准确率都比较低。例如,逆传播神经网络对于样本数据集的要求很高,否则无法达到较高的识别准确率。
技术实现思路
针对上述问题,本专利技术提供一种基于卷积神经网络和支持向量机的非标准字符识别方法,大大提高了各类字符整体识别准确率和效率,尤其适用于数字和英文字母的识别。为实现上述技术目的,达到上述技术效果,本专利技术通过以下技术方案实现:基于卷积神经网络和支持向量机的非标准字符识别方法,包括如下步骤:步骤1、采集非标准字符的图像信号作为样本数据,生成训练样本数据集和测试数据集;步骤2、建立卷积神经网络并初始化;步骤3、将训练样本数据集通过卷积神经网络的多层感知器完成前向传播;步骤4、对步骤3中的多层感知器进行误差计算和梯度计算,并判断误差是否为收敛:若收敛,则提取出特征数据并进入步骤6,否则,进入步骤5;步骤5、将步骤4中得到的误差和梯度用反向传播算法,经过卷积神经网络逐层传播到网络底层,并且逐层更新网络的权重系数,并判断该层是否为输入层:若是,则进入步骤3,否则,继续判断下一层是否为输入层,直至确定输入层并进入步骤3;步骤6、将通过卷积 ...
【技术保护点】
基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,包括如下步骤:步骤1、采集非标准字符的图像信号作为样本数据,生成训练样本数据集和测试数据集;步骤2、建立卷积神经网络并初始化;步骤3、将训练样本数据集通过卷积神经网络的多层感知器完成前向传播;步骤4、对步骤3中的多层感知器进行误差计算和梯度计算,并判断误差是否为收敛:若收敛,则提取出特征数据并进入步骤6,否则,进入步骤5;步骤5、将步骤4中得到的误差和梯度用反向传播算法,经过卷积神经网络逐层传播到网络底层,并且逐层更新网络的权重系数,并判断该层是否为输入层:若是,则进入步骤3,否则,继续判断下一层是否为输入层,直至确定输入层并进入步骤3;步骤6、将通过卷积神经网络模型经训练提取的特征数据传输到支持向量机中进行训练,当测试数据集的识别准确率为100%时,则认为成功建立了非标准字符识别训练模型;步骤7、将待识别的非标准字符信号输入到非标准字符识别训练模型进行识别,获得识别结论。
【技术特征摘要】
1.基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,包括如下步骤:步骤1、采集非标准字符的图像信号作为样本数据,生成训练样本数据集和测试数据集;步骤2、建立卷积神经网络并初始化;步骤3、将训练样本数据集通过卷积神经网络的多层感知器完成前向传播;步骤4、对步骤3中的多层感知器进行误差计算和梯度计算,并判断误差是否为收敛:若收敛,则提取出特征数据并进入步骤6,否则,进入步骤5;步骤5、将步骤4中得到的误差和梯度用反向传播算法,经过卷积神经网络逐层传播到网络底层,并且逐层更新网络的权重系数,并判断该层是否为输入层:若是,则进入步骤3,否则,继续判断下一层是否为输入层,直至确定输入层并进入步骤3;步骤6、将通过卷积神经网络模型经训练提取的特征数据传输到支持向量机中进行训练,当测试数据集的识别准确率为100%时,则认为成功建立了非标准字符识别训练模型;步骤7、将待识别的非标准字符信号输入到非标准字符识别训练模型进行识别,获得识别结论。2.根据权利要求1所述的基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,步骤2中初始化卷积神经网络的参数,包括卷积核的数量、降采样层的数量、卷积核的大小和降采样层的降幅,并初始化卷积核的权重和偏置。3.根据权利要求1所述的基于卷积神经网络和支持向量机的非标准字符识别方法,其特征在于,步骤1中生成训练样本数据集包括如下步骤:1)从样本数据集中取出一批样本(A,BC),其中A是样本字符的向量,B是A对应的期望值,C是标准字符集,BC是样本数据集中标准字符C对应字符的期...
【专利技术属性】
技术研发人员:顾亦熹,高沁瑶,高兰英,高留其,
申请(专利权)人:昆山遥矽微电子科技有限公司,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。