一种同屏手写输入的智能匹配方法组成比例

本发明专利技术涉及数据处理领域，具体涉及一种同屏手写输入的智能匹配方法，获取用户手写轨迹坐标位置信息以及x坐标时间序列、y坐标时间序列；获取x、y坐标时间序列各IMF分量并进行小波变换，计算各IMF分量的优化小波系数；根据各IMF重组分量得到IMF重组分量矩阵；根据IMF重组分量矩阵的各奇异值得到表征向量；根据用户手写笔迹轮廓信息得到用户手写笔迹轮廓点曲率序列；计算用户手写输入数据与各样本数据之间的第一相关性因子及第二相关性因子；获取用户手写输入数据与各样本数据的相关性；将相关性最大的样本数据作为用户手写输入的匹配数据，实现用户手写输入数据的智能匹配。从而实现手写输入的智能匹配，具有较高的匹配精度。具有较高的匹配精度。具有较高的匹配精度。

【技术实现步骤摘要】
一种同屏手写输入的智能匹配方法


[0001]本申请涉及数据处理领域，具体涉及一种同屏手写输入的智能匹配方法。

技术介绍

[0002]随着通信及人工智能行业的快速发展，手写输入逐渐涉入各行各业，手写输入的普及也让人机交互取得了进一步发展。手写输入不仅可以推动手机产业的发展，还能带动产业链上相关环节的发展，比如：电子商务合同签署、触摸屏、手写笔以及输入法软件等。在使用手写输入过程中，用户手写输入笔迹的智能匹配识别是至关重要的一步，目前用户手写输入笔迹匹配精度是影响用户体验的关键问题。
[0003]因此，本专利技术提出一种同屏手写输入的智能匹配方法，获取用户手写轨迹信息，并构建手写输入轨迹位置时间序列，通过EMD算法对时间序列进行分解，基于各时间序列的IMF分量集合提取用户手写轨迹特征，根据用户手写笔迹与样本库中各笔迹之间的特征相似度，完成用户手写输入的智能匹配。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供一种同屏手写输入的智能匹配方法，以解决现有的问题。
[0005]本专利技术的一种同屏手写输入的智能匹配方法采用如下技术方案：本专利技术一个实施例提供了一种同屏手写输入的智能匹配方法，该方法包括以下步骤：采集用户手写轨迹，根据各时刻对应的用户手写轨迹坐标位置信息得到x坐标时间序列及y坐标时间序列；采用EMD算法分别对x坐标时间序列、y坐标时间序列进行分解处理得到x坐标时间序列的各IMF分量、y坐标时间序列的各IMF分量；分别对x坐标时间序列各IMF分量及y坐标时间序列各IMF分量进行小波变换，获取各IMF分量小波系数；根据各IMF分量小波系数得到各IMF分量的优化小波系数；根据各IMF分量的优化小波系数结合小波逆变换得到各IMF重组分量；根据x坐标时间序列的各IMF重组分量得到x坐标时间序列的IMF重组分量矩阵；获取x坐标时间序列的IMF重组分量矩阵的各奇异值，根据x坐标时间序列的IMF重组分量矩阵的各奇异值得到x坐标时间序列表征向量；获取y坐标时间序列表征向量；采集用户手写笔迹，根据用户手写笔迹轮廓信息得到用户手写笔迹轮廓点曲率序列；获取手写输入样本库，根据用户手写轨迹x坐标时间序列表征向量及y坐标时间序列表征向量得到用户手写输入数据与各样本数据之间的第一相关性因子；根据用户手写笔迹轮廓点的曲率序列得到用户手写输入数据与各样本数据之间的第二相关性因子；根据户手写输入数据与各样本数据之间的第一相关性因子以及第二相关性因子得到用户手写输入数据与各样本数据的相关性；
根据用户手写输入数据与各样本数据的相关性得到用户手写输入匹配数据，实现用户手写输入数据的智能匹配。
[0006]优选的，所述根据各IMF分量小波系数得到各IMF分量的优化小波系数，具体步骤包括：包括：式中，为x坐标时间序列的第n个IMF分量的第s个小波系数的优化小波系数，为x坐标时间序列的第n个IMF分量的第s个小波系数，e为自然常数，为函数关系，为大于零的阈值，为大于零的控制因子。
[0007]优选的，所述根据x坐标时间序列的各IMF重组分量得到x坐标时间序列的IMF重组分量矩阵，具体步骤包括：获取x坐标时间序列的各IMF重组分量，将x坐标时间序列的每个IMF重组分量作为IMF重组分量矩阵的每行，得到x坐标时间序列的IMF重组分量矩阵。
[0008]优选的，所述获取x坐标时间序列的IMF重组分量矩阵的各奇异值，具体步骤包括：采用SVD算法对x坐标时间序列的IMF重组分量矩阵进行奇异值分解，计算x坐标时间序列的IMF重组分量矩阵的各奇异值。
[0009]优选的，所述根据x坐标时间序列的IMF重组分量矩阵的各奇异值得到x坐标时间序列表征向量，具体步骤包括：获取x坐标时间序列的IMF重组分量矩阵的各奇异值，将x坐标时间序列的IMF重组分量矩阵的各奇异值按照从大到小排序，得到奇异值排序序列，将奇异值排序序列拟合成曲线，获取斜率最大处所对应的奇异值，将该奇异值作为截止值，选取大于截止值的所有奇异值构建一个表征向量，记为x坐标时间序列表征向量。
[0010]优选的，所述根据用户手写笔迹轮廓信息得到用户手写笔迹轮廓点曲率序列，具体步骤包括：采用轮廓检测算法提取用户手写笔迹的轮廓信息，计算用户手写笔迹各轮廓点的曲率，用户手写笔迹所有轮廓点的曲率组成用户手写笔迹轮廓点曲率序列。
[0011]优选的，所述根据用户手写轨迹x坐标时间序列表征向量及y坐标时间序列表征向量得到用户手写输入数据与各样本数据之间的第一相关性因子，具体表达式为：式中，为用户手写输入数据与第i个样本数据之间的第一相关性因子，为权值因子，分别为第i个样本数据的x坐标时间序列表征向量、用户手写轨迹x坐
标时间序列表征向量，为余弦相似度，分别为第i个样本数据的y坐标时间序列表征向量、用户手写轨迹y坐标时间序列表征向量。
[0012]优选的，所述根据用户手写笔迹轮廓点的曲率序列得到用户手写输入数据与各样本数据之间的第二相关性因子，具体表达式为：式中，为用户手写输入数据与第i个样本数据之间的第二相关性因子，为调节系数，DTW{}为DTW距离，e为自然常数，分别为第i个样本数据的手写笔迹轮廓点曲率序列、用户手写笔迹轮廓点曲率序列。
[0013]优选的，所述根据户手写输入数据与各样本数据之间的第一相关性因子以及第二相关性因子得到用户手写输入数据与各样本数据的相关性，具体步骤包括：计算用户手写输入数据与各样本数据之间的第一相关性因子；计算用户手写输入数据与各样本数据之间的第二相关性因子；将用户手写输入数据与各样本数据之间的第一相关性因子与第二相关性因子的乘积作为用户手写输入数据与各样本数据之间的相关性，表达式为：式中，为用户手写输入数据与第i个样本数据之间的相关性，为用户手写输入数据与第i个样本数据之间的第一相关性因子，为用户手写输入数据与第i个样本数据之间的第二相关性因子。
[0014]优选的，所述根据用户手写输入数据与各样本数据的相关性得到用户手写输入匹配数据，具体步骤包括：计算用户手写输入数据与各样本数据之间的相关性，将相关性最大所对应的样本数据作为用户手写输入的匹配数据。
[0015]本专利技术至少具有如下有益效果：本专利技术主要根据用户手写输入过程中手写数据的坐标信息以及手写数据的轮廓信息，对用户手写输入数据特征进行提取，根据用户手写输入数据特征实现对用户手写输入的智能匹配。本专利技术结合用户手写输入数据的轨迹信息构建x坐标时间序列、y坐标时间序列，可对用户手写输入数据轨迹特征进行表征，本专利技术结合EMD算法分别对用户手写输入数据的两个时间序列进行分解，并对各IMF分量中的噪声分量进行抑制，解决了噪声对用户手写输入特征分析的影响，提高了用户手写输入数据特征提取精度，通过对时间序列的分解提高了用户手写输入数据特征分析效率；本专利技术通过SVD算法获取用户手写输入数据各时间序列的IMF重组分量矩阵所对应的表征向量，能够对用户手写输入数据特征进行精确表征，降低数据分析成本，提高特征提取速度，减少计算量；同时，本专利技术结合用户手写输入数据的表征向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种同屏手写输入的智能匹配方法，其特征在于，该方法包括以下步骤：采集用户手写轨迹，根据各时刻对应的用户手写轨迹坐标位置信息得到x坐标时间序列及y坐标时间序列；采用EMD算法分别对x坐标时间序列、y坐标时间序列进行分解处理得到x坐标时间序列的各IMF分量、y坐标时间序列的各IMF分量；分别对x坐标时间序列各IMF分量及y坐标时间序列各IMF分量进行小波变换，获取各IMF分量小波系数；根据各IMF分量小波系数得到各IMF分量的优化小波系数；根据各IMF分量的优化小波系数结合小波逆变换得到各IMF重组分量；根据x坐标时间序列的各IMF重组分量得到x坐标时间序列的IMF重组分量矩阵；获取x坐标时间序列的IMF重组分量矩阵的各奇异值，根据x坐标时间序列的IMF重组分量矩阵的各奇异值得到x坐标时间序列表征向量；获取y坐标时间序列表征向量；采集用户手写笔迹，根据用户手写笔迹轮廓信息得到用户手写笔迹轮廓点曲率序列；获取手写输入样本库，根据用户手写轨迹x坐标时间序列表征向量及y坐标时间序列表征向量得到用户手写输入数据与各样本数据之间的第一相关性因子；根据用户手写笔迹轮廓点的曲率序列得到用户手写输入数据与各样本数据之间的第二相关性因子；根据户手写输入数据与各样本数据之间的第一相关性因子以及第二相关性因子得到用户手写输入数据与各样本数据的相关性；根据用户手写输入数据与各样本数据的相关性得到用户手写输入匹配数据，实现用户手写输入数据的智能匹配。2.如权利要求1所述的一种同屏手写输入的智能匹配方法，其特征在于，所述根据各IMF分量小波系数得到各IMF分量的优化小波系数，具体步骤包括：具体步骤包括：式中，为x坐标时间序列的第n个IMF分量的第s个小波系数的优化小波系数，为x坐标时间序列的第n个IMF分量的第s个小波系数，e为自然常数，为函数关系，为大于零的阈值，为大于零的控制因子。3.如权利要求1所述的一种同屏手写输入的智能匹配方法，其特征在于，所述根据x坐标时间序列的各IMF重组分量得到x坐标时间序列的IMF重组分量矩阵，具体步骤包括：获取x坐标时间序列的各IMF重组分量，将x坐标时间序列的每个IMF重组分量作为IMF重组分量矩阵的每行，得到x坐标时间序列的IMF重组分量矩阵。4.如权利要求1所述的一种同屏手写输入的智能匹配方法，其特征在于，所述获取x坐标时间序列的IMF重组分量矩阵的各奇异值，具体步骤包括：采用SVD算法对x坐标时间序列
的IMF重组分量矩阵进行奇异值分解，计算x坐标时间序列的IMF重组分量矩阵的各奇异值。5.如权利要求1所述的一种同屏手写输入的智能匹配方法，其特征在于，所述根据x坐标时间序列的IMF重组分量矩阵的各奇异值得到x坐标...

【专利技术属性】
技术研发人员：赵云，谢文迅，孙肖辉，张伟，
申请(专利权)人：北京点聚信息技术有限公司，
类型：发明
国别省市：