基于優(yōu)化GDTW-SVM算法的聯(lián)機手寫(xiě)識別
加入技術(shù)交流群
4 實(shí)驗結果與分析
本文主要針對阿拉伯數字樣本集和英文字母樣本集進(jìn)行識別實(shí)驗，阿拉伯數字樣本集、英文小寫(xiě)字母樣本集和英文大寫(xiě)字母樣本集分開(kāi)識別。實(shí)驗環(huán)境是Matlab R2010a，所使用的SVM工具包是Matlab SVM Toolbox。
分類(lèi)實(shí)驗采用Leave-One-Out的交叉驗證策略：依次從樣本集中取出一個(gè)字符的訓練樣本標記為第一類(lèi)，將剩余字符的訓練樣本標記為第二類(lèi)，用標記后的訓練樣本訓練GDTW-SVM；使用樣本集中的所有測試樣本測試GDTW-SVM的識別率。
使用未優(yōu)化GDTW-SVM重復分類(lèi)識別10次，取10次實(shí)驗結果的平均值作為未優(yōu)化GDTW-SVM的識別結果；其次，優(yōu)化GDTW-SVM的參數(K，τ)分別取(0．2，0．5)、(0．2，0．2)和(0．5，0．5)，分別重復分類(lèi)識別10次且取10次識別結果的平均值作為使用該組參數的優(yōu)化GDTW-SVM的識別結果，最終取三組識別結果中的最優(yōu)識別結果作為優(yōu)化GDTW-SVM的識別結果；以上實(shí)驗中，γ=1．9。本文引用地址：http://dyxdggzs.com/article/193871.htm
表1是阿拉伯數字和英文字母的識別結果對比。其中，英文字母數目較多，因此，僅給出平均識別結果。優(yōu)化后的GDTW-SVM和未優(yōu)化的GDTW-SVM的實(shí)驗結果對比顯示：參數k和τ的引入不僅使字符識別的錯誤率基本保持不變，同時(shí)，訓練時(shí)間減少13～25％、測試時(shí)間減少29～39％、支持向量的數目也減少3．0～7．6％。
5 結論
本文提出了在GDTW核函數中引入參數k和τ，約束GDTW最優(yōu)對齊路徑的計算空間，然后構造GDTW-SVM分類(lèi)器。實(shí)驗結果表明，優(yōu)化后的GDTW-SVM分類(lèi)器的識別率與未優(yōu)化的分類(lèi)器的識別率基本相同；同時(shí)，支持向量數目減少，計算時(shí)間有13％～39％的減少，有利于GDTW-SVM分類(lèi)器的聯(lián)機手寫(xiě)識別的應用和推廣。
評論