用于字符和数字识别的若干分类方法的比较研究:实验结果

计算机科学 ›› 2015, Vol. 42 ›› Issue (Z6): 102-106.

用于字符和数字识别的若干分类方法的比较研究:实验结果

陈蔼祥

广东财经大学数学与统计学院广州510320

出版日期:2018-11-14 发布日期:2018-11-14
基金资助:
本文受国家自然科学基金(60773201),广东省自然科学基金(10451032001006140),广州市科技和信息化局应用基础研究项目(10C12140131),广东省教育厅普通高校育苗工程(LYM10081)资助

Comparison of Several Classification Approaches to Digit and Letter Recognition:Experimental Results

CHEN Ai-xiang

Online:2018-11-14 Published:2018-11-14

摘要/Abstract

摘要： 分类问题是机器学习领域中的一个重要问题。给出了数字0-9的图象和26个英文大小写的图象格式的训练数据,对SVM、NB、RT、MLP、BOOST、Knearst 6种分类器的分类性能进行了测试和评估。实验结果表明,性能表现排名前3的分类器为SVM、NB、MLP。SVM具有更好的泛化能力,而NB和MLP对训练集的变化更为敏感；并且基于SVM方法的分类系统对字符和数字的识别精度达到94.2191%,高于现有文献的结果,系统识别性能具有更全和更准确的特点。

Abstract: Classification is an important problem in machine learning.This paper built several image datasets consisting of ten digits and 26 upper case and 26 lower case english letter to evaluate the performace of six classifiers,SVM(Support Vecter Machine),NB(Nave Bayes),RT(Random Tree),MLP(Multi Layer Perception),BOOST,Knearest.Experimental results show SVM has better generalization ability,while NB and MLP are more sensitive to datasets.In addition,the recognition accuracy of our system based on SVM reaches to 94.2191%,which is better than many publicly reported results in the literature.

Key words: Machine learning,Classifier,Dataset,Performance comparsion,Recognition accuracy

陈蔼祥. 用于字符和数字识别的若干分类方法的比较研究:实验结果[J]. 计算机科学, 2015, 42(Z6): 102-106. https://doi.org/

CHEN Ai-xiang. Comparison of Several Classification Approaches to Digit and Letter Recognition:Experimental Results[J]. Computer Science, 2015, 42(Z6): 102-106. https://doi.org/

参考文献

[1] Fox M,Long D.PDDL2.1:An Extension to PDDL for Expressing Temporal Planning Domains[J].Journal of Artificial Intelligence Research(JAIR),2003,20:61-124
[2] 双小川,张克.基于统计和结构特征的手写数字识别研究[J].计算机工程与设计,2012(4):1533-1537
[3] 陈军胜.组合结构特征的自由手写体数字识别算法研究[J].计算机工程与应用,2013(5):179-184,194
[4] 杜文龙,毛学军.手写识别技术在网上阅卷系统中的应用[J].电脑学习,2010(1):14-16
[5] 赵健,张冬泉.基于OpenCV的数字手势识别算法[J].计算机应用,2013(S2):193-196
[6] 陶胜.邮政编码手写体的快速识别[J].电脑编程技巧与维护,2010(23):55-58
[7] 姜映映,敖翔,田丰,等.基于语音和笔的手写数学公式纠错方法[J].计算机研究与发展,2009(4):689-697
[8] 马婉婕,孙虎元,孙立娟,等.基于神经网络集成的手写识别系统[J].计算机应用与软件,2009(8):5-7,44
[9] 郭星,吴建国,张义超,等.基于汉字骨架手写识别算法分析[J].计算机技术与发展,2009(7):114-116
[10] 陈胤子.手写识别算法研究及在移动平台上的应用[D].北京:北京邮电大学,2011
[11] 敖翔,王绪刚,戴国忠,等.基于多通道融合的连续手写识别纠错方法[J].软件学报,2007(9):2162-2173
[12] 李峰.汽车牌照自动识别系统的研究[D].吉林:吉林大学,2014
[13] 薛丹.车牌识别系统的算法研究[D].西安:西安电子科技大学,2013
[14] 王西颖,戴国忠,张习文,等.基于HMM-FNN模型的复杂动态手势识别[J].软件学报,2008(9):2302-2312
[15] 商琳,王金根,姚望舒,等.一种基于多进化神经网络的分类方法[J].软件学报,2005(9):1577-1583
[16] 陈宇,郑德权,赵铁军.基于Deep Belief Nets的中文名实体关系抽取[J].软件学报,2012(10):2572-2585
[17] 王宪保,周德龙,王守觉.基于仿生模式识别的构造型神经网络分类方法[J].计算机学报,2007(12):2109-2114
[18] Cortes C,Vapnik V.Support-Vector Networks[J].Machine Learning,1995,20(3):273-297
[19] Vapnik V,Golowich S E,Smola A J.Support Vector Method for Function Approximation[C]∥Regression Estimation and Signal Processing.NIPS,1996:281-287
[20] 谢娟英,谢维信.基于特征子集区分度与支持向量机的特征选择算法[J].计算机学报,2014(8):1704-1718
[21] 陈耀东,李仁发,李实英,等.面向目标检测与姿态估计的联合文法模型[J].计算机学报,2014(10):2206-2217
[22] 王双成,杜瑞杰,刘颖.连续属性完全贝叶斯分类器的学习与优化[J].计算机学报,2012(10):2129-2138
[23] 王爱平,万国伟,程志全,等.支持在线学习的增量式极端随机森林分类器[J].软件学报,2011(9):2059-2074
[24] 刘进华.基于随机森林的语音情感识别研究[D].广州:华南理工大学,2013
[25] 张著英,黄玉龙,王翰虎.一个高效的KNN分类算法[J].计算机科学,2008(3):170-172
[26] 查宇飞,楚瀛,王勋,等.一种基于Boosting判别模型的运动阴影检测方法[J].计算机学报,2007(8):1295-1301
[27] Bache K,Lichman M.UCI Machine Learning Repository [M].Irvine,CA:University of California,School of Information and Computer Science,2013
[28] LeCun Y,Institute C,Yu N,et al.Microsoft Research,Red-mond.THE MNIST DATABASE ofhandwritten digits.http://yann.lecun.com/exdb/mnist/
[29] Pham D V.Online Handwriting Recognition Using Multi Convolution Neural Networks.Simulated Evolution and Learning[J].Lecture Notes in Computer Science,2012,7673:310-319
[30] Pham V D.Online handwriting recognition using multi convolution neural networks.http://www.codeproject.com/Articles/523074/Online-handwriting-recognition-using-multi-convolu,2013

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed