1引言随着社会信息化的不断发展,手写阿拉伯数字的自动识别问题逐步引起了相关领域探讨人员的密切关注,在办公自动化、邮政地址自动识别、银行支票识别等领域的潜在运用前景十分广阔[1]。手写阿拉伯数字识别问题可以归结为一种有监督学习问题,即希望能够从给定的样本特征集中学习到分类所需要的知识或信息,从而构建决策曲面。例如,基于模式学习自适应函数神经网络的手写字体识别措施[2],基于广义回归神经网络和遗传算法相结合的措施[3],基于隐马尔可夫随机模型的措施[1,4],以及本文作者在前期探讨中提出的基于混淆交叉的支持向量机树学习模型(CSVMT)也可实现手写阿拉伯数字的识别[5]。这些识别措施所面临的共同问题是:学习或训练的结果能否最佳描述手写阿拉伯数字样本集中包含的关键知识,而这些关键知识则包含在各维特征中。由于无法先验地指定一种最佳特征组合,以实现手写阿拉伯数字识别问题空间的最佳描述,而冗余的特征往往会意外增加学习算法刻画问题空间的复杂度,构成“维度灾难”[6],进而降低学习的效率,且可能增加学习模型复杂度[7],最终作用手写阿拉伯数字的识别效率和精确度。就CSVM......(论文页数是：6页) ，阿拉伯语论文网站，阿拉伯语论文网站 |
