基于SVM的手写数字识别的应用与实现【文献综述】

《基于SVM的手写数字识别的应用与实现【文献综述】》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、毕业论文文献综述计算机科学与技术基于SVM的手写数字识别的应用与实现引言：支持向量机(SupportVectorMachine，SVM)是由Vapnik于1995年提出的针对分类和回归问题的统计学习理论，是在高维特征空间使用线性函数假设空间的学习系统。近年来，其理论研究和算法实现方面都取得了突破性进展，开始成为克服维数灾难和过学习等传统困难的有力手段。SVM方法具有许多引人注目的优点和极有前途的实验性能,受到了越来越广泛的重视。继神经网络之后，该技术已经成为机器学习研究领域中的新热点，并取得了非常理想的效果，在人脸识别、手写体数字识别和网页分类等领域受到广泛应用。手写体数字识别是手写字符

2、识别的一个重要分支，又可分为在线手写体识别和离线手写体识别。前者识别系统通过记录文字图像抬笔、落笔、字迹上各像素的空间位置，以及各笔段之间的时间关系等信息，对手写体字符进行识别；而后者因为是离线识别，无法获取写字者抬笔、落笔等笔划信息，因此难度更大，但具有广泛的应用空间，如银行票据、工商报表、财务报表等，再如邮件自动分类等都需要对手写体数字进行识别。随着信息化及人工智能的发展，手写数字识别的应用市场已经越来越广泛了。1研究动态5手写数字识别在经过过去几十年的研究发展，取得了很大的成功，识别率在90％以上，但是作为数字识别它需要非常高的识别精度以及效率，因为数字识别的错误所带来的影响非比寻

3、常，比文字识别等其他字符识别所带来的影响更大，尤其在金融、财会领域数字识别的错误所带来的后果更是不可低估。手写体数字识别一直是是多年来的研究热点，具有很广泛的应用范围及很高的商业价值。目前，市场上也出现了许多手写体数字识别系统的产品，在许多实际应用系统(如邮政编码自动识别系统、银行支票自动处理系统等)中都有广泛的应用。显然，高精度，高效率的手写体数字识别器能够提高实际应用系统的整体性能，然而现在还没有哪个手写体数字识别系统能够达到完美的识别效果。因此，进一步提高手写数字识别系统的识别精度和速率是每一位手写数字识别系统研究者的奋斗目标。1929年德国科学家Taushek利用光学模板匹配识别

4、，开创了用机器识别文字符的先河。欧美国家为了将繁琐复杂的材料输入计算机，让其进行信息处理，从50年代就开始了西文光学字符识别(OptiealCharacterRecognition，OCR)的研究，OCR的意思就演变为了利用光学技术对文字和字符进行扫描的识别，转化为计算机内码。1960～70年代，世界各国相继开始了OCR的研究，OCR可以说是一种不确定的技术研究，因为牵扯到书写者的书写习惯，识别的方法，训练测试的样本等因素，都会影响到识别的正确率。其正确率就像一个趋势函数，只能趋近，而不能达到100%，大家都以100%作为研究目标。世界上第一个将该技术付诸实用的是日本东芝公司研发的手写体

5、邮政编码识别的信函自动分拣系统，之后，随着时间的推移，各种各样的产品、系统相继问世。中国对于OCR方面的研究起步相对较晚，直到1989年，清华大学率先推出了国内第一套中文OCR软件——清华文通TH一OCR，至此中国的OCR技术正式起步。随着研究的进展，文字和数字识别市场稳步扩大，用户遍布世界各地。近几年来，中国国内对于手写数字识别的研究还是相当成功的，取得了很大的成绩。手写数字识别技术可以用于邮政编码、统计报表、财务报表、银行票据等信息处理，一旦研究成功并投入应用，将产生巨大的社会和经济效益。总而言之，手写体数字识别技术的研究是一项复杂的系统工程，虽然已经经过了20多年的研究和发展，但是

6、在识别精度和速率上仍然很难符合实际应用的要求，仍然需要相关的研究工作者一起努力研发，可谓任重道远。随着人工智能、心理学和计算机科学等学科的融合交叉发展，以及应用市场需求的推动，手写数字识别技术将会取得更进一步的发展。2SVM（支持向量机）简介2.1SVM（支持向量机）的特点支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力即对特定训练样本的学习精度和无错误地识别任意样本的能力之间寻找最佳的折衷，来获得最佳推广能力。它的主要优点有：（1）非线性映射是SVM方法的理论基础,SVM将输入空间中的非线性问题通过引用核函数映射到高维

7、特征空间，然后在高维空间中构造线性函数以作判别。5（2）对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心，SVM算法可最终转化为凸优化问题,因而可保证算法的全局最优性,避免了神经网络无法解决的局部极值问题。（3）支持向量机是基于结构风险最小化的原则,保证了学习机器具有良好的泛化能力。（4）SVM是一种有坚实理论基础的新颖的小样本学习方法。它能够自动识别出训练集中的一个子集，此子集基本上可以代表训练集中