基于笔划特征和MCLRNN模型的联机手写藏文识别

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (14): 91-93.

基于笔划特征和MCLRNN模型的联机手写藏文识别

王维兰¹,陈万军²

1.西北民族大学中国民族信息技术研究院，兰州 730030
2.西安理工大学信息科学系，西安 710048

收稿日期:2007-09-03 修回日期:2007-10-29 出版日期:2008-05-11 发布日期:2008-05-11
通讯作者: 王维兰

MCLRNN model for online handwritten Tibetan character recognition based on stroke characteristics

WANG Wei-lan¹,CHEN Wan-jun²

1.China Minorities Information Technology Institute，Northwest University for Nationalities，Lanzhou 730030，China
2.Department of Information Science，Xi’an University of Technology，Xi’an 710048，China

Received:2007-09-03 Revised:2007-10-29 Online:2008-05-11 Published:2008-05-11
Contact: WANG Wei-lan

摘要/Abstract

摘要： 提出了一种新的多层联系子层递归神经网络（MCLRNN）模型并融合藏文字丁的空间结构特征来进行联机手写藏文识别。改进后的网络结构具有多层联系子层来保留若干时刻的网络内部状态，从而可以更好地表征藏文字的各笔划特征以及笔划间的空间结构关系，同时，采用更适用于模式分类的交叉熵准则和改进的梯度下降算法来训练网络，加快了网络的收敛速度并增强其分类能力。仿真实验取得了令人满意的结果。

关键词: 递归神经网络, 联机手写藏文识别, 交叉熵

Abstract: This paper presents a new type of recurrent neural network called multi context layers recurrent neural network for online handwritten Tibetan character recognition.The new network has a multi context layer，which can keep more states in memory，to better describe stroke characteristics and spatial structure relationships between each stroke.The cross entropy rule and an efficient learning algorithm derived from the gradient descent method are adopted for training the network.The simulation experiment has achieved satisfying results.

Key words: recurrent neural network, online handwritten Tibetan character recognition, cross entropy

王维兰¹,陈万军². 基于笔划特征和MCLRNN模型的联机手写藏文识别[J]. 计算机工程与应用, 2008, 44(14): 91-93.

WANG Wei-lan¹,CHEN Wan-jun². MCLRNN model for online handwritten Tibetan character recognition based on stroke characteristics[J]. Computer Engineering and Applications, 2008, 44(14): 91-93.

[1]	陈小寒，魏书宁，覃正泽. 基于深度学习可视化的恶意软件家族分类[J]. 计算机工程与应用, 2021, 57(22): 131-138.
[2]	张驰，郭媛，黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69.
[3]	张俊芳，周熠烜，周礼刚，肖箭. Pythagorean犹豫模糊交叉熵的多属性决策方法[J]. 计算机工程与应用, 2020, 56(9): 198-203.
[4]	范建平，贾雪飞，吴美琴. 单值三角Neutrosophic交叉熵的TOPSIS方法[J]. 计算机工程与应用, 2020, 56(6): 239-245.
[5]	宋娟. 考虑融合算法与交叉熵的毕达哥拉斯决策模型[J]. 计算机工程与应用, 2020, 56(5): 74-79.
[6]	陈瑶，陈思. 动态权重的蝙蝠算法在图像分割中的应用研究[J]. 计算机工程与应用, 2020, 56(14): 207-215.
[7]	党宏社，陶亚凡，张选德. 基于混合注意力与强化学习的文本摘要生成[J]. 计算机工程与应用, 2020, 56(1): 185-190.
[8]	胡章芳，崔婷婷，罗元，张毅，魏博. 基于CBLSTM算法的脑电信号特征分类[J]. 计算机工程与应用, 2019, 55(24): 110-116.
[9]	戴凤智，魏宝昌，欧阳育星，金霞. 基于深度学习的视频跟踪研究进展综述[J]. 计算机工程与应用, 2019, 55(10): 16-29.
[10]	范建平，闫彦，吴美琴. Pythagorean模糊环境下基于交叉熵和TOPSIS的多准则决策方法[J]. 计算机工程与应用, 2018, 54(16): 146-151.
[11]	耿秀丽，马万元. 考虑未知属性权重的区间直觉模糊VIKOR方法[J]. 计算机工程与应用, 2017, 53(24): 257-262.
[12]	王海坤，伍大勇，刘江，王士进，胡国平，胡郁. 基于时域建模的自动语音识别[J]. 计算机工程与应用, 2017, 53(20): 243-248.
[13]	赵愿1，毛军军1，2. 一种新的区间直觉模糊熵及其应用[J]. 计算机工程与应用, 2016, 52(12): 85-89.
[14]	金飞飞，裴利丹，陈华友，周礼刚. 区间犹豫模糊三角相似度及其多属性群决策[J]. 计算机工程与应用, 2015, 51(4): 41-45.
[15]	朱磊1，吉峰2，白瑞林1. 基于灰度-梯度二维对称Tsallis交叉熵的阈值分割[J]. 计算机工程与应用, 2015, 51(19): 194-199.