基于優化GDTW-SVM算法的聯機手寫識別
加入技術交流群
4 實驗結果與分析
本文主要針對阿拉伯數字樣本集和英文字母樣本集進行識別實驗，阿拉伯數字樣本集、英文小寫字母樣本集和英文大寫字母樣本集分開識別。實驗環境是Matlab R2010a，所使用的SVM工具包是Matlab SVM Toolbox。
分類實驗采用Leave-One-Out的交叉驗證策略：依次從樣本集中取出一個字符的訓練樣本標記為第一類，將剩余字符的訓練樣本標記為第二類，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。
使用未優化GDTW-SVM重復分類識別10次，取10次實驗結果的平均值作為未優化GDTW-SVM的識別結果；其次，優化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化GDTW-SVM的識別結果，最終取三組識別結果中的最優識別結果作為優化GDTW-SVM的識別結果；以上實驗中，γ=1．9。本文引用地址：http://cqxgywz.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。優化后的GDTW-SVM和未優化的GDTW-SVM的實驗結果對比顯示：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，訓練時間減少13～25％、測試時間減少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最優對齊路徑的計算空間，然后構造GDTW-SVM分類器。實驗結果表明，優化后的GDTW-SVM分類器的識別率與未優化的分類器的識別率基本相同；同時，支持向量數目減少，計算時間有13％～39％的減少，有利于GDTW-SVM分類器的聯機手寫識別的應用和推廣。
評論