导读:本文包含了汉字识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:汉字,效应,深度,书法,超图,卷积,损失。
汉字识别论文文献综述
张秀玲,周凯旋,魏其珺,董逍鹏[1]（2019）在《多通道交叉融合的深度残差网络脱机手写汉字识别》一文中研究指出针对传统手写汉字识别特征提取过程复杂,识别率低及通用深度学习分类模型判别能力较弱的问题.本文设计了一种多通道交叉融合的深度残差网络模型并对中心损失函数做出了改进.首先,通过对原始数据集进行预处理来降低模型过拟合的风险;然后,将经本文改进后的中心损失函数和Softmax损失函数联合作为模型训练的监督信号,在训练过程中有效的使数据集类内聚合、类间分散,提高了模型的分类性能;最后,将经过预处理的数据集输入到本文设计的模型中,通过多次训练进行参数调整得到最佳识别效果.在CASIAHWDB-V1. 1数据集上的实验表明本文设计的识别模型及算法有效的提高手写汉字的识别率.(本文来源于《小型微型计算机系统》期刊2019年10期）
贾俣[2]（2019）在《计算机汉字识别和静态手写汉字签名鉴定技术综述》一文中研究指出按照训练、高质量标准进行模仿,分析手写汉字签名的准确检验操作模式和标准。传统的对比方法往往不够得当,采用计算机精确快速的操作方法,可以在短时间内实现静态手写汉字的准确鉴定。静态手写汉字鉴定签名分析过程中,需要根据具体的特征特性内容进行分析,调整具体的描述特征稳定性,分析反应具体的生物效果。这不单是对内容,而是对计算机静态手写汉字的鉴定技术分析。(本文来源于《网络安全技术与应用》期刊2019年10期）
刘军,曾志鸿,吴伟文[3]（2019）在《基于机器视觉技术的社保卡汉字识别研究》一文中研究指出为解决社保卡制卡公司通过人工检测卡片信息效率低的问题,采用了HALCON软件图像处理的方法:首先本地读取社保卡图像,然后利用HALCON平台提供算子对图像进行预处理、图像分割和光学字符识别等步骤,从而识别出社保卡卡面的汉字信息。研究表明,基于HALCON的方法能快速准确地识别出社保卡上的汉字,有效地减少了工作人员的工作量,提高了生产效率,实现了预期目标。(本文来源于《机电工程技术》期刊2019年09期）
潘思园,王永,黄鲁[4]（2019）在《基于FPGA和CNN的汉字识别系统的设计与实现》一文中研究指出近年来,卷积神经网络在图像处理方面得到了广泛应用,然而其存在计算复杂,移动端资源有限,无法存储过多数据、进行大规模计算等缺点。提出一种基于CNN的汉字识别系统的硬件实现方法。在TensorFlow框架下用casia数据集训练出20个常用汉字的CNN网络架构,测试集识别率达98. 36%,并采用卷积核复用、定点化等方法降低资源消耗,在FPGA上搭建优化后的CNN。最后,将摄像头实时采集的图片输入到上述CNN,实现硬件端的汉字识别。实验结果表明,在结构简化、速度相较CPU提高6. 76倍的同时,在FPGA上所构建的CNN达到几乎无损的97. 58%的准确率。(本文来源于《信息技术与网络安全》期刊2019年09期）
马海云,张忠林[5]（2019）在《基于并行遗传算法的古体汉字识别技术研究》一文中研究指出利用计算机技术识别《四库全书》文字的研究起步较晚,本文在分析前人研究成果的基础上,基于并行遗传算法,把古体汉字识别问题表达为一类带约束条件的组合优化问题.运用特征属性进行编码,采用并行遗传算法中的适应度函数优化和迁移策略,较好地改善了搜索性能.实验结果表明:并行遗传算法能有效地提高文字识别质量.(本文来源于《中央民族大学学报(自然科学版)》期刊2019年03期）
刘敏,李赛男,刘妮娜,王正光,闫国利[6]（2019）在《2～5年级小学生汉字识别中预视效应的发展研究》一文中研究指出在阅读时,读者可以获取副中央凹处的词汇信息,副中央凹加工是构成流畅阅读的重要因素。本研究从儿童语言发展的角度,通过3个实验(共534名被试),考察了汉语视觉字词加工中2～5年级学生的字形、语音、语义预视效应。结果发现:(1) 2～5年级小学生均有字形预视效应;(2) 2、3年级学生没有语音预视效应,4、5年级学生有此效应;(3) 2年级学生没有语义预视效应,3、4、5年级学生有此效应。这表明,低水平的视觉信息—字形信息在儿童副中央凹加工中一直稳定地发挥作用;高水平的语言信息—语音和语义信息,随着儿童年级的升高和阅读技能的提升,逐渐地在儿童的副中央凹加工中发挥作用。儿童对汉字各类型信息的获取与使用的发展模式不同于拼音文字阅读发展理论的预测。(本文来源于《心理发展与教育》期刊2019年04期）
魏炳辉,谢晖慧,邓小鸿[7]（2019）在《一种多模型超图用于手写汉字识别算法》一文中研究指出随着银行业提出手填票据自动化处理需求后,对手写汉字的识别技术研究推向新的高潮。由于手写汉字形体复杂多样、训练样本不多,从而导致识别率难以提高。设计一种多模型的超图学习算法来识别手写汉字块,根据训练样本间距离关系构建样本关系阵;以样本的稀疏表示参数为样本间的关系紧密性权重构建另一个样本关系阵;以样本约束法则为基础,以标记样本间的关系权重构建标记样本间的关系阵,融合这几个关系矩阵成为多模型的超图学习框架。通过迭代学习,找出最优的手写汉字块类别归属,在手写汉字块的实验中表现出一定的优势。(本文来源于《计算机应用与软件》期刊2019年07期）
李昂[8]（2019）在《基于深度学习和迁移学习的书法汉字识别系统的研究与实现》一文中研究指出书法汉字识别作为计算机视觉的分支,随着图像数字化技术的发展逐渐为人们所重视,且在书法图像标注、研究名家作品等方面有着不可或缺的价值。然而,书法图像数据的稀缺性、流传时产生的多噪性都给书法识别增加了难度和挑战。与此同时,基于深度学习和迁移学习的图像识别技术凭借识别准确度高、对小数据集泛化能力强等优势跃身为当今计算机视觉领域研究热点。将基于深度学习和迁移学习的图像识别技术与书法汉字图像相结合,以分析书法汉字识别领域的应用需求,采集大量书法单字图像作为数据集,使用迁移学习后的卷积神经网络提取图像高层抽象特征,以完成本课题的书法汉字识别任务。首先,对获取到的书法图像数据集进行数据预处理,以备后期模型训练;其次,对大数据集上训练完成的模型和权重进行迁移,使其对书法图像数据进行高层抽象特征的提取,构建网络模型;最后,根据训练好的网络模型对书法图像算出的识别概率值排序,得到书法识别结果并对其汉字释义、相似书法进行展示。该系统将为书法图像数字化标注或书法作品研究方面带来巨大便利。本文从两方面研究并实现了该书法汉字识别系统:第一:将深度学习中的深度神经网络与迁移学习中的模型迁移思想相结合。在具备大量图像数据集的ImageNet上训练卷积网络得到模型与其对应权重,用该权重初始化相同的模型结构,并使用获取到的书法图像数据集,在MXNet深度学习框架下对网络模型重新进行训练直到网络收敛。不仅能够满足对6,760类汉字、5类书体的识别任务,还比现有书法识别研究在某些指标上具备更高的识别率和实用性。第二:使用上述模型,通过本文创建的书法图像数据集和汉字释义数据集,采用AntDesign+VueJS+Spring+Mybatis架构,搭建起在线书法汉字识别、切分与展示系统。通过该在线系统,更加直观地展现了基于深度学习和迁移学习的书法汉字识别系统的可操作性及其对书法汉字智能识别领域发展的促进作用。同时,基于深度学习和迁移学习的书法汉字识别技术当前正处于起步阶段,本文针对本人在本课题中所完成的工作及其不足进行了总结,并对未来可以更深一步研究的方向进行了思索与展望。(本文来源于《北京邮电大学》期刊2019-06-05）
张晓燕[9]（2019）在《手写字迹对中、高年段发展性阅读障碍儿童汉字识别的影响》一文中研究指出发展性阅读障碍儿童是指智力水平与其他正常儿童并无差别,也不存在神经和病理形态性损伤,同时满足与同龄儿童具备相同的教育背景条件,但是在汉字识别及阅读上无法达到该有的水平。发展性阅读障碍儿童之所以在汉字识别和阅读过程中有所困难,说明他们在汉字识别的整合认知上与正常儿童可能存在着差异。小学中、高年段的儿童一般在9-12岁之间,是阅读能力形成的关键时期,如果儿童存在发展性阅读障碍,则会对儿童在阅读方面的发展造成一定的阻碍,因此本文旨在研究手写字迹对中、高年段发展性阅读障碍儿童汉字识别的影响,为小学教育尤其是发展性阅读障碍儿童汉字识别提出一些教育建议。本文的研究对象为沈阳市W小学中、高年段的学生共99人,其中发展性阅读障碍儿童45人,对照组正常儿童54人,主要采用启动的实验范式,设计不同字迹类型(手写字迹和打印字迹)条件下形似字对、音同字对、义近字对和无关字对四种启动类型,研究手写字迹对中、高年段发展性阅读障碍儿童汉字识别的影响。结果发现:分析对比发展性阅读障碍儿童和正常儿童实验数据,两个类别的数据存在显着性差异,P<0.05;分析对比中年段发展性阅读障碍儿童对各启动类型识别的差异,结果表明各启动类型之间无显着性差异,P>0.05;分析对比高年段发展性阅读障碍儿童对各启动类型识别的差异,结果表明各启动类型之间存在显着性差异,P<0.05;分析对比手写字迹和打印字迹对发展性阅读障碍儿童汉字识别影响的数据,结果表明两种字迹类型的数据存在着显着性差异,P<0.01;不同字迹类型对发展性阅读障碍儿童字音、字义识别的影响有显着性差异,P<0.01。综上所述,本研究得出以下几个结论:1.发展性阅读障碍儿童与正常儿童相比汉字识别能力较弱。中年段发展性阅读障碍儿童对字形、字音、字义的识别均不存在显着性差异;在高年段,与对字形、字音识别的能力相比,发展性阅读障碍儿童字义识别能力较弱。2.手写字迹和打印字迹对儿童汉字识别的影响是存在差异的,手写字迹更利于儿童汉字认知加工,特别是对于发展性阅读障碍儿童来说,手写字迹产生的启动效应更为显着。3.不同字迹类型对发展性阅读障碍儿童汉字字义和字音启动效应的影响存在显着性差异,手写字迹对发展性阅读障碍儿童汉字字音、字义识别的启动效应更为明显。(本文来源于《沈阳师范大学》期刊2019-06-05）
黄洋[10]（2019）在《基于深度学习的脱机手写汉字识别技术研究》一文中研究指出汉字是世界上使用最多的文字,汉字识别在残疾人无障碍阅读、文献自动录入、邮件分拣、银行票据处理、证件识别等领域有着重要的应用价值。汉字数量巨大,手写风格各异,并且汉字中存在大量的形近字,导致脱机手写汉字识别一直存在准确率偏低的问题。近年来,深度学习发展迅速,在模式识别、自然语言处理、语音识别等领域都取得了不错的成绩。因此,本文采用深度学习的方法对脱机手写汉字识别进行研究。针对汉字识别大分类问题,采用深度学习中卷积神经网络的方法对GB2312-80标准中规定的最常用的一级3755个汉字进行识别。典型的卷积神经网络是一个端到端的结构,直接接受原图输入,但却无法学习到相关领域知识。常规卷积操作中,图像对应区域的所有通道均被同时考虑,无形中增加了网络的冗余度。本文对此进行改进,使用图像的八方向梯度特征作为卷积神经网络输入,使用深度可分离的卷积方式进行卷积。最后设计多组卷积神经网络进行实验,在CASIA-HWDB数据集上的实验结果表明,八方向梯度特征输入与深度可分离卷积能够显着提升汉字识别效果,最终取得了95.86%的准确率。针对脱机手写汉字识别中形近字难以识别问题,从两个方面进行改进。方法一,使用卷积神经网络加中心损失的方法对相似手写汉字进行识别。引入度量学习中中心损失函数到卷积神经网络,使用交叉熵损失及中心损失作为卷积神经网络的联合损失,使模型学习到更加具有鉴别能力的特征,减小同类样本之间的距离,增加不同类样本之间的距离。方法二,使用卷积神经网络加支持向量机的方式对相似手写汉字进行识别。将卷积神经网络当作一个特征提取器,使用卷积神经网络全连接层输出的特征向量训练支持向量机分类器,识别相似手写汉字。实验结果表明,使用联合损失函数的方法,及卷积神经网络加支持向量机的方式相对于单独使用卷积神经网络的方式,平均识别准确率能够提升2.68%,1.59%。(本文来源于《重庆邮电大学》期刊2019-06-02）
汉字识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
按照训练、高质量标准进行模仿,分析手写汉字签名的准确检验操作模式和标准。传统的对比方法往往不够得当,采用计算机精确快速的操作方法,可以在短时间内实现静态手写汉字的准确鉴定。静态手写汉字鉴定签名分析过程中,需要根据具体的特征特性内容进行分析,调整具体的描述特征稳定性,分析反应具体的生物效果。这不单是对内容,而是对计算机静态手写汉字的鉴定技术分析。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
汉字识别论文参考文献
[1].张秀玲,周凯旋,魏其珺,董逍鹏.多通道交叉融合的深度残差网络脱机手写汉字识别[J].小型微型计算机系统.2019
[2].贾俣.计算机汉字识别和静态手写汉字签名鉴定技术综述[J].网络安全技术与应用.2019
[3].刘军,曾志鸿,吴伟文.基于机器视觉技术的社保卡汉字识别研究[J].机电工程技术.2019
[4].潘思园,王永,黄鲁.基于FPGA和CNN的汉字识别系统的设计与实现[J].信息技术与网络安全.2019
[5].马海云,张忠林.基于并行遗传算法的古体汉字识别技术研究[J].中央民族大学学报(自然科学版).2019
[6].刘敏,李赛男,刘妮娜,王正光,闫国利.2～5年级小学生汉字识别中预视效应的发展研究[J].心理发展与教育.2019
[7].魏炳辉,谢晖慧,邓小鸿.一种多模型超图用于手写汉字识别算法[J].计算机应用与软件.2019
[8].李昂.基于深度学习和迁移学习的书法汉字识别系统的研究与实现[D].北京邮电大学.2019
[9].张晓燕.手写字迹对中、高年段发展性阅读障碍儿童汉字识别的影响[D].沈阳师范大学.2019
[10].黄洋.基于深度学习的脱机手写汉字识别技术研究[D].重庆邮电大学.2019
论文知识图
