人工免疫系統(tǒng)在手寫希臘字符識(shí)別中的應(yīng)用
人工免疫系統(tǒng)在手寫希臘字符識(shí)別中的應(yīng)用
摘 要:基于自然免疫系統(tǒng)的人工免疫系統(tǒng)是人工神經(jīng)網(wǎng)絡(luò)和進(jìn)化計(jì)算之后的新型計(jì)算智能,以其強(qiáng)大的信息處理和問題解決能力被廣泛應(yīng)用到眾多領(lǐng)域。本文提出了基于人工免疫系統(tǒng)的手寫希臘字符識(shí)別策略并進(jìn)行了實(shí)驗(yàn)仿真。利用3*3子網(wǎng)格算法對(duì)24*24字符圖像樣本提取64個(gè)特征參數(shù),通過人工免疫算法訓(xùn)練圖像樣本,建立24個(gè)抗體庫用于識(shí)別手寫希臘字符。另外,利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,人工免疫系統(tǒng)模型在手寫希臘字符識(shí)別中較BP神經(jīng)網(wǎng)絡(luò)具有更大的優(yōu)勢(shì)。
模式識(shí)別 人工免疫系統(tǒng) BP神經(jīng)網(wǎng)絡(luò) 子網(wǎng)格
1 引言
希臘字母廣泛應(yīng)用于數(shù)學(xué)、物理、生物和天文學(xué)中,手寫希臘字母的識(shí)別對(duì)于手寫公式識(shí)別是非常重要的。然而,目前手寫識(shí)別的相關(guān)研究主要集中在數(shù)字、英文字符、中文字符、阿拉伯字符的手寫識(shí)別中,手寫希臘字母還沒有很好的識(shí)別算法。因此,它的研究具有重要的理論和實(shí)踐價(jià)值。
人工免疫系統(tǒng)是基于脊椎動(dòng)物免疫系統(tǒng)處理過程的計(jì)算系統(tǒng),通過改變系統(tǒng)結(jié)構(gòu)和函數(shù)增強(qiáng)其適應(yīng)性。免疫算法應(yīng)用了免疫系統(tǒng)的學(xué)習(xí)和記憶特征,因此廣泛用于解決數(shù)學(xué)、工程、信息技術(shù)等領(lǐng)域的計(jì)算問題。
本文將人工免疫系統(tǒng)用于識(shí)別手寫希臘字符識(shí)別并取得了較好的效果。
2 手寫希臘字符預(yù)處理
預(yù)處理是字符識(shí)別重要過程,有助于特征提取、提高識(shí)別正確率和識(shí)別效率。
本文對(duì)24個(gè)手寫希臘字母進(jìn)行了初步識(shí)別。1680個(gè)原始字符圖像由70個(gè)學(xué)生完成,即每個(gè)字符類別為70個(gè)樣本。
預(yù)處理被應(yīng)用于圖像樣本以消除與字符分類不相關(guān)因素的影響。首先,利用3*3 KNN 平滑濾波器進(jìn)行去噪,使圖像的特征信息更加突出。其次,對(duì)手寫圖像樣本進(jìn)行歸一化。歸一化方式包括位置、大小和灰度,使用線性拉伸與壓縮算法,將字符圖像歸一化為24*24。歸一化后,利用Pavlidis 算法盡可能地將字符比劃的寬度降低到一個(gè)像素。最后,使用閾值算法將圖像進(jìn)行二值化。
3 手寫希臘字符特征提取
目前存在很多圖像特征提取方式,提取方式的選擇對(duì)于識(shí)別效果是至關(guān)重要的。本文采用了網(wǎng)格特征提取用于手寫希臘字符識(shí)別。
網(wǎng)格特征廣泛應(yīng)用于字符識(shí)別。網(wǎng)格有兩種應(yīng)用方式:彈性網(wǎng)格和固定網(wǎng)格。對(duì)于固定網(wǎng)格,字幅圖像被分割為多個(gè)固定大小的子網(wǎng)格。彈性網(wǎng)格中,根據(jù)像素分布概率動(dòng)態(tài)決定網(wǎng)格線的位置,該方式被廣泛應(yīng)用于漢字識(shí)別。
本文采用固定網(wǎng)格進(jìn)行特征參數(shù)的提取,子網(wǎng)格的大小分別為2*2、3*3 和 4*4,并進(jìn)行了編程實(shí)驗(yàn)測(cè)試。根據(jù)實(shí)驗(yàn)結(jié)果、AIS的自適應(yīng)性、學(xué)習(xí)能力和計(jì)算效率,3*3子網(wǎng)格被用于特征提取更有利于實(shí)現(xiàn)字符分類,即使用3*3子網(wǎng)格從左到右、從上到下對(duì)24*24二進(jìn)制手寫字符圖像進(jìn)行掃描,系數(shù)即為3*3網(wǎng)格內(nèi)的像素值之和,由此可得到64個(gè)特征系數(shù)。圖1即為從α、β、ε、Ψ和φ的350個(gè)字符樣本中隨機(jī)抽取的5個(gè)字符樣本的64個(gè)特征系數(shù)。圖a為在灰度值小于128時(shí)像素值為1、否則為0的二值化后子網(wǎng)格內(nèi)像素值的累加,圖b則為在灰度值小于128時(shí)像素值為0、否則為1的二值化后子網(wǎng)格內(nèi)像素值的'累加。
由圖可知,以灰度值小于128時(shí)像素值為1、否則為0的二值化后的3*3子網(wǎng)格提取的64個(gè)系數(shù)可較好地實(shí)現(xiàn)字符分類。
4 基于AIS的手寫希臘字符識(shí)別
基于AIS的手寫希臘字符識(shí)別中,經(jīng)人工免疫算法訓(xùn)練,可得到24個(gè)字符識(shí)別模式庫,即抗體庫。抗體和抗原由源自3*3子網(wǎng)格的64個(gè)特征系數(shù)構(gòu)成,抗體是AIS訓(xùn)練樣本,抗原是需要識(shí)別的字符。所有的抗體庫都可用于識(shí)別輸入樣本。
4.1 親和度函數(shù)
抗體與抗原的親和度函數(shù)描述的是兩者的匹配性,親和度與它們的距離成反比。本文將歐氏距離的倒數(shù)被定義為親和度函數(shù)。
抗體之間的親和度函數(shù)指的是抗體之間的相似性,表明抗體的多樣性。其親和度函數(shù)同上。
4.2 利用人工免疫算法構(gòu)建抗體庫
模擬生物免疫系統(tǒng)的抗體與抗原識(shí)別關(guān)系的人工免疫算法用于建立抗體庫以識(shí)別手寫希臘字符。每個(gè)分類庫的建立步驟如下:
步驟1初始化:從每個(gè)字符類別的70個(gè)樣本中隨機(jī)抽取50個(gè)樣本作為抗原和抗體,其中,20個(gè)為初始抗體庫A,30個(gè)為抗原集;剩余的樣本用于測(cè)試。最大重復(fù)步數(shù)為50。
步驟2 親和度計(jì)算、交叉與變異概率的確定:依據(jù)定義的親和度函數(shù),抗體與抗原、抗體與抗體的親和度分別計(jì)算出來。由于抗體庫中的兩個(gè)抗體不可能完全匹配,因此親和度不可能為1。如果親和度為1,一個(gè)抗體必須被剔除,重新選擇抗體補(bǔ)充到抗體庫中。如果抗體與相似字符的抗原的平均親和度大于設(shè)定的閾值,該抗體就會(huì)被刪除,新樣本就會(huì)被隨機(jī)選擇作為新的抗體以提高相似字符識(shí)別的正確率。
交叉與變異概率和抗體、抗原的親和度有關(guān)。親和度越高,概率則越低。大概率將加速親和度成熟,而低概率則有助于防止良好抗體中單一重要基因的丟失。因此,采用動(dòng)態(tài)策略決定交叉與變異概率以提高運(yùn)算效率和準(zhǔn)確性。
步驟3 克隆算子:20個(gè)抗體子代通過克隆、交叉、變異獲得。
抗體克隆的規(guī)模與抗體與抗原、抗體與抗體的親和度有關(guān),其隨著抗體間相似度的降低、抗體與抗原相似度的增加而增大,動(dòng)態(tài)策略被用于設(shè)定克隆規(guī)模。20個(gè)克隆子代通過克隆得到。
交叉操作在一個(gè)克隆子代的所有抗體中執(zhí)行。不同子代的抗體采用不同的交叉概率。交叉概率越高,執(zhí)行的交叉操作越多;反之,相應(yīng)的操作越少。另外,相對(duì)目標(biāo)抗體而言,具有更高的親和度的抗體通常被用來與目標(biāo)抗體執(zhí)行交叉操作,每個(gè)交叉操作如下:
Two antibodies are selected from the different clone descendants and c1 is the object antibody.
從子代中任選兩個(gè)抗體,c1為目標(biāo)抗體,
c1={x1, x2…xj-1, xj, xj+1…..x64}
c2={y1, y2…yj-1, yj, yj+1…..y64}
隨機(jī)選擇一個(gè)位置 j進(jìn)行交叉操作,ci 轉(zhuǎn)換為di。
版權(quán)聲明:本文內(nèi)容由互聯(lián)網(wǎng)用戶自發(fā)貢獻(xiàn),該文觀點(diǎn)僅代表作者本人。本站僅提供信息存儲(chǔ)空間服務(wù),不擁有所有權(quán),不承擔(dān)相關(guān)法律責(zé)任。如發(fā)現(xiàn)本站有涉嫌抄襲侵權(quán)/違法違規(guī)的內(nèi)容, 請(qǐng)發(fā)送郵件至 yyfangchan@163.com (舉報(bào)時(shí)請(qǐng)帶上具體的網(wǎng)址) 舉報(bào),一經(jīng)查實(shí),本站將立刻刪除