本文研究了多类小字符集自适应字符识别技术及系统实现。本项目的背景是基于手写体文字识别技术的铁路轮轴卡片(表格)光电录入系统。在该项目中，需要识别的字符比较多，包括英文大写字母、阿拉伯数字、一些专用符号、部分汉字，这些字符集可能发生变化，要求识别精度比较高。我们在对字符识别技术进行深入研究的基础上，采取了多种技术措施完成了研究任务。 在字符识别技术方面，我们研究了各种神经网络模型在字符识别中的应用原理，经过比较，我们选用多层前向网络作为候选的字符分类器。另一方面，子空间方法和神经网络一样，也是灵活构造字符分类器、实现自适应字符识别的一个有力的工具，具有训练和识别速度快、识别精度高的特点。我们研究了学习子空间方法的原理，对基本学习子空间算法进行了改进，提出了增强的拒识规则，并改进了Oja的子空间维数选择算法。 自动选择合适的特征和特征提取方法是实现自适应字符识别系统的关键之一。传统的字符识别系统的适应能力之所以比较差，就在于人的先验知识在选择特征的过程中影响太大。我们研究的重点在于如何在没有人的先验知识的情况下自动提取合适的字符特征。我们从两个方面研究了字符特征的自动提取的问题。 一个方面是通过学习发现字符的不变特征。我们研究了几种统计特征提取方法，和基于自适应子空间自组织映射(ASSOM)神经网络提取字符的特征提取方法。 关于字符特征提取的另一个方面，从大量的已有特征中选择对该字符集最合适的特征。我们研究了基于粗糙集的字符特征选择方法，对候选特征进行初步选择，去除明显对分类作用不大的特征，并提出了一种快速的粗糙集约简算法。在进行了初步的特征选择后，再利用主分量分析方法对特征进行进一步的降维处理，去除特征间的相关性。 除了上述基于学习的字符识别方法外，我们还对可变形模板字符识别技术进行了研究。可变形模板方法可以解决一些统计和神经网络识别方法不能解决的一些问题，其突出的优点在于能充分利用人对字符形状的先验知识，不需要用大量的字符样本进行训练，它对解决小字符集识 重庆大学博士学位论文别问题具有一定的什值。我在 Michael Revow和 Kwok－Wai Cheung等人的单笔划的数字识别研究的基础上，对他们的方法作了一定改进，将其．应用到多笔划的英文字母的识别上c 在实用系统的研究中，为了提高字符的识别率，我们提出了一种表格描述和智能分析方法，通过表格描述和定义，将较大的字符集按表格w’出肚’v曰H匕／‘”’／＊’山’皿仕状’p’出心’＊儿人”可认八＊‘丁”卞’义从’订 上中不同的填写位置分解为一系列较小的字符集，从而大大提高了识别精度。这是一种非常有效而实用的方法。此外，在我们提出的表格描述和分析方法基础上，我们实现了一套智能表格分割算法，其中包括一种利用表格线的单色表格的快速分割算法c 如果用一个方法固定的宇符程序来识别程序来识别所有这些字符集显然不能得到好的识别效果，我们需要识别系统能根据不同的字符集的特点自动作相应的优化和调整。为了解决多个字符集识别器的设计问题，我们提出井实现了一个能自动根据所要识别的字符集选择最优识别方案的自适应字符识别系统。该系统在传统的神经网络和统计学习方法的基础上，通过一个自适应控制模块，使系统能根据要识别的字符集自动选择合适的识别方案。该模型的主要思想是： 将各种字符特征提取方法和分类器形成一个函数库，我们随时可以对这个函数库进行扩充c自适应控制模块从函数库中按一定的规则选取合适的特征提取函数和分类函数，然后对识别器的参数进行训练；随后用测试字符样本作自动作识别率测试并对测试结果作详细记录，自适应控制模块根据测试结果自动对特征提取和分类器方案作调整，这样大大减轻了设计者的工作量。我们实现了所提出的自适应字符识别系统模型，并在实用中取得了较好的效果c