手写数学符号的基元识别方法

对手写数学字符的联机识别进行了研究。首先分析９４个常用数学符号的结构，指出这些符号均由１０个基本结构元组成；其次抽取数学符号的三个重要特征：基元矢量、基元之间的位置关系和基元长度矢量并采用了一种基元排序法。同时考虑匹配值和不匹配值以及增加几何约束改进了传统的动态规划匹配方法，并用改进的Ｋｕｈｎ－Ｍｕｎｋｒｅｓ算法求最佳匹配。在对２０人无限制书写的数学符号的识别试验中，正确识别率为９２．５２％，误识率为３．０３％，拒识率为４．４５％．

自然手写汉字笔画和字根的提取

对自然手写体汉字联机识别系统中笔画和字根提取问题作了深入研究 ,提出并改进了有关策略和算法实现。经深入分析和测试结果表明 ,由于充分考虑了自然手写体汉字的书写习惯和结构特征 。

自然手写汉字五笔码识别法

在深入剖析五笔字型键盘输入法编码原则和字根结构基础上 ,结合联机识别技术特点对五笔字根作出适应性改造后 ,提出了一种联机识别自然手写汉字新方法 :五笔码识别法。在构建的识别体系中提出和采用了层间分级技术 ,并提出将键盘输入技术与联机识别技术有机融合 。

自由手写拉丁字母联机识别

:从实用角度出发 ,基于结构分析构建了自由手写体小写拉丁字母联机识别实验系统 ,并提出字元对象组合判别细分类算法。该算法不仅能够压缩细分类代码量数十倍 ,大大降低调试、扩展和维护难度 ,且能在一定程度上补偿训练样本收集不全造成的字典模板不足 ,提高系统正识率 ;此外 ,文中列举了本系统的两级分类特征。

联机方法与脱机方法相结合识别自由手写数字

提出了一种将脱机方法与联机方法有机结合的字符识别方案。将其用于识别自由手写数字时，对5万手写字符的识别率为97.54％，误识率为1．98％，拒识率为0．48％

一个联机识别自然手写汉字的多分类器集成系统

本文提出一种联机识别自然手写体汉字的多分类器集成模型。该模型中 ,我们把依照 0 1、WB和SO特征码设计的不同分类器进行集成 ,综合模式多种全局和局部特征 ,从汉字的多个结构层进行识别。初步实验结果为 ,识别率 98.6 %。

联机手写体汉字识别方法的研究

提出了一种基于笔划的一级分类、笔划特征二级分类的新方法来实现联机手写体汉字的识别。该方法对笔划变形的容忍度大、计算简单。通过两级分类，对国标二级汉字的识别率为９８％以上，不要求笔顺，识别时间短。

基于多级分类器的自由手写数字在线识别

设计了一种用于手写字符在线识别的多级分类器模型。在该模型中，通过对四个独立的分类算法进行集成，将脱机方法与联机方法，神经网络方法与传统方法有机地结合起来构成一个完整的手写字符在线识别系统．理论分析和实验结果表明，该集成系统比单一系统具有明显的优越性。