- 相關(guān)推薦
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(guò)人工免疫算法訓(xùn)練圖像樣本，建立24個(gè)抗體庫(kù)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)。
【關(guān)鍵詞】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(guò)程的計(jì)算系統(tǒng)，通過(guò)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(guò)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(kù)，即抗體庫(kù)�？贵w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(kù)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(kù)
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(kù)以識(shí)別手寫希臘字符。每個(gè)分類庫(kù)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(kù)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(lái)。由于抗體庫(kù)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(kù)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(guò)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(guò)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(lái)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。
d1={x1，x2…，xj，yj+1…..y64}，
20個(gè)交叉子代通過(guò)交叉操作獲得。
交叉操作之后，多點(diǎn)變異操作以相同的變異概率在同一個(gè)交叉子代中進(jìn)行變異操作，不同的交叉子代具有不同的變異概率，變異操作為某一抗體的隨機(jī)特征系數(shù)隨機(jī)比特單點(diǎn)按位邏輯變異。變異概率越高，執(zhí)行變異的特征系數(shù)越多;反之，越少。在變異操作之后，獲得了20個(gè)變異子代。
步驟4 重新計(jì)算20個(gè)變異子代的抗體與抗原的親和度。
步驟5 克隆選擇：在克隆選擇中，從變異子代中選擇最好的個(gè)體去替代初始抗體，從而形成新的抗體群。如果變異子代的抗體與抗原的親和度大于來(lái)自于抗體庫(kù)A的ai抗體的親和度，ai就會(huì)被新抗體替代，形成下一代抗體庫(kù)A(k+1)。
步驟6 重復(fù)上述步驟，直到50次算法結(jié)束;否則將返回到第二步。
5 實(shí)驗(yàn)結(jié)果
由50個(gè)學(xué)生完成的33個(gè)字符類別的1650個(gè)字符樣本用于字符識(shí)別。針對(duì)每個(gè)字符類別，隨機(jī)選擇20個(gè)樣本作為抗體庫(kù)，30個(gè)作為抗原，20個(gè)用于測(cè)試。本文還利用BP神經(jīng)網(wǎng)絡(luò)做了對(duì)比實(shí)驗(yàn)。表1列示了AIS和BP網(wǎng)絡(luò)的平均識(shí)別正確率。根據(jù)實(shí)驗(yàn)結(jié)果，AIS的字符識(shí)別平均正確率要優(yōu)于BP網(wǎng)絡(luò)。另外，人工免疫系統(tǒng)較BP網(wǎng)絡(luò)具有更高的靈活性。如果現(xiàn)行的網(wǎng)絡(luò)無(wú)法識(shí)別新樣本，對(duì)于AIS只需要對(duì)新樣本的抗體進(jìn)行訓(xùn)練后添加到現(xiàn)行的抗體庫(kù)中即可;然而，對(duì)于BP網(wǎng)絡(luò)，所有的新舊樣本必須進(jìn)行重新訓(xùn)練以獲得新的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和權(quán)重系數(shù)。
6 結(jié)論
本文提出了一種新的手寫希臘字符識(shí)別系統(tǒng)，免疫算法被用于構(gòu)建字符分類器。實(shí)驗(yàn)結(jié)果表明該算法可實(shí)現(xiàn)希臘字符準(zhǔn)確分類。
作為一種新型的識(shí)別方式，需要更深入的研究以提高在實(shí)踐中應(yīng)用能力，包括增加訓(xùn)練樣本量、圖像描述標(biāo)準(zhǔn)化及系數(shù)優(yōu)化。隨著上述因素的不斷改進(jìn)，該識(shí)別系統(tǒng)將會(huì)逐步優(yōu)化。
參考文獻(xiàn)
[1]J.D.Farmer，N.Packard and A.Perelson， (1986)"The immune system，adaptation and machine learning"，Physica D， vol.2，pp.187-204.
[2]D.Dasgupta (Editor)，Artificial Immune Systems and Their Applications， Springer-Verlag，Inc. Berlin，January 1999，ISBN 3-540-64390-7.
[3]V.Cutello and G.Nicosia(2002) "An Immunological Approach to Combinatorial Optimization Problems" Lecture Notes in Computer Science， Springer vol.2527，pp.361-370.
[4]L.N.de Castro and F.J.Von Zuben，(1999)"Artificial Immune Systems：Part I -Basic Theory and Applications"，School of Computing and Electrical Engineering，State University of Campinas，Brazil，No. DCA-RT 01/99.
[5]A lessand ro V in ciarell.i A Survey on Off-line Cursive Word，Recognition[J].Pattern Recognition，2002(35)：1433-1446.
[6]Trie O D，J ain A K，Taxt T.Feature Extraction Methods for Character Recognition-A Survey[J].Pattern Recognition，1996，29(4)：6412662.
[7]Gonzalez RC，Woods RE，"Digital image processing"，312-315，1992.
[8]Hecht-Nielson，R，"Theory of the back propagation Neural Network"，In Proceedings of the International Joint Conference on Neural Networks， 593-611，1989.
【人工免疫系統(tǒng)在手寫希臘字符識(shí)別中的應(yīng)用】相關(guān)文章：
手寫簽名技術(shù)在銀行無(wú)紙化業(yè)務(wù)中的應(yīng)用研究09-03
線條在面塑中的應(yīng)用07-14
人工智能算法在自動(dòng)化控制中的應(yīng)用05-30
稀土在電鍍中的應(yīng)用分析09-17
ERP在LNG工廠中的應(yīng)用10-30
沉井施工在工程中的應(yīng)用10-08