類神經網路上之循序分類模式

Abstract

類神經網路以其平行化計算、分散式處理的特性及優越的容錯能力，而被廣泛地應用 在許多研究領域。在本論文中，我們利用類神經網路作循序分類的理論研究及高雜錯 度(noise) 的印刷體中文字辨識。 第一部分：在諸多類神經網路中，單層式網路(single-layer perceptron) 和多層式 網路(multi-layer perceptron)在監督性學習(supervised learning) 問題上最具有 代表性和普遍性。然而無論將上述何者訓練成為分類器(classifier)，都存在一些對 分類不重要的節點(node)。雖然較大的網路通常有較快的學習速率，卻也相對地增加 了學習後的辨識及再學習的計算復雜度(computational complexity)。在本論文中， 提出了一套建構於類神經網路上的循序分類(sepuential classification) 模式，我 們將證明這套結合了類神經網路優點及循序分類特性的模式，對於網路的縮減(net p runing) 及特征數目的減少(feature reduction) ，有相當良好的結果。 在實驗上，我們實作了分二類(two-classes) 及分多類(multi-classes) 的問題，以 辨識率及網路大小所達成的平衡來證明所提方法之實用性。而在結論中，我們探討了 所提之模式并與先前相關研究作了技術上的比較。 第二部分：印刷體中文字的識別一般而言已有相當不錯的成果。然而對於容錯的能力 (fault tolerance) 卻十分有限，特別是那些筆劃復雜的相似字，這種現象更為明顯 因此我們使用類神經網路針對部分相似中文字作研究。實驗的範圍是三十個以門為部 首的中文字，經九宮格的切割，再以瓦許函數(Walsh Functions) 抽取特征(extract features) ，無需經細線化(thinning)的耗時程序。在利用類神經網路學習過無雜錯 (noisefree) 的訓練樣本(training samples)之後，我們又依序地將分類錯誤的字施 予再學習(relearning)，如此一來非但可增進分類器(classifier)的堅韌度(robustn ess)，也相對地提高了整體的辨識率(recognition accuracy)。