馬可夫語言模式于手寫中文辨識之應用

Abstract

在這篇論文中，我們提出一套兩階段手寫中文辨識系統。第一個階段是用來作候選 字的選取，第二階段則是一個上下文後處理器，它具有一個建立在詞類 (part-of- speech, POS)層次上的二階馬可夫語言模式(trigram Markov language model) 。 在侯選字選取階段，一個中文字首先被水平地分成10個掃描區域，使得該中文字落 在每個區域的黑點數相同；在垂直方向亦作同樣劃分；然後，我們從每個區域抽取 出３種統計性的特徵(feature)：CNT、PBA 及CLL ，形成一個60維度的特徵向量， 用來代表該中文字。一個架構於city block距離測量法之上的特徵比對法被用來選 取Ｎ個最近距離的字元作為輸入字元的候選字集。為求實用性，我們所建立的參考 字元庫包括了常用的5401個中文字。在第二個階段，上下文後處理器被用來從輸入 中文句的每個候選字集中找出最可能正確的字；此後處理器首先為輸入的中文句建 構一個多階段詞類轉換圖形(multi-stage POS transition graph)，然後，應用動 態規劃法(dynamic programming) 與三詞類組上下文機率 (tri-POS contextual probability)，從轉換圖形中由輸入中文句的各候選字集所組成的所有可能的句子 之中，找出一個其詞類句型具有最高可能性的句子；所使用的三詞類組上下文機率 是從一個已經標好詞類的語料庫估計得到的。由於辭典中詞彙的不足，可能使多階 段詞類轉換圖形中無完整的句子存在，導致無法找出具有最高可能性的句子；在這 篇論文中，我們提出一個方法來解決這個問題。