Abstract
文字辨認是人工智慧及樣形識別中的一個是目．雖然，它是一個很難的題目；但同時，它亦是一個很有趣及有用的題目．在我們這個世界之中充滿了許多使用到文字辨認的事情，例如：郵政地址區別，文件翻譯，銀行中的卬章鑑定等．其中都或多或少的用到了文字辨認的技巧，若果我們可以開發一些能應用於上述情況的文字；辨認系統，則可提高整體的生產力．在辨認卬刷體的文字方面的技術，已經發展至接近成熟階段，市面上亦可看到許多這方面的產品．但在處理手寫中文的辨認系統方面，則暫時仍只是在起步階段而已．文字辨認系統的困難在於，人類本身自己也不完全明白人類是如何辨認所見到的文字．因以，在解決文字辨認方面的問題時，不能用解決數學或邏輯問題時所用的方法－－設計〞演算法〞（algorithm） 來解決所遇到的問題，因為我們並不知道辨認文字的〞演算法〞．一般我們用在文字辨認的方法有三種．第一為統計法，假定可以用一些機率分佈函數來表示不同的字，借由訓練樣本中求得函數的參數；如常態分佈中的〞mean”與”variance”．然後在辨認時求取辨認樣本屬於不同字的機率，取最大的機率所屬的字類為分辨的類．第二為結構法，主要用於on-line 系統，以文字的結構特徵為主，如文字的筆劃數，筆劃之間的角度關係等．以後發展一套〞文法〞來表示不同的字，如：只有二筆，而二筆間之角度接近１８０度，則為〞二〞字．第三種為類神經網路法，借為數學模型，模擬人類大腦的結構，使之具有人類在處理抽像資料的能力．這也是本篇論文所使用的方法．本篇論文所處理的文字是以低解析度的off-line輸入圖形為主．由於電腦在處理低解析度的影像時有較佳的效率，如圖文分割，影像前處理等．因此，如果電腦能有效的辨認低解析度文字，則可提高系統的效能．本文所建議的系統架構能有效的辨認低解析度文字，雖然系統現時所能辨認的字數只有六十三字，但可借由更改系統所使的類神經網路的增加辨認字數，而這也是一值得再深入探討的課題．