Abstract
本論文提出一使用類神經網路辨識手寫中文字的方法。在本方法中，包括影像細線化、結構性特徵抽取、及文字分類等辨識中文字所需的所有處理步驟均由類神經網路處理。整個系統包含幾個互相連接的類神經網路。首先將一手寫中文字影像輸入一細線化類神經網路進行細線化。接著，將細線化結果送入一特徵抽取類神經網路，進行結構性特徵抽取。最後，由一文字辨識類神經網路利用這些結構性特徵及其位相關係，對所輸入之手寫中文字作辨識。除了這些類神經網路外，本論文並提出一單迴平行細線化演算法 OPPTA。本論文共提出三個細線化類神經網路，這三個類神經網路均植基於單迴平行細線化演算法 OPPTA。此細線化演算法利用樣型比對將物體的邊緣點一層一層地剝離，來產生一完美八連接、不受雜訊影響、且無過度剝離現象之細線化結果。因此一演算法在單一輪迴(pass)中就將所有的邊緣點一次剝離，故可直接依其設計產生細線化類神經網路。以細線化演算法OPPTA 為基礎，本論文所提出之三個細線化類神經網路的第一個是含有三層架構的迴歸類神經網路(recurrent neural network)，此類神經網路由非常簡單的處理元(processing element)組成，因此結構非常龐大。在修正處理元的輸出函數(output function) 後，本研究設計出了第二個細線化類神經網路，此類神經網路為一含兩層架構的iiii迴歸類神經網路。第三個細線化類神經網路是一單層架構的類神經網路。此項簡化導因於允許各處理元以sigma-pi函數來收集其輸入訊號。接著，本論文提出一利用細線化類神經網路結果進行特徵抽取的結構化特徵抽取類神經網路系統。此網路系統由兩個相接續的類神經網路組成，即直線分割網路 (line separation network, LSN) 與特徵抽取網路(feature extraction network,FEN)。LSN 依線的走向將線上的點分成四類，分類結果分別表現於代表四個走向的四個神經元平面(neuron plane)。FEN 則從這四個神經元平面中抽取結構性特徵。LSN 是一個迴歸網路，它以輪迴(iterations)的方式將較遠的鄰近點資訊傳遞過來，以類似鬆弛法(relaxation)的方式使得彎曲線上的點歸於同一類，避免了一筆劃被分割成若干線段的問題，也使得FEN 的特徵抽取得以簡化。最後，本論文提出一可辨識中文手寫字的類神經網路，此類神經網路包含一密度特徵層（DF-層）及一文字層（C-層），DF-層上的神經元接受來自FEN 的輸入，將結構性特徵濃縮到較小的神經元平面。C-層則由 DF-層接受其輸出之特徵，並辨識所輸入之文字，其方式類似感知器(perceptron)。利用此類神經網路對單一個人所寫的60個中文字作辨認，可獲得93﹪之辨認率。