基于支持向量机的脱机手写字符识别研究的中期报告.docx

基于支持向量机的脱机手写字符识别研究的中期报告
一、文献综述
支持向量机（SVM）是机器学习中常用的一种分类算法，具有强大的分类能力、对维度高的数据有很好的适应性等特点，在字符、图像、语音等信号处理领域得到了广泛的应用。本文将围绕SVM在手写字符识别领域的应用进行研究。
二、研究目标
本文将研究如何利用SVM实现脱机手写字符的自动识别。具体目标如下：
1.设计合适的SVM分类器，对手写字符进行分类。
2.利用公开数据集进行实验验证，得到高准确率的分类结果。
3.探索不同参数对分类性能的影响，优化分类器性能。
三、研究方法
1.数据准备：本文将使用MNIST手写数字图片数据集进行实验，此数据集包含60000张训练图片和10000张测试图片，每张图片为28*28像素的灰度图像。
2.特征提取：将图像像素矩阵展开为一维向量作为特征向量。同时，对图像进行边缘检测和预处理减噪，以提高特征的区分度和分类准确率。
3.SVM分类器：采用原始的SVM算法进行分类，设置超参数C（惩罚系数）和kernel函数类型进行分类。
4.模型训练：使用训练数据集对分类器进行模型训练。
5.模型测试：使用测试数据集对分类器进行测试，得到分类结果和准确率。
6.参数优化：探索不同超参数C和kernel函数类型对分类性能的影响，通过交叉验证方法进行参数优化。
四、研究进展
目前，已经完成数据集的预处理和特征提取，并使用原始的SVM算法进行了初步分类实验和结果的可视化。得到的准确率为90%。接下来，将进一步探索如何优化分类器参数以及算法效率的提升。