[发明专利]手写模型训练方法、手写字识别方法、装置、设备及介质

权利要求书

1.一种手写模型训练方法，其特征在于，包括：

获取规范中文字训练样本，并将所述规范中文字训练样本按预设批次进行批分；

将批分后的规范中文字训练样本输入到双向长短时记忆神经网络中进行训练，获取双向长短时记忆神经网络的前向输出，根据双向长短时记忆神经网络的前向输出，采用时间相关反向传播算法更新双向长短时记忆神经网络的网络参数，获取规范中文字识别模型；

获取非规范中文字训练样本，并将所述非规范中文字训练样本按预设批次进行批分；

将批分后的非规范中文字训练样本输入到所述规范中文字识别模型中进行训练，获取规范中文字识别模型的前向输出，根据规范中文字识别模型的前向输出，采用时间相关反向传播算法更新所述规范中文字识别模型的网络参数，获取调整中文手写字识别模型；

获取待测试中文字样本，采用所述调整中文手写字识别模型识别所述待测试中文字样本，获取识别结果与真实结果不符的出错字，把所有所述出错字作为出错字训练样本；

将所述出错字训练样本输入到所述调整中文手写字识别模型中进行训练，获取调整中文手写字识别模型的前向输出，根据调整中文手写字识别模型的前向输出，采用基于批量梯度下降的时间相关反向传播算法更新调整中文手写字识别模型的网络参数，获取目标中文手写字识别模型。

2.根据权利要求1所述的手写模型训练方法，其特征在于，所述获取规范中文字训练样本，并将所述规范中文字训练样本按预设批次进行批分，包括：

获取待处理中文字训练样本中每个中文字的像素值特征矩阵，将所述像素值特征矩阵中每个像素值进行归一化处理，获取每个中文字的归一化像素值特征矩阵，其中，归一化处理的公式为MaxValue为每个中文字的像素值特征矩阵中像素值的最大值，MinValue为每个中文字的像素值特征矩阵中像素值的最小值，x为归一化前的像素值，y为归一化后的像素值；

将每个中文字的归一化像素值特征矩阵中的像素值划分为两类像素值，基于所述两类像素值建立每个中文字的二值化像素值特征矩阵，将每个中文字的二值化像素特征矩阵组合作为规范中文字训练样本，并将所述规范中文字训练样本按预设批次进行批分。

3.根据权利要求1所述的手写模型训练方法，其特征在于，所述将批分后的规范中文字训练样本输入到双向长短时记忆神经网络中进行训练，获取双向长短时记忆神经网络的前向输出，根据双向长短时记忆神经网络的前向输出，采用时间相关反向传播算法更新双向长短时记忆神经网络的网络参数，获取规范中文字识别模型，包括：

将批分后的规范中文字训练样本按序列正向输入到双向长短时记忆神经网络中，获取正向输出F_o，将批分后的规范中文字训练样本按序列反向输入到双向长短时记忆神经网络中，获取反向输出B_o，将所述正向输出和所述反向输出相加，获取前向输出T_o，公式表示为T_o＝F_o+B_o；

根据所述前向输出和真实结果构建误差函数，所述误差函数的表达式为其中，N表示训练样本总数，x_i表示第i个训练样本的前向输出，y_i表示与x_i相对应的第i个训练样本的真实结果；

根据所述误差函数，采用时间相关反向传播算法更新双向长短时记忆神经网络的网络参数，获取规范中文字识别模型，其中，隐藏层输出的梯度为神经元状态的梯度为输入门的梯度为遗忘门的梯度为输出门的梯度为隐藏层状态的梯度为其中，K表示输出层神经元的个数，k表示第k个输出层神经元，H表示隐藏层神经元的个数，h表示第h个隐藏层神经元，C表示神经元状态所对应的神经元的个数，w_ck表示神经元和第k个输出层神经元的连接权值，w_ch表示神经元和第h个隐藏层神经元的连接权值，表示当前时刻输出层神经元的梯度，表示下一时刻隐藏层神经元的梯度，控制神经元输出当前信息的比例，控制神经元遗忘过去信息的比例，表示当前时刻的神经元状态，w_cl表示神经元跟输入门连接的权值，w_cφ表示神经元和遗忘门连接的权值，w_cw表示神经元和输出门连接的权值，表示当前时刻第c个神经元状态对应神经元的输入，表示输入门的输入，表示遗忘门的输入，表示输出门的输入，控制神经元接收当前信息的比例。