[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：

采用光学字符识别技术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；

基于待处理中文字训练样本中每个中文字的像素值特征矩阵获取规范中文字训练样本；

初始化卷积神经网络；

将所述规范中文字训练样本输入到卷积神经网络中进行训练，采用基于随机梯度下降的后向传播算法更新卷积神经网络的权值和偏置，获取规范中文字识别模型；

获取非规范中文字训练样本，将所述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，采用基于随机梯度下降的后向传播算法更新所述规范中文字识别模型的权值和偏置，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，采用基于批量梯度下降的后向传播算法更新调整中文手写字识别模型的权值和偏置，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，所述基于待处理中文字训练样本中每个中文字的像素值特征矩阵获取规范中文字训练样本，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。

3.根据权利要求1所述的手写模型训练方法，其特征在于，所述将所述规范中文字训练样本输入到卷积神经网络中进行训练，采用基于随机梯度下降的后向传播算法更新卷积神经网络的权值和偏置，获取规范中文字识别模型，包括：

将规范中文字训练样本输入到卷积神经网络中，获取所述规范中文字训练样本在所述卷积神经网络中的前向输出；

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，采用基于随机梯度下降的后向传播算法更新卷积神经网络的权值和偏置，获取规范中文字识别模型，其中，在所述卷积神经网络的全连接层，更新权值的公式为在所述卷积神经网络的卷积层，更新权值的公式为W^l'表示更新后的权值，W^l表示更新前的权值，α表示学习率，m表示规范中文字训练样本，i表示输入的第i个中文字样本，δ^i,l表示输入的第i个中文字样本在第l层的灵敏度，a^i,l-1表示输入的第i个中文字样本在第l-1层的输出，T表示矩阵转置运算，*表示卷积运算，rot180表示将矩阵翻转180度的运算；在所述卷积神经网络的全连接层，更新偏置的公式为在所述卷积神经网络的卷积层，更新偏置的公式为b^l’表示更新后的偏置，b^l表示更新前的偏置，α表示学习率，m表示规范中文字训练样本，i表示输入的第i个中文字样本，δ^i,l表示输入的第i个中文字样本在第l层的灵敏度，(u,v)是指进行卷积运算时获取的卷积特征图中每一个卷积特征图中的小块位置。