[发明专利]基于宽度学习算法的煤气表字符识别方法和系统

权利要求书

1.一种基于宽度学习算法的煤气表字符识别方法，其特征在于：包括以下步骤：

完成宽度学习算法模型训练；

获取待识别的煤气表字符图像；

对所述煤气表字符图像进行数据处理，转成数字矩阵；

将所述数字矩阵输入到训练好的所述宽度学习算法模型中进行计算，得出所述煤气表字符的内容，完成煤气表字符识别。

2.根据权利要求1所述的方法，其特征在于：所述的宽度学习算法模型训练，包括以下步骤：

收集一定量的煤气表字符图像，构建用于算法模型训练的训练输入数据；

对所述训练输入数据进行处理，得到原始输入矩阵和原始输出矩阵，构建映射特征点矩阵；

利用所述映射特征点矩阵，构建增强点矩阵；

用求解伪逆的方法得到输入层到输出层的权重矩阵，完成算法模型的训练。

3.根据权利要求2所述的方法，其特征在于：所述的对所述训练输入数据进行处理，得到原始输入矩阵和原始输出矩阵，构建映射特征点矩阵，具体包括：将所述训练输入数据依次经过z分数标准化和归一化处理，得到输入训练数据矩阵，利用宽度学习方法对所述输入训练数据矩阵进行z分数归一化和稀疏化表示，生成特征节点，构建映射特征点矩阵。

4.根据权利要求3所述的方法，其特征在于：所述的对所述训练数据进行处理，得到原始输入矩阵和原始输出矩阵，构建映射特征点矩阵，还包括：在利用宽度学习方法对所述输入训练数据矩阵进行z分数归一化的处理后还进行增广处理。

5.根据权利要求2所述的方法，其特征在于：所述的利用所述映射特征点矩阵，经过处理构建增强点矩阵，具体包括：利用宽度学习方法对所述映射特征点矩阵进行归一化和稀疏化表示，生成增强节点，构建增强点矩阵。

6.根据权利要求2至5任一所述的方法，其特征在于：所述的收集一定量的煤气表字符图像，构建用于算法模型训练的训练输入数据，具体包括：将一定量的煤气表字符图像分为训练数据集X Train、验证数据集X Incre和测试数据集X test，并对所述训练数据集XTrain、验证数据集X Incre和测试数据集X test进行z分数归一化和稀疏化表示。

7.根据权利要求6所述的方法，其特征在于：所述的对所述训练输入数据进行处理，得到原始输入矩阵和原始输出矩阵，构建映射特征点矩阵，具体包括：利用宽度学习方法对训练输入数据集X Train得到的训练数据矩阵进行z分数归一化和稀疏化表示，生成特征节点Z_i＝φ(XW_ei+β_ei)，i＝1，…，，并标记特征层为Zⁱ＝[Z₁，…，Z_i]，其中W_ei是适当维度的随机权重矩阵，由呈高斯分布的随机权重矩阵ω_e生成，i表示迭代量。

8.根据权利要求7所述的方法，其特征在于：所述的利用所述映射特征点矩阵，构建增强点矩阵，具体包括：基于映射特征点矩阵直接计算生成增强节点H_j＝φ(ZⁱW_hj+β_hj)，j＝1，…，n，并标记增强层为H^j＝[H₁，…，H_j]。

9.根据权利要求8所述的方法，其特征在于：所述的用伪逆计算和岭回归算法得到输入层到输出层的权重矩阵，具体包括：将煤气表字符图像的实际内容定义为标签向量Y，作为已知的数据；将所述特征层和增强层合并成A＝[Z|H]，竖线表示将特征层和增强层合并成一行，并使用伪逆和岭回归算法计算权重W＝A^-1Y；完成模型的初始训练后，利用验证数据集X Incre和测试数据集X test验证和调试模型的拟合情况和数据泛化能力，达到预期指标后完成模型的训练。