电子产品世界

4 实验结果与分析
本文主要针对阿拉伯数字样本集和英文字母样本集进行识别实验，阿拉伯数字样本集、英文小写字母样本集和英文大写字母样本集分开识别。实验环境是Matlab R2010a，所使用的SVM工具包是Matlab SVM Toolbox。
分类实验采用Leave-One-Out的交叉验证策略：依次从样本集中取出一个字符的训练样本标记为第一类，将剩余字符的训练样本标记为第二类，用标记后的训练样本训练GDTW-SVM；使用样本集中的所有测试样本测试GDTW-SVM的识别率。
使用未优化GDTW-SVM重复分类识别10次，取10次实验结果的平均值作为未优化GDTW-SVM的识别结果；其次，优化GDTW-SVM的参数(K，τ)分别取(0．2，0．5)、(0．2，0．2)和(0．5，0．5)，分别重复分类识别10次且取10次识别结果的平均值作为使用该组参数的优化GDTW-SVM的识别结果，最终取三组识别结果中的最优识别结果作为优化GDTW-SVM的识别结果；以上实验中，γ=1．9。

表1是阿拉伯数字和英文字母的识别结果对比。其中，英文字母数目较多，因此，仅给出平均识别结果。优化后的GDTW-SVM和未优化的GDTW-SVM的实验结果对比显示：参数k和τ的引入不仅使字符识别的错误率基本保持不变，同时，训练时间减少13～25％、测试时间减少29～39％、支持向量的数目也减少3．0～7．6％。

5 结论
本文提出了在GDTW核函数中引入参数k和τ，约束GDTW最优对齐路径的计算空间，然后构造GDTW-SVM分类器。实验结果表明，优化后的GDTW-SVM分类器的识别率与未优化的分类器的识别率基本相同；同时，支持向量数目减少，计算时间有13％～39％的减少，有利于GDTW-SVM分类器的联机手写识别的应用和推广。

1 2 3 4

关键词： GDTW-SVM 算法 联机 识别