人工免疫系統(tǒng)在手寫希臘字符識別中的應(yīng)用

　　摘 要：基于自然免疫系統(tǒng)的人工免疫系統(tǒng)是人工神經(jīng)網(wǎng)絡(luò)和進化計算之后的新型計算智能，以其強大的信息處理和問題解決能力被廣泛應(yīng)用到眾多領(lǐng)域。本文提出了基于人工免疫系統(tǒng)的手寫希臘字符識別策略并進行了實驗仿真。利用3*3子網(wǎng)格算法對24*24字符圖像樣本提取64個特征參數(shù)，通過人工免疫算法訓(xùn)練圖像樣本，建立24個抗體庫用于識別手寫希臘字符。另外，利用BP神經(jīng)網(wǎng)絡(luò)進行了對比實驗。實驗結(jié)果表明，人工免疫系統(tǒng)模型在手寫希臘字符識別中較BP神經(jīng)網(wǎng)絡(luò)具有更大的優(yōu)勢。

　　【關(guān)鍵詞】模式識別 人工免疫系統(tǒng) BP神經(jīng)網(wǎng)絡(luò) 子網(wǎng)格

　　1 引言

　　希臘字母廣泛應(yīng)用于數(shù)學(xué)、物理、生物和天文學(xué)中，手寫希臘字母的識別對于手寫公式識別是非常重要的。然而，目前手寫識別的相關(guān)研究主要集中在數(shù)字、英文字符、中文字符、阿拉伯字符的手寫識別中，手寫希臘字母還沒有很好的識別算法。因此，它的研究具有重要的理論和實踐價值。

　　人工免疫系統(tǒng)是基于脊椎動物免疫系統(tǒng)處理過程的計算系統(tǒng)，通過改變系統(tǒng)結(jié)構(gòu)和函數(shù)增強其適應(yīng)性。免疫算法應(yīng)用了免疫系統(tǒng)的學(xué)習(xí)和記憶特征，因此廣泛用于解決數(shù)學(xué)、工程、信息技術(shù)等領(lǐng)域的計算問題。

　　本文將人工免疫系統(tǒng)用于識別手寫希臘字符識別并取得了較好的效果。

　　2 手寫希臘字符預(yù)處理

　　預(yù)處理是字符識別重要過程，有助于特征提取、提高識別正確率和識別效率。

　　本文對24個手寫希臘字母進行了初步識別。1680個原始字符圖像由70個學(xué)生完成，即每個字符類別為70個樣本。

　　預(yù)處理被應(yīng)用于圖像樣本以消除與字符分類不相關(guān)因素的影響。首先，利用3*3 KNN 平滑濾波器進行去噪，使圖像的特征信息更加突出。其次，對手寫圖像樣本進行歸一化。歸一化方式包括位置、大小和灰度，使用線性拉伸與壓縮算法，將字符圖像歸一化為24*24。歸一化后，利用Pavlidis 算法盡可能地將字符比劃的寬度降低到一個像素。最后，使用閾值算法將圖像進行二值化。

　　3 手寫希臘字符特征提取

　　目前存在很多圖像特征提取方式，提取方式的選擇對于識別效果是至關(guān)重要的。本文采用了網(wǎng)格特征提取用于手寫希臘字符識別。

　　網(wǎng)格特征廣泛應(yīng)用于字符識別。網(wǎng)格有兩種應(yīng)用方式：彈性網(wǎng)格和固定網(wǎng)格。對于固定網(wǎng)格，字幅圖像被分割為多個固定大小的子網(wǎng)格。彈性網(wǎng)格中，根據(jù)像素分布概率動態(tài)決定網(wǎng)格線的位置，該方式被廣泛應(yīng)用于漢字識別。

　　本文采用固定網(wǎng)格進行特征參數(shù)的提取，子網(wǎng)格的大小分別為2*2、3*3 和 4*4，并進行了編程實驗測試。根據(jù)實驗結(jié)果、AIS的自適應(yīng)性、學(xué)習(xí)能力和計算效率，3*3子網(wǎng)格被用于特征提取更有利于實現(xiàn)字符分類，即使用3*3子網(wǎng)格從左到右、從上到下對24*24二進制手寫字符圖像進行掃描，系數(shù)即為3*3網(wǎng)格內(nèi)的像素值之和，由此可得到64個特征系數(shù)。圖1即為從α、β、ε、Ψ和φ的350個字符樣本中隨機抽取的5個字符樣本的64個特征系數(shù)。圖a為在灰度值小于128時像素值為1、否則為0的二值化后子網(wǎng)格內(nèi)像素值的累加，圖b則為在灰度值小于128時像素值為0、否則為1的二值化后子網(wǎng)格內(nèi)像素值的'累加。

　　由圖可知，以灰度值小于128時像素值為1、否則為0的二值化后的3*3子網(wǎng)格提取的64個系數(shù)可較好地實現(xiàn)字符分類。

　　4 基于AIS的手寫希臘字符識別

　　基于AIS的手寫希臘字符識別中，經(jīng)人工免疫算法訓(xùn)練，可得到24個字符識別模式庫，即抗體庫。抗體和抗原由源自3*3子網(wǎng)格的64個特征系數(shù)構(gòu)成，抗體是AIS訓(xùn)練樣本，抗原是需要識別的字符。所有的抗體庫都可用于識別輸入樣本。

　　4.1 親和度函數(shù)

　　抗體與抗原的親和度函數(shù)描述的是兩者的匹配性，親和度與它們的距離成反比。本文將歐氏距離的倒數(shù)被定義為親和度函數(shù)。

　　抗體之間的親和度函數(shù)指的是抗體之間的相似性，表明抗體的多樣性。其親和度函數(shù)同上。

　　4.2 利用人工免疫算法構(gòu)建抗體庫

　　模擬生物免疫系統(tǒng)的抗體與抗原識別關(guān)系的人工免疫算法用于建立抗體庫以識別手寫希臘字符。每個分類庫的建立步驟如下：

　　步驟1初始化：從每個字符類別的70個樣本中隨機抽取50個樣本作為抗原和抗體，其中，20個為初始抗體庫A，30個為抗原集;剩余的樣本用于測試。最大重復(fù)步數(shù)為50。

　　步驟2 親和度計算、交叉與變異概率的確定：依據(jù)定義的親和度函數(shù)，抗體與抗原、抗體與抗體的親和度分別計算出來。由于抗體庫中的兩個抗體不可能完全匹配，因此親和度不可能為1。如果親和度為1，一個抗體必須被剔除，重新選擇抗體補充到抗體庫中。如果抗體與相似字符的抗原的平均親和度大于設(shè)定的閾值，該抗體就會被刪除，新樣本就會被隨機選擇作為新的抗體以提高相似字符識別的正確率。

　　交叉與變異概率和抗體、抗原的親和度有關(guān)。親和度越高，概率則越低。大概率將加速親和度成熟，而低概率則有助于防止良好抗體中單一重要基因的丟失。因此，采用動態(tài)策略決定交叉與變異概率以提高運算效率和準(zhǔn)確性。

　　步驟3 克隆算子：20個抗體子代通過克隆、交叉、變異獲得。

　　抗體克隆的規(guī)模與抗體與抗原、抗體與抗體的親和度有關(guān)，其隨著抗體間相似度的降低、抗體與抗原相似度的增加而增大，動態(tài)策略被用于設(shè)定克隆規(guī)模。20個克隆子代通過克隆得到。

　　交叉操作在一個克隆子代的所有抗體中執(zhí)行。不同子代的抗體采用不同的交叉概率。交叉概率越高，執(zhí)行的交叉操作越多;反之，相應(yīng)的操作越少。另外，相對目標(biāo)抗體而言，具有更高的親和度的抗體通常被用來與目標(biāo)抗體執(zhí)行交叉操作，每個交叉操作如下：

　　Two antibodies are selected from the different clone descendants and c1 is the object antibody.

　　從子代中任選兩個抗體，c1為目標(biāo)抗體，

　　c1={x1， x2…xj-1， xj， xj+1…..x64}

　　c2={y1， y2…yj-1， yj， yj+1…..y64}

　　隨機選擇一個位置 j進行交叉操作，ci 轉(zhuǎn)換為di。