基于深度卷积神经网络的甲骨文字识别研究

发布时间：2024-06-08 04:30

　　甲骨文是中国迄今为止发现的最早的成熟文字系统,是汉字的来源,也是中国优秀传统文化的根源。现在甲骨文的研究已经进入信息时代,2019年在安阳市举行的纪念甲骨文发现120周年国际学术研讨会的开幕式上,甲骨文大数据平台——“殷契文渊”正式发布。该平台是甲骨文知识共享平台,对全世界的学者免费开放。由于目前甲骨文资源大多是图片,不利于该平台的数据进行输入、存储、检索、传输等,所以作为该数据平台研究团队中的一员,对甲骨文字进行识别研究工作愈加重要。本文主要研究拓片上甲骨文字的识别,文字识别的传统方法主要是基于“数据预处理+人工特征提取+分类识别”框架,对印刷体文字的识别率较高,而对于手写体的识别率并不高。甲骨文是殷商时期的手写体文字,异形体较多,数据样本少,并且拓片上的甲骨文还有背景噪声,所以识别有一定的难度。近几年,基于深度学习的脱机手写文字识别技术得到充足的发展,深度神经网络具有极强的图像多层次特征提取能力,能够描述文字图像不同级别的数据特征。因此,本文利用深度神经网络进行甲骨文字识别研究,设计具有较好识别能力的深度卷积神经网络甲骨文字识别框架。实验结果证明该模型能够较好地表达甲骨文字特征,达...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 论文组织结构
2 相关技术
    2.1 神经网络
        2.1.1 神经元模型
        2.1.2 感知机
        2.1.3 BP算法
    2.2 卷积神经网络
        2.2.1 CNN基本结构
        2.2.2 经典卷积神经网络模型
    2.3 本章小结
3 甲骨文字数据集
    3.1 获取数据图像
    3.2 数据预处理
        3.2.1 数据增强
        3.2.2 图像去噪
        3.2.3 数据归一化
    3.3 本章小结
4 基于深度卷积神经网络的甲骨文字识别
    4.1 甲骨文字识别网络概述
    4.2 OBI-CNN网络模型
    4.3 OBI-CNN损失函数与梯度优化选择
        4.3.1 损失函数
        4.3.2 梯度优化算法
    4.4 模型训练
        4.4.1 深度学习框架
        4.4.2 实验环境
        4.4.3 训练过程
    4.5 本章小结
5 性能评估与系统开发
    5.1 评估指标
    5.2 性能评估
    5.3 甲骨文字识别系统的设计与实现
        5.3.1 系统开发环境
        5.3.2 系统总体框架
        5.3.3 前端界面及运行测试
    5.4 本章小结
6 总结与展望
    6.1 论文总结
    6.2 研究展望
参考文献
个人简历、在学期间发表的学术论文与研究成果
致谢



本文编号：3991454