專利名稱：用于提供手寫識別的組合器的制作方法
用于提供手寫識別的組合器
背景
諸如圖形輸入板pc和個人數(shù)字助理等啟用筆的設備通常使用一種或多種
類型的手寫識別器來允許用戶使用筆來輸入數(shù)據。手寫識別器根據一系列分類 器分析用戶的手寫筆跡以確定最有可能的匹配。由于人與人之間或同一人書寫 同一字符的大量變化(或書寫風格)，通常難以對草寫體手寫筆跡達到良好的
手寫識別結果。例如，N個筆畫的字符可用l-N個筆畫書寫(潛在地產生2AN 種書寫)，且人與人之間以及字符與字符之間連接筆畫的方式可能變化很大。 此外，東亞預言通常有約10,000個字符(碼點或類)，這進一步使問題復雜化。 困難也因不均勻的數(shù)據分布(諸如當存在比草寫體樣本多得多的印刷體訓練樣 本時)而造成，這導致在原型數(shù)據庫中存在與印刷體樣本的數(shù)目相比有限數(shù)目 的草寫體樣本。當使用神經網絡來用于字符識別時，產生另一難點。神經網絡
通常不能良好地縮放到數(shù)千個類或字符。在神經網絡識別器中試圖支持所有這 些字符可能會急劇地降級系統(tǒng)準確性。
概述
公開了改進手寫識別操作的各種技術和技巧。手寫輸入在訓練模式中接 收，并令其通過若干基本識別器來生成若干備選項列表。備選項列表被聯(lián)合在 一起以生成新的組合備選項列表(諸如具有N個備選項)。如果在組合備選項 列表中存在正確的結果，則使用新組合備選項列表中正確/不正確備選項對中的 每一個(其中共有N-1個)來生成訓練模式以訓練可學習哪個備選項是正確的 識別系統(tǒng)(被稱為比較器網)(即，可用來比較兩個備選項的系統(tǒng))。存儲與 備選項對相關聯(lián)的權重供識別操作使用。
在運行時，按照與訓練時相同的方式生成組合備選項列表。經訓練的比較 器網可用于比較組合備選項列表中的任何兩個備選項。在一個實現(xiàn)中，與比較 器網一起使用排序功能(或最大值功能)來對組合備選項列表重新定序以改進準確性。在一個實現(xiàn)中，與一個或多個神經網絡基本識別器一起使用模板匹配 基本識別器來改進識別操作。該系統(tǒng)提供對已經對于印刷體和草寫體數(shù)據進行 了訓練的比較器網和重新定序網過程以及對僅對于草寫體數(shù)據進行了訓練的 比較器網和重新定序網過程的訪問。然后根據手寫輸入是印刷體還是草寫體來 使用相應比較器網和重新定序網過程。
提供本概述以便以簡化形式介紹將在以下詳細描述中進一步描述的一些 概念。該概述不旨在標識所要求保護的主題的關鍵特征或必要特征，也不旨在 用于幫助確定所要求保護的主題的范圍。
附圖簡述


圖1是示出供識別操作使用的基于比較器網的組合器的一個實現(xiàn)的系統(tǒng) 的示意圖。
圖2是圖1系統(tǒng)的一個實現(xiàn)的的過程流程圖，它示出了執(zhí)行手寫識別訓練 操作來產生基于比較器網的組合器時所涉及的各個階段。
圖3是圖1系統(tǒng)的一個實現(xiàn)的的過程流程圖，它示出了使用基于比較器網 的組合器來執(zhí)行手寫識別操作時所涉及的各個階段。
圖4是示出供識別操作使用的基于比較器網和重新定序網的組合器的一
個實現(xiàn)的系統(tǒng)的示意圖。
圖5是圖4系統(tǒng)的一個實現(xiàn)的的過程流程圖，它示出了執(zhí)行手寫識別訓練 操作來產生比較器網和重新定序網時所涉及的各個階段。
圖6是圖4系統(tǒng)的一個實現(xiàn)的的過程流程圖，它示出了使用比較器網和重 新定序網過程來執(zhí)行手寫識別操作時所涉及的各個階段。
圖7是圖1和圖4系統(tǒng)的一個實現(xiàn)的的過程流程圖，它示出了使用對基本 識別器的約束來執(zhí)行識別操作時所涉及的各個階段。
圖8是圖1和圖4系統(tǒng)的一個實現(xiàn)的的過程流程圖，它示出了提供基于比 較器網和重新定序網的組合器來改進手寫識別時所涉及的各個階段。
圖9是圖1和圖4系統(tǒng)的一個實現(xiàn)的過程流程圖，它示出了除神經網絡識 別器以外添加模板匹配(或最近鄰居)基本識別器來改進縮放性時所涉及的各 個階段。圖IO是圖1和圖4系統(tǒng)的一個實現(xiàn)的的過程流程圖，它示出了基于墨跡
的草寫體程度(cursiveness)來提供分層組合器體系結構時所涉及的各個階段。 圖11是一個實現(xiàn)的計算機系統(tǒng)的示意圖。
詳細描述
為促進對本發(fā)明原理的理解，現(xiàn)將參考附圖中所示的各實施例，并將使用 專用語言來描述它們。然而，要理解，并不旨在對范圍進行限制。在所述實施 方式中的任何改變和進一步修正，以及在此所述的原理的進一步應用可以預期 將是本領域技術人員通常能想到的。
可在一般上下文中將該系統(tǒng)描述為改進手寫識別的應用程序，但是該系統(tǒng) 還用于除此之外的其它目的。在一個實現(xiàn)中，此處所描述的一種或多種技術可 被實現(xiàn)為手寫識別程序內、或來自任何其它類型的用于訓練手寫識別器或識別 手寫輸入的程序或服務的特征。
圖1是示出供識別操作使用的基于比較器網的組合器的一個實現(xiàn)的系統(tǒng) 98的示意圖。系統(tǒng)98從用戶接收墨跡100 (例如，手寫輸入)，諸如有1-3 個筆畫。令墨跡100通過多個基本手寫識別器102，諸如神經網絡識別器104、 神經網絡識別器106和模板/原型匹配識別器108。在一個實現(xiàn)中，神經網絡識 別器104是在線識別器，而神經網絡識別器106是離線識別器。在一個實現(xiàn)中， 原型/模板匹配識別器108將墨跡段與數(shù)據庫中墨跡樣本進行比較以確定最有 可能的結果的概率列表。也可使用其他變化和數(shù)量的識別器，包括與此處所述 相比更少或更多的一個或多個類型的識別器。在令墨跡100通過基本手寫識別 器102之后，來自每一過程的備選項列表被合并成一新的備選項列表。備選項 列表是字符以及指示各個字符是正確結果的可能性的相應得分的列表。在本文 的系統(tǒng)的一個實現(xiàn)中，對備選項列表的長度有上限。由基于比較器網的組合器 110使用新的備選項列表以執(zhí)行識別操作。然后提供結果112。將參考圖2-3 進一步詳細描述系統(tǒng)98。
現(xiàn)轉向圖2-3并繼續(xù)參考圖1，將進一步詳細描述用于實現(xiàn)識別系統(tǒng)98 的一個或多個實現(xiàn)的各個階段。圖2是圖1的系統(tǒng)98的一個實現(xiàn)的的過程流 程圖，它示出了執(zhí)行手寫識別訓練操作來產生基于比較器網的組合器110時所
7涉及的各個階段。在一種形式中，圖2的過程至少部分地用計算設備600 (在 圖11中描述)的操作邏輯來實現(xiàn)。
該過程在起始點240處開始，從用戶接收手寫輸入用于訓練操作(階段 242)。在一個實現(xiàn)中，手寫輸入(例如，墨跡IOO)是l-3個筆畫的(例如， 少于4個筆畫)。令手寫輸入通過第一神經網絡識別器104 (例如，在線或其 他)以生成帶有得分的備選項列表(階段244)。令手寫輸入通過第二神經網 絡識別器106 (例如，離線或其他)以生成帶有得分的另一備選項列表(階段 246)。還令手寫輸入通過模板/原型匹配識別器108以生成帶有得分的另一備 選項列表(階段248)。在一個實現(xiàn)中，這些采用基本識別器的識別是不受約 束的。如將在圖7中進一步詳細描述的，在另一實現(xiàn)中，來自一個識別器的備 選項列表被用作采用接下來的識別器的后續(xù)識別操作的約束。這是在圖1上所 示的替換實現(xiàn)，虛線從識別器104流向106再流向108。
備選項列表被聯(lián)合在一起使得有一唯一列表(階段250)。例如，假定有 以下備選項列表
備選項列表1: [A，B，C]
備選項列表2: [B，C，E]
備選項列表3: [C,E,F] 組合的備選項列表將包括[A,B，C，E，F(xiàn)]，這是原始備選項列表中所包括 的所有內容的唯一列表。如果正確的結果(假定為C)位于組合的備選項列表 中，則使用正確/不正確備選項對的各個組合來訓練基于比較器網的組合器110 (階段252)。如果組合的備選項列表不包含正確的結果，則不從該特定的墨 跡樣本生成用于比較器網訓練的訓練模式。由于正確的結果已知(在訓練模式 中)，所以系統(tǒng)可基于備選項對來訓練(階段252)。繼續(xù)以上示例，可在A 與C、B與C、C與E以及C與F之間進行比較。與各個對組合相關聯(lián)的權重 被存儲在數(shù)據存儲中供稍后用于識別操作(階段254)。該過程結束于結束點 256。
圖3是圖1系統(tǒng)98的一個實現(xiàn)的的過程流程圖，它示出了使用基于比較 器網的組合器來執(zhí)行運行時手寫識別操作時所涉及的各個階段。在一種形式 中，圖3的過程至少部分地用計算設備600 (在圖11中描述)的操作邏輯來實現(xiàn)。該過程在起始點270處開始，從用戶接收手寫輸入用于運行時識別操作(階
段272)。在一個實現(xiàn)中，手寫輸入包含1到3個筆畫(例如，少于4個筆畫)。 令手寫輸入100通過第一神經網絡識別器104 (例如，在線或其他)以生成帶 有得分的備選項列表(階段274)。令手寫輸入100通過第二神經網絡識別器 106 (例如，離線或其他)以生成帶有得分的另一備選項列表(階段276)。令 手寫輸入100通過模板/原型匹配識別器以生成帶有得分的另一備選項列表(階 段278)。這些備選項列表被聯(lián)合在一起使得有一唯一 的備選項列表(階段280)。 然后與排序算法一起使用經訓練的比較器網以將各個對組合與所存儲的權重 進行比較以對組合的備選項列表重新定序(或排序)(階段282)。該過程的 結果被用于作出識別判定(階段284)。該過程結束于結束點286。
圖4是示出供識別操作使用的基于比較器網和重新定序網的組合器的另 一個實現(xiàn)的系統(tǒng)288的示意圖。系統(tǒng)288從用戶接收墨跡290 (例如，手寫輸 入)，諸如有l(wèi)-3個筆畫。令墨跡290通過多個基本手寫識別器292，諸如神 經網絡識別器294、神經網絡識別器296和模板/原型匹配識別器298。在一個 實現(xiàn)中，神經網絡識別器294是在線識別器，而神經網絡識別器296是離線識 別器。也可使用其他變化和數(shù)量的識別器，包括與此處所述相比更少或更多的 一個或多個類型的識別器。在令墨跡290通過基本手寫識別器292之后，來自 每一過程的備選項列表被合并成一新的備選項列表。由基于比較器網的組合器 299使用該新的備選項列表以執(zhí)行識別操作。根據墨跡是印刷體還是草寫體(判 定點300)，使用相應的比較器網和重新定序網過程來作出識別判定。例如， 如果輸入是草寫體，則執(zhí)行草寫體比較器網(排序網)302和草寫體前2項重 新定序網304過程。這些草寫體過程僅使用草寫體的數(shù)據作為該過程的一部分。 如果輸入是印刷體，則執(zhí)行印刷體比較器網(排序網)302和印刷體前2項重 新定序網308過程。這些印刷體過程使用印刷體和草寫體數(shù)據兩者作為該過程 的一部分。然后提供結果309。將參考圖5-6進一步詳細描述系統(tǒng)288。
現(xiàn)轉向圖5-6并繼續(xù)參考圖4，將進一步詳細描述用于實現(xiàn)識別系統(tǒng)288 的一個或多個實現(xiàn)的各個階段。圖5是圖4的系統(tǒng)288的一個實現(xiàn)的過程流程 圖，它示出了執(zhí)行手寫識別訓練操作來產生比較器網和重新定序網時所涉及的 各個階段。在一種形式中，圖5的過程至少部分地用計算設備600 (在圖11中描述)的操作邏輯來實現(xiàn)。
該過程在起始點310處開始，從用戶接收手寫輸入用于訓練操作(階段
312)。令手寫輸入290通過第一神經網絡識別器294 (例如，在線或其他)以 生成帶有得分的備選項列表(階段314)。令手寫輸入290通過第二神經網絡 識別器296(例如，離線或其他)以生成帶有得分的另一備選項列表(階段316)。 令手寫輸入290通過模板/原型匹配識別器以生成帶有得分的另一備選項列表 (階段318)。得到的備選項列表被聯(lián)合在一起使得有一唯一的備選項列表(階 段320)。系統(tǒng)確定用戶的手寫輸入是印刷體還是草寫體(判定點322)。如 果手寫輸入是草寫體，則系統(tǒng)執(zhí)行草寫體比較器網(排序網)訓練過程302 (階 段324)和草寫體前2項重新定序網訓練過程304 (階段326)。如果手寫輸入 是印刷體，則系統(tǒng)執(zhí)行印刷體比較器網(排序網)訓練過程306 (階段330) 和草寫體前2項重新定序網訓練過程308 (階段332)。印刷體與草寫體過程 之間的差異在于所使用的底層數(shù)據的類型。草寫體過程僅包含草寫體數(shù)據，而 印刷體過程包含草寫體和印刷體數(shù)據兩者。在其他方面，這些過程如圖2所述 地同樣地執(zhí)行。
適當?shù)谋容^器網過程使用合并的備選項列表來比較結果對以訓練比較器 網(階段324或330)。在一個實現(xiàn)中，基于比較器網訓練前2項重新定序網。 重新定序網訓練過程在比較器網之后查看經排序(或重新定序)的組合的備選 項列表。如果正確的備選項處于前兩個備選項之中，則生成比較這兩個備選項 的訓練模型來訓練重新定序網。重新定序網訓練過程忽略其中正確備選項不處 于(經排序的列表的)前2項選擇之中的樣本。對與各個對組合相關聯(lián)的權重 進行排序供稍后在識別操作中使用(例如，排序和重新定序的結果)(階段 328)。該過程結束于結束點334。
圖6是圖4的系統(tǒng)288的一個實現(xiàn)的的過程流程圖，它示出了使用比較器 網和重新定序網過程來執(zhí)行手寫識別操作時所涉及的各個階段。在一種形式 中，圖6的過程至少部分地用計算設備600 (在圖11中描述)的操作邏輯來實 現(xiàn)。該過程在起始點340處開始，從用戶接收手寫輸入用于運行時識別操作(階 段342)。在一個實現(xiàn)中，手寫輸入290用1到3個筆畫(例如，少于4個筆 畫)書寫。令手寫輸入2卯通過第一神經網絡識別器294 (例如，在線或其他)以生成帶有得分的備選項列表(階段344)。令手寫輸入290通過第二神經網 絡識別器296 (例如，離線或其他)以生成帶有得分的另一備選項列表(階段 346)。令手寫輸入290通過模板/原型匹配識別器以生成帶有得分的另一備選 項列表(階段348)。備選項列表被聯(lián)合在一起使得有一唯一的備選項列表(階 段350)。系統(tǒng)確定用戶的手寫輸入290是印刷體還是草寫體(判定點352)。
如果手寫輸入是草寫體，則系統(tǒng)執(zhí)行草寫體比較器網(排序網)過程302 (階段354)和草寫體前2項重新定序網過程304 (階段356)。如果手寫輸入 是印刷體，則系統(tǒng)執(zhí)行印刷體比較器網(排序網)過程306 (階段360)和草 寫體前2項重新定序網過程308 (階段362)。印刷體與草寫體過程之間的差 異在于用于識別的底層數(shù)據的類型。草寫體過程僅包含草寫體數(shù)據，而印刷體 過程包含草寫體和印刷體數(shù)據兩者。在其他方面，該過程相同地執(zhí)行。
適當?shù)谋容^器網過程與比較器網(用作排序時的比較功能)一起使用某一 排序例程(或算法)來對合并的備選項列表重新定序或排序(階段354或360)。 適當?shù)闹匦露ㄐ蚓W過程將排序后的前2項結果與比較器網進行比較。有時，重 新定序網翻轉來自比較器網操作的前兩項結果的次序以改進準確性(階段356 或362)。該過程結束于結束點364。
圖7是圖1和圖4的系統(tǒng)的一個實現(xiàn)的的過程流程圖，它示出了使用對基 本識別器的約束來執(zhí)行識別操作時所涉及的各個階段。在一種形式中，圖7的 過程至少部分地用計算設備600 (在圖11中描述)的操作邏輯來實現(xiàn)。該過程 在起始點380處開始，使手寫輸入(100或290)通過第一神經網絡識別器(104 或294)以生成帶有得分的備選項列表(階段382)。使用第一備選列表作為 約束，系統(tǒng)使手寫輸入(100或290)通過第二神經網絡識別器(106或296) 以生成帶有得分的另一備選項列表(階段384)。使用第二備選列表作為約束， 系統(tǒng)使手寫輸入(100或290)通過模板/原型匹配識別器(108或298)以生成 帶有得分的備選項列表(階段386)。這些備選項列表被聯(lián)合在一起以產生一 唯一的備選項列表以在進一步處理和/或最終識別判定中使用(階段388)。該 過程結束于結束點390。
圖8是圖1和圖4的系統(tǒng)的一個實現(xiàn)的過程流程圖，它示出了提供基于比 較器網和重新定序網的組合器來改進手寫識別時所涉及的各個階段。在一種形
11式中，圖8的過程至少部分地用計算設備600 (在圖11中描述)的操作邏輯來
實現(xiàn)。該過程在起始點450處開始，提供通過查看一對備選項來簡化判定過程 的基于比較器網的組合器(階段452)。使用與每一對有關的特征，系統(tǒng)判定 哪一個是更好的(階段454)。 一旦經過訓練，在運行時插入比較器網以作出 識別判定(階段456)。在一個實現(xiàn)中，系統(tǒng)插入排序算法以對由多個基本識 別器提出的備選項列表排序并將其組合/聯(lián)合在一起(階段456)。在另一實現(xiàn) 中，代替使用排序，使用在對之間的投票過程來確定那一對獲得最多的勝利。 系統(tǒng)使用比較器網組合器來改進手寫識別操作(階段458)。該過程結束于結 束點460。
圖9是圖1和圖4的系統(tǒng)的一個實現(xiàn)的過程流程圖，它示出了除神經網絡 識別器以外添加模板匹配(或最近鄰居)基本識別器來改進縮放性時所涉及的 各個階段。在一種形式中，圖9的過程至少部分地用計算設備600 (在圖11 中描述)的操作邏輯來實現(xiàn)。該過程在起始點470處開始，提供一個或多個神 經網絡基本識別器(階段472)。使用模板匹配(例如最近鄰居)基本識別器 來補充神經網絡基本識別器(階段474)。通過添加模板匹配基本識別器，在 維持系統(tǒng)縮放性的同時可支持更多的碼點(階段476)。組合使用神經網絡基 本識別器和模板匹配基本識別器以改進識別操作的準確性(階段478)。該過 程結束于結束點480。
圖IO是圖l和圖4的系統(tǒng)的一個實現(xiàn)的的過程流程圖，它示出了基于墨 跡的草書程度(cursiveness)來提供分層組合器體系結構時所涉及的各個階段。 在一種形式中，圖10的過程至少部分地用計算設備600 (在圖11中描述)的 操作邏輯來實現(xiàn)。該過程在起始點490處開始，基于印刷體和草寫體數(shù)據訓練 第一比較器網和重新定序網，或提供對已經訓練的比較器網和重新定序網的訪 問(階段492)。僅基于草寫體數(shù)據訓練第二比較器網和重新定序網，或提供 對已經訓練的比較器網和重新定序網的訪問(階段494)。系統(tǒng)在確定用戶的 手寫輸入是印刷體還是草寫體之后使用適當?shù)谋容^器網和重新定序網過程來 執(zhí)行識別操作(例如，對印刷體使用前者，對草寫體使用后者)(階段496)。 通過基于手寫輸入的草寫程度來分開比較器網和重新定序網，改進識別的準確 性。在一個實現(xiàn)中，至少對草寫體操作改進識別準確性，而同時不損害對印刷體操作的性能(階段498)。該過程結束于結束點500。
如圖11所示，用于實現(xiàn)此處所述的系統(tǒng)的一個或多個部分的示例性計算
機系統(tǒng)包括諸如計算設備600 (在圖11中描述)等計算設備。在其最基本的配 置中，計算設備600通常包括至少一個處理單元602和系統(tǒng)存儲器604。取決 于計算設備的確切配置和類型，存儲器604可以是易失性的(如RAM)、非 易失性的(如ROM、閃存等)或是兩者的某種組合。該最基本配置在圖11中 由虛線606來例示。
另外，設備600還可具有附加的特征/功能。例如，設備600還可包含額 外的存儲(可移動和/或不可移動)，其中包括但不限于磁盤、光盤或磁帶。這 樣的額外存儲在圖11中由可移動存儲608和不可移動存儲610示出。計算機 存儲介質包括以用于存儲諸如計算機可讀指令、數(shù)據結構、程序模塊或其它數(shù) 據等信息的任何方法或技術來實現(xiàn)的易失性和非易失性、可移動和不可移動介 質。存儲器604、可移動存儲608和不可移動存儲610都是計算機存儲介質的 示例。計算機存儲介質包括但不限于，RAM、 ROM、 EEPROM、閃存或其它 存儲器技術、CD-ROM、數(shù)字多功能盤(DVD)或其它光存儲、磁帶盒、磁帶、 磁盤存儲或其它磁存儲設備、或者可用于存儲所需信息并且可由設備600訪問 的任何其它介質。任何這樣的計算機存儲介質都可以是設備600的一部分。
計算設備600包括允許計算設備600與其它計算機/應用程序615進行通 信的一個或多個通信連接614。設備600也可具有輸入設備612，諸如鍵盤、 鼠標、筆、語音輸入設備、觸摸輸入設備等。還可包括輸出設備611，如顯示 器、揚聲器、打印機等。這些設備在本領域中公知且無需在此處詳細討論。在 一個實現(xiàn)中，計算設備600包括手寫識別應用程序700。手寫識別應用程序700 可執(zhí)行此處在圖1-10所述的各種技術中的某些或全部。然而，可以理解，手 寫識別應用程序700可替換地或附加地被具體化為一個或多個計算機上的計算 機可執(zhí)行指令和/或與圖ll所示不同的變型。替換地或附加地，手寫識別應用 程序700的一個或多個部分可以是系統(tǒng)存儲器604的一部分、在其它計算機和 /或應用程序615上、或計算機軟件領域的技術人員能想到的其它此類變型。
盡管用對結構特征和/或方法動作專用的語言描述了本主題，但可以理解， 所附權利要求書中定義的主題不必限于上述具體特征或動作。相反，上述具體特征和動作是作為實現(xiàn)權利要求的示例形式公開的。落入在此所述的和/或所附 權利要求所述的實現(xiàn)的精神內的所有等效技術方案、更改和修正都期望受到保 護。
例如，計算機軟件領域的普通技術人員將認識到，客戶機和/或服務器安 排，和/或在此討論的示例中所述的數(shù)據布局可在一臺或多臺計算機上不同地組 織，以包括比示例中所描繪的更少或額外的選項或特征。
權利要求
1. 一種用于改進手寫識別的方法，包括在訓練模式中接收第一手寫輸入(242)；使所述第一手寫輸入通過多個識別器(102)來生成多個備選項列表(244)；將所述多個備選項列表合并在一起以生成新的備選項列表(250)；當正確結果已知時一起比較所述新備選項列表中的多個字符對來基于備選項對訓練識別系統(tǒng)(252)；以及存儲與所述多個字符對相關聯(lián)的一組權重供稍后在識別操作中使用(254)。
2. 如權利要求1所述的方法，其特征在于，還包括在運行時模式中接收第二手寫輸入(272);使所述第二手寫輸入通過所述多個識別器(102)來生成多個運行時備選 項列表(274);以及將所述多個運行時備選項列表合并在一起以生成新的運行時備選項列表(280)。
3. 如權利要求2所述的方法，其特征在于，還包括使用排序過程來針對所存儲的一組權重中的至少一部分一起比較所述新的運行時備選項列表中的新的多個字符對(282)。
4. 如權利要求3所述的方法，其特征在于，還包括 使用來自所述排序過程的結果來作出識別判定(284)。
5. 如權利要求3所述的方法，其特征在于，所述排序過程還包括將前兩組 字符與單獨的一組權重進行比較，且如果識別的準確性將會被改進(498)， 則倒轉所述前兩組字符的次序(496)。
6. 如權利要求1所述的方法，其特征在于，所述多個識別器中的至少一個 是神經網絡識別器(294)。
7. 如權利要求1所述的方法，其特征在于，所述多個識別器中的至少一個 是模板匹配識別器(298)。
8. 如權利要求1所述的方法，其特征在于，所述針對正確結果進行比較的 步驟還包括倒轉前兩組字符的次序(304)。
9. 如權利要求1所述的方法，其特征在于，所述多個識別器中的第一個是在線神經網絡識別器(294)，所述多個識別器中的第二個是離線神經網絡識 別器(296)，而所述多個識別器中的第三個是模板匹配識別器(298)。
10. 如權利要求l所述的方法，其特征在于，所述第一手寫輸入是用少 于四個的筆畫書寫的(290)。
11. 一種具有用于使計算機執(zhí)行如權利要求1所述的步驟的計算機可執(zhí) 行指令(700)的計算機可讀介質。
12. —種具有用于使計算機執(zhí)行以下步驟的計算機可執(zhí)行指令的計算 機可讀介質，所述步驟包括提供對已經基于印刷體和草寫體數(shù)據進行了訓練的第一比較器網過程和 第一重新定序網過程的訪問(492);提供對已經僅基于草寫體數(shù)據進行了訓練的第二比較器網過程和第二重 新定序網過程的訪問(494);從用戶接收手寫輸入(496);如果所述手寫輸入被確定為印刷體，則使用所述第一比較器網過程和所述 第一重新定序網過程來對所述手寫輸入執(zhí)行識別操作(496);以及如果所述手寫輸入被確定為草寫體，則使用所述第二比較器網過程和所述 第二重新定序網過程來對所述手寫輸入執(zhí)行識別操作(496)。
13. 如權利要求12所述的計算機可讀介質，其特征在于，所述第一重 新定序網過程(362)和所述第二重新定序網過程(356)可用于倒轉前兩組字 符的次序同時作為所述識別操作的一部分執(zhí)行比較。
14. 一種用于改進手寫識別器的操作的方法，包括 提供至少一個神經網絡基本識別器(472);提供模板匹配基本識別器以補充所述至少一個神經網絡基本識別器 (474);以及通過結合所述至少一個神經網絡基本識別器而使用所述模板匹配基本識 別器，改進識別操作(478)。
15. 如權利要求14所述的方法，其特征在于，所述識別操作通過提供 對更多碼點的支持而得以改進(476)。
16. 如權利要求15所述的方法，其特征在于，所述提供對更多碼點的支持仍維持系統(tǒng)的縮放性(476)。
17. 如權利要求14所述的方法，其特征在于，所述識別操作通過結果 的準確性而得以改進(478)。
18. 如權利要求14所述的方法，其特征在于，所述至少一個神經網絡 基本識別器包括多個神經網絡基本識別器(472)。
19. 如權利要求14所述的方法，其特征在于，所述模板匹配基本識別 器被設計成用于少于四個筆畫的手寫輸入(100)來工作。
20. —種具有用于使計算機執(zhí)行如權利要求14所述的步驟的計算機可 執(zhí)行指令(700)的計算機可讀介質。
全文摘要
公開了改進手寫識別操作的各種技術和技巧。手寫輸入在訓練模式中接收，并令其通過若干基本識別器來生成若干備選項列表。備選項列表被聯(lián)合成組合的備選項列表。如果正確結果處于組合列表中，則使用每一正確/不正確備選項對來生成訓練模式。存儲與備選項對相關聯(lián)的權重。在運行時，正如訓練時那樣生成組合備選項列表。經訓練的比較器網可用于比較組合列表中的任何兩個備選項。與一個或多個神經網絡基本識別器一起使用模板匹配基本識別器來改進識別操作。系統(tǒng)提供已經對于印刷體和草書數(shù)據進行了訓練的比較器網和重新定序網過程以及僅對于草書數(shù)據進行了訓練的比較器網和重新定序網過程。相應地使用各個比較器網和重新定序網過程。
文檔編號G06K9/18GK101460960SQ200780020251
公開日2009年6月17日 申請日期2007年5月4日 優(yōu)先權日2006年5月31日
發(fā)明者A·A·阿布杜勒卡德, M·T·布萊克, Q·張 申請人:微軟公司