基于深度學習和知識策略的蒙古文古籍識別研究

1、分類號!里三坌!UDC論文題目密級編號——基于深度學習和知識策略的蒙古文古籍識別研究研究生：蒸囪丕指導教師：直迸塞教援專業(yè)：讓篡扭應恿撞本研究方向：蟹篚信皇處堡所在學院：讓篡扭堂院2016年03月01日內(nèi)蒙古大學博士學位論文基于深度學習和知識策略的蒙古文古籍識別技術(shù)研究摘要蒙古文古籍為研究蒙古社會政治和歷史文化提供了豐富和可靠的資料。為更好地搶救、整理和利用蒙古文古籍，內(nèi)蒙古大學圖書館啟動了古籍電子化工作，將其掃描轉(zhuǎn)換成圖像格式存儲，并

2、向讀者提供了電子化服務。但是，古籍圖像不能再編輯，且檢索效率低，分析和挖掘難度大，亟需利用文字識別技術(shù)將其轉(zhuǎn)換為文本文檔。蒙古文古籍采用木刻雕版工藝印刷，具有排版不夠規(guī)整、字形差異顯著、文字顏料擴散和脫落等特點，給識別工作帶來很大挑戰(zhàn)。本文以《御制蒙古文甘珠爾經(jīng)》為研究對象，在蒙古文古籍識別方面開展了一系列研究，主要內(nèi)容如下：1本文提出了蒙古文古籍單詞的有效識別方法。在分析整詞識別和基于切分的單詞識別兩種方案優(yōu)缺點的基礎(chǔ)上，結(jié)合蒙古文古

3、籍單詞特點，提出了整詞識別和基于切分的單詞識別的混合策略，對高度較低且字形基元切分難度大的單詞采用整詞識別的方法進行識別，對其余單詞采用基于字形基元切分的識別方法進行識別，通過實驗確定了兩種方法的選擇依據(jù)。2本文提出了半自動樣本選取方法。為達到理想的識別精度，需要大量樣本訓練識別中使用的卷積神經(jīng)網(wǎng)絡，為克服人工選取樣本效率低的缺點，提出了半自動的樣本選取方法，首先利用分類器對未分類的全部樣本進行粗分類，然后人工去除每類中不正確的樣本，最

4、后將每類中剩余樣本作為最終訓練樣本。訓練樣本選取分類器的過程采用了書寫者適應性調(diào)整、利用形態(tài)學方法生成偽訓練樣本、多次循環(huán)策略。3本文提出了蒙古文古籍單詞的字形基元切分方法。由于蒙古文古籍單詞存在嚴重的形變和字形基元重疊現(xiàn)象，針對機器印刷體蒙古文單詞的切分方法難以奏效。分析了蒙古文古籍單詞外形特征，提出了基于輪廓分析的字形基元切分方法，首先提取單詞輪廓上的關(guān)鍵點，其次利用輪廓關(guān)鍵點定位單詞主干線，最后利用輪廓關(guān)鍵點和主干線信息生成分割線