13、波斯语手写单词与阿拉伯语离线手写识别：基于HMM与MDRNN的方法

波斯语手写单词与阿拉伯语离线手写识别：基于HMM与MDRNN的方法

1. 隐马尔可夫模型（HMM）在波斯语手写单词识别中的应用

在实际应用中，若要让隐马尔可夫模型（HMM）发挥作用，需解决三个主要问题：评估、解码和学习。
- 评估 ：假设有不同的HMM，每个都有一组三元组λ = (π, A, B)，以及作为观测序列的数据。问题在于找到能生成这些数据的最佳模型。前向算法可通过计算给定HMM模型下观测序列的概率来解决此问题。在脚本识别或语音识别过程中，当有不同模型且要将测试脚本或口语单词与现有模型匹配时，通常需要解决这个问题。
- 解码 ：该问题是找出导致观测序列的隐藏状态。维特比算法通常用于解决此问题。由于没有要解码的正确序列，因此使用最优准则来解决该问题。在自然语言处理（NLP）中，广泛需要解决此问题，例如需要将单词标记为名词、动词等句法类别。此时将句子中的单词视为观测，句法类别视为隐藏状态，目的是在给定上下文的情况下为单词找到最佳句法类别。
- 学习 ：在此问题中，有观测序列，知道导致这些观测的隐藏状态，并尝试找到描述观测序列的最佳（最可能）HMM (π, A, B)。前向 - 后向算法通常用于解决此问题。在脚本识别中，使用学习问题的解决方案来建模脚本，使用解码问题的解决方案来改进模型，使用评估问题的解决方案来为给定测试数据找到最佳匹配脚本。

2. 波斯语手写单词识别系统的HMM模型及初始估计

在使用隐马尔可夫链对识别系统进行建模和设计时，保持图像的原始大小非常重要，因为覆盖整个图像的滑动窗口数量是一个识别特征，可用于区分一些单词。