一種基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)識(shí)別系統(tǒng)、裝置和移動(dòng)終端的制作方法
【專利摘要】本發(fā)明公開(kāi)了一種基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)識(shí)別系統(tǒng)、裝置和移動(dòng)終端，屬于神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域；系統(tǒng)包括采集裝置、識(shí)別裝置和結(jié)果反饋裝置；其中識(shí)別裝置通過(guò)以多行多列排布并相互關(guān)聯(lián)的多個(gè)神經(jīng)單元模塊塊處理形成的神經(jīng)網(wǎng)絡(luò)模型對(duì)外部輸入的手寫(xiě)字符的圖像進(jìn)行識(shí)別；外部輸入的手寫(xiě)字符的圖像被轉(zhuǎn)換成相應(yīng)的時(shí)間脈沖序列并發(fā)送至所述識(shí)別裝置內(nèi)。通過(guò)反饋結(jié)果對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新和學(xué)習(xí)，以訓(xùn)練形成適應(yīng)于使用者個(gè)人書(shū)寫(xiě)習(xí)慣的神經(jīng)網(wǎng)絡(luò)模型。上述技術(shù)方案的有益效果是：減少數(shù)學(xué)處理模型處理數(shù)據(jù)的復(fù)雜度；減少向遠(yuǎn)程服務(wù)端傳輸?shù)臄?shù)據(jù)量，降低移動(dòng)終端應(yīng)用數(shù)學(xué)處理模型對(duì)網(wǎng)絡(luò)帶寬的依賴程度；提升數(shù)學(xué)處理模型應(yīng)用于移動(dòng)終端上的可能性。
【專利說(shuō)明】
-種基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)識(shí)別系統(tǒng)、裝置和移動(dòng)終端
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其設(shè)及一種基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)識(shí)別系統(tǒng)、裝 置和移動(dòng)終端。
【背景技術(shù)】
[0002] 現(xiàn)有技術(shù)中，針對(duì)移動(dòng)終端的手寫(xiě)識(shí)別系統(tǒng)，通常會(huì)采用設(shè)置于移動(dòng)終端內(nèi)部的 一些數(shù)據(jù)處理模型實(shí)現(xiàn)。運(yùn)些數(shù)學(xué)處理模型需要根據(jù)使用者個(gè)人的習(xí)慣的變動(dòng)進(jìn)行相適應(yīng) 的調(diào)整。
[0003] 但是現(xiàn)有技術(shù)中，于移動(dòng)終端內(nèi)部實(shí)現(xiàn)手寫(xiě)自動(dòng)識(shí)別的功能，通常受制于移動(dòng)終 端相對(duì)較小的運(yùn)算能力，W及移動(dòng)終端內(nèi)部相對(duì)固定的數(shù)學(xué)處理模型，其數(shù)據(jù)處理依賴于 遠(yuǎn)程服務(wù)端的支持，且處理方式比較固定，并不靈活。

【發(fā)明內(nèi)容】

[0004] 根據(jù)現(xiàn)有技術(shù)中存在的問(wèn)題，現(xiàn)提供一種基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)識(shí)別系統(tǒng)、裝置和 移動(dòng)終端的技術(shù)方案，旨在解決應(yīng)用在類似移動(dòng)終端等設(shè)備的數(shù)學(xué)處理模型比較固定，且 處理大數(shù)據(jù)依賴于網(wǎng)絡(luò)帶寬W及遠(yuǎn)程服務(wù)端等問(wèn)題。 陽(yáng)〇化]上述技術(shù)方案的有益效果是：
[0006] 一種基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)識(shí)別系統(tǒng)，設(shè)置于移動(dòng)終端內(nèi)；其中，包括：
[0007] 采集裝置，用于獲取輸入至所述移動(dòng)終端的手寫(xiě)字符；
[0008] 所述采集裝置將所述手寫(xiě)字符轉(zhuǎn)換為相應(yīng)的時(shí)間脈沖序列并輸出；
[0009] 識(shí)別裝置，連接所述采集裝置，所述識(shí)別裝置基于一預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，根 據(jù)所述時(shí)間脈沖序列識(shí)別并輸出相應(yīng)的識(shí)別結(jié)果；
[0010] 結(jié)果反饋裝置，連接所述識(shí)別裝置，用于獲得使用者基于所述識(shí)別結(jié)果執(zhí)行操作 得到的操作結(jié)果，將所述操作結(jié)果傳回至所述識(shí)別裝置；
[0011] 所述識(shí)別裝置根據(jù)所述操作結(jié)果更新所述神經(jīng)網(wǎng)絡(luò)模型。
[0012] 優(yōu)選的，該手寫(xiě)識(shí)別系統(tǒng)，其中，所述識(shí)別裝置包括：
[0013] 訓(xùn)練數(shù)據(jù)單元，其中預(yù)設(shè)有多個(gè)訓(xùn)練數(shù)據(jù)，所述訓(xùn)練單元用于輸出所述訓(xùn)練數(shù) 據(jù)；
[0014] 模型訓(xùn)練單元，連接所述訓(xùn)練數(shù)據(jù)單元，用于根據(jù)所述訓(xùn)練數(shù)據(jù)訓(xùn)練建立相應(yīng)的 所述神經(jīng)網(wǎng)絡(luò)模型。
[0015] 優(yōu)選的，該手寫(xiě)識(shí)別系統(tǒng)，其中，所述訓(xùn)練數(shù)據(jù)包括訓(xùn)練輸入數(shù)據(jù)W及相應(yīng)的期望 輸出數(shù)據(jù)；
[0016] 所述模型訓(xùn)練單元中包括：
[0017] 處理模塊，基于一預(yù)設(shè)的所述神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述訓(xùn)練輸入數(shù)據(jù)處理輸出相 應(yīng)的訓(xùn)練輸出數(shù)據(jù)；
[0018] 比對(duì)模塊，連接所述處理模塊，用于將所述訓(xùn)練輸出數(shù)據(jù)與所述期望輸出數(shù)據(jù)進(jìn) 行比對(duì)，輸出相應(yīng)的比對(duì)結(jié)果；
[0019] 訓(xùn)練模塊，分別連接所述處理模塊和所述比對(duì)模塊，用于根據(jù)所述比對(duì)結(jié)果訓(xùn)練 更新所述處理單元所依據(jù)的所述神經(jīng)網(wǎng)絡(luò)模型；
[0020] 所述訓(xùn)練更新模塊根據(jù)所述比對(duì)結(jié)果循環(huán)更新所述神經(jīng)網(wǎng)絡(luò)模型，W最終形成訓(xùn) 練完畢的所述神經(jīng)網(wǎng)絡(luò)模型，W供所述識(shí)別裝置使用。
[0021] 優(yōu)選的，該手寫(xiě)識(shí)別系統(tǒng)，其中，所述識(shí)別結(jié)果包括對(duì)應(yīng)于所述手寫(xiě)字符的多個(gè)順 序排列的選項(xiàng)；
[0022] 所述操作結(jié)果包括用于表示使用者所選擇的選項(xiàng)的順次的結(jié)果數(shù)據(jù)；
[0023] 所述識(shí)別裝置包括：
[0024] 權(quán)重設(shè)定單元，根據(jù)所述結(jié)果數(shù)據(jù)，設(shè)定使用者所選擇的選項(xiàng)于更新所述神經(jīng)網(wǎng) 絡(luò)模型過(guò)程中的權(quán)重值；
[00巧]更新單元，連接所述權(quán)重設(shè)定單元，用于根據(jù)相應(yīng)的所述權(quán)重值，確定是否需要根 據(jù)所選擇的選項(xiàng)更新所述神經(jīng)網(wǎng)絡(luò)模型，并對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新。
[00%] 優(yōu)選的，該手寫(xiě)識(shí)別系統(tǒng)，其中，所述權(quán)重設(shè)定單元在所選擇的選項(xiàng)的相應(yīng)順次為 第一位時(shí)設(shè)定相應(yīng)的所述權(quán)重值為一第一預(yù)設(shè)值；
[0027] 所述權(quán)重設(shè)定單元在所選擇的選項(xiàng)的相應(yīng)順次不為第一位時(shí)設(shè)定相應(yīng)的所述權(quán) 重值為一第二預(yù)設(shè)值；
[0028] 所述更新單元于所述選項(xiàng)的所述權(quán)重值為第一預(yù)設(shè)值時(shí)不根據(jù)所述選項(xiàng)對(duì)所述 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新.
[0029] 所述更新單元于所述選項(xiàng)的所述權(quán)重值為第二預(yù)設(shè)值時(shí)根據(jù)所述選項(xiàng)對(duì)所述神 經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新。
[0030] 優(yōu)選的，該手寫(xiě)識(shí)別系統(tǒng)，其中，所述權(quán)重設(shè)定單元在所選擇的選項(xiàng)的相應(yīng)順次為 第一位時(shí)將相應(yīng)的所述權(quán)重值設(shè)定為一正常值；
[0031] 所述權(quán)重設(shè)定單元在所選擇的選項(xiàng)的相應(yīng)順次不為第一位時(shí)將相應(yīng)的所述權(quán)重 值設(shè)定為高于所述正常值。
[0032] 優(yōu)選的，該手寫(xiě)識(shí)別系統(tǒng)，其中，所述采集裝置包括：
[0033] 定時(shí)單元，其中預(yù)設(shè)有一采集間隔；
[0034] 采集單元，連接所述定時(shí)單元，用于依據(jù)所述采集間隔定期采集所述手寫(xiě)字符。
[0035] 優(yōu)選的，該手寫(xiě)識(shí)別系統(tǒng)，其中，所述采集裝置定時(shí)掃描所述移動(dòng)終端觸摸屏的手 寫(xiě)顯示區(qū)域，W采集得到相應(yīng)的所述手寫(xiě)字符。
[0036] 優(yōu)選的，該手寫(xiě)識(shí)別系統(tǒng)，其特征在于，還包括：
[0037] 通信裝置，連接所述識(shí)別裝置，并遠(yuǎn)程連接一外部的服務(wù)端；
[0038] 所述識(shí)別裝置通過(guò)所述通信裝置將所述時(shí)間脈沖序列遠(yuǎn)程傳輸至所述服務(wù)端進(jìn) 行處理；
[0039] 所述服務(wù)端根據(jù)所述時(shí)間脈沖序列訓(xùn)練形成相應(yīng)的所述神經(jīng)網(wǎng)絡(luò)模型；
[0040] 所述識(shí)別裝置通過(guò)所述通信裝置接收自所述服務(wù)端遠(yuǎn)程傳輸?shù)乃錾窠?jīng)網(wǎng)絡(luò)模 型，并進(jìn)行相應(yīng)訓(xùn)練更新。
[0041] 優(yōu)選的，該手寫(xiě)識(shí)別系統(tǒng)，其特征在于，當(dāng)所述識(shí)別裝置無(wú)法識(shí)別根據(jù)所述手寫(xiě)字 符形成的所述時(shí)間脈沖序列時(shí)，所述識(shí)別裝置通過(guò)所述通信裝置將所述時(shí)間脈沖序列遠(yuǎn)程 傳輸至所述服務(wù)端進(jìn)行處理；
[0042] 所述識(shí)別裝置根據(jù)輸入的所述時(shí)間脈沖序列，W及所述服務(wù)端進(jìn)行處理后返回的 相應(yīng)的識(shí)別結(jié)果，對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練更新。
[0043] 優(yōu)選的，該手寫(xiě)識(shí)別系統(tǒng)，其中，所述神經(jīng)網(wǎng)絡(luò)模型為脈沖神經(jīng)網(wǎng)絡(luò)模型。
[0044] 一種識(shí)別裝置，應(yīng)用于移動(dòng)終端；其中，所述識(shí)別裝置通過(guò)W多行多列排布并相互 關(guān)聯(lián)的多個(gè)神經(jīng)單元模塊塊處理形成的神經(jīng)網(wǎng)絡(luò)模型對(duì)外部輸入的手寫(xiě)字符的圖像進(jìn)行 識(shí)別；
[0045] 外部輸入的手寫(xiě)字符的圖像被轉(zhuǎn)換成相應(yīng)的時(shí)間脈沖序列并發(fā)送至所述識(shí)別裝 置內(nèi)。
[0046] 優(yōu)選的，該識(shí)別裝置，其中，經(jīng)所述手寫(xiě)字符轉(zhuǎn)換的所述時(shí)間脈沖序列由多個(gè)子脈 沖序列構(gòu)成；
[0047] 每個(gè)所述神經(jīng)單元模塊用于處理一個(gè)所述子脈沖序列； W48] 所述識(shí)別裝置中包括：
[0049] 排程設(shè)定單元，分別連接每個(gè)所述神經(jīng)單元模塊，用于獲取每個(gè)所述神經(jīng)單元模 塊的工作狀態(tài)，并控制每個(gè)所述神經(jīng)單元模塊的排程；
[0050] 序列存儲(chǔ)單元，連接所述排程設(shè)定單元，用于按序保存所有所述子脈沖序列；
[0051] 所述排程設(shè)定單元控制處于空閑狀態(tài)的所述神經(jīng)單元模塊處理所述序列存儲(chǔ)單 元中保存的一個(gè)預(yù)設(shè)的所述子脈沖序列；
[0052] 所述排程設(shè)定單元從所述序列存儲(chǔ)單元中刪除已被處理的所述子脈沖序列。
[0053] 優(yōu)選的，該識(shí)別裝置，其中，每個(gè)所述神經(jīng)單元模塊中包括W多行多列排布并相互 關(guān)聯(lián)的神經(jīng)單元。
[0054] 優(yōu)選的，該識(shí)別裝置，其中，所述神經(jīng)網(wǎng)絡(luò)模型為脈沖神經(jīng)網(wǎng)絡(luò)模型。
[0055] 一種移動(dòng)終端，其中，包括上述的手寫(xiě)識(shí)別系統(tǒng)。
[0056] 一種移動(dòng)終端，其中，包括上述的識(shí)別裝置。
[0057] 上述技術(shù)方案的有益效果是：
[0058] 1)將識(shí)別對(duì)象轉(zhuǎn)換成相應(yīng)的時(shí)間脈沖序列并進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的識(shí)別和處理，大 大減少數(shù)學(xué)處理模型處理數(shù)據(jù)的復(fù)雜度；
[0059] 2)將識(shí)別對(duì)象轉(zhuǎn)換成相應(yīng)的時(shí)間脈沖序列并進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的識(shí)別和處理，減 少向遠(yuǎn)程服務(wù)端傳輸?shù)臄?shù)據(jù)量，降低移動(dòng)終端應(yīng)用數(shù)學(xué)處理模型對(duì)網(wǎng)絡(luò)帶寬的依賴程度；
[0060] 3)采用多個(gè)神經(jīng)單元模塊相互關(guān)聯(lián)的方式組建神經(jīng)網(wǎng)絡(luò)模型，能夠利用較少的處 理單元處理較復(fù)雜的數(shù)據(jù)，提升數(shù)學(xué)處理模型軟硬件結(jié)構(gòu)應(yīng)用于移動(dòng)終端等設(shè)備上的可能 性。
【附圖說(shuō)明】
[0061] 圖1是本發(fā)明的較佳的實(shí)施例中，一種手寫(xiě)識(shí)別系統(tǒng)的結(jié)構(gòu)示意圖； 陽(yáng)06引圖2是本發(fā)明的較佳的實(shí)施例中，時(shí)間脈沖序列的示意圖；
[0063] 圖3是本發(fā)明的較佳的實(shí)施例中，構(gòu)建識(shí)別裝置中神經(jīng)網(wǎng)絡(luò)模型的示意圖。
[0064] 圖4-5是本發(fā)明的較佳的實(shí)施例中，識(shí)別裝置中神經(jīng)網(wǎng)絡(luò)模型的連接示意圖； 陽(yáng)0化]圖6是本發(fā)明的較佳的實(shí)施例中，模型訓(xùn)練單元的具體結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0066] 下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但不作為本發(fā)明的限定。
[0067] 現(xiàn)有技術(shù)中，傳統(tǒng)的應(yīng)用于移動(dòng)終端等手持設(shè)備上實(shí)現(xiàn)智能識(shí)別的數(shù)學(xué)模型，通 常有兩種實(shí)現(xiàn)方式：
[0068] 1)其中一種實(shí)現(xiàn)方式受制于移動(dòng)終端的硬件計(jì)算能力，需要通過(guò)遠(yuǎn)程服務(wù)端的計(jì) 算，也就是云計(jì)算訓(xùn)練移動(dòng)終端內(nèi)部的數(shù)學(xué)處理模型。由于移動(dòng)終端與遠(yuǎn)程服務(wù)端之間傳 輸?shù)臄?shù)據(jù)量可能會(huì)比較大，例如進(jìn)行圖像識(shí)別或者視頻識(shí)別等，因此運(yùn)種方式的實(shí)現(xiàn)受限 于網(wǎng)絡(luò)帶寬的限制，是一種比較不可靠的實(shí)現(xiàn)方式；
[0069] 2)另一種實(shí)現(xiàn)方式可W將預(yù)先訓(xùn)練好的智能數(shù)學(xué)處理模型預(yù)置于移動(dòng)終端內(nèi)部， 并根據(jù)該數(shù)學(xué)處理模型直接進(jìn)行相應(yīng)的識(shí)別處理。運(yùn)種方式所依賴的數(shù)學(xué)處理模型由于是 預(yù)先訓(xùn)練并且預(yù)置于移動(dòng)終端內(nèi)部，因此缺乏一定的靈活性，在使用者改變了個(gè)人書(shū)寫(xiě)習(xí) 慣或者不同的使用者使用時(shí)無(wú)法通過(guò)自學(xué)習(xí)或者自訓(xùn)練來(lái)適應(yīng)使用者的操作。
[0070] 因此，本發(fā)明引入神經(jīng)網(wǎng)絡(luò)模型作為移動(dòng)終端內(nèi)部的數(shù)學(xué)處理模型，W解決現(xiàn)有 技術(shù)中存在的問(wèn)題。
[0071] 所謂神經(jīng)網(wǎng)絡(luò)，又稱為人工神經(jīng)網(wǎng)絡(luò)，是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分 布式并行信息處理的數(shù)據(jù)處理和計(jì)算的模型。運(yùn)種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi) 部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。
[0072] 本發(fā)明的較佳的實(shí)施例中，提供一種基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)識(shí)別系統(tǒng)，該系統(tǒng)設(shè)置 于移動(dòng)終端內(nèi)，其結(jié)構(gòu)如圖1所示，具體包括：
[0073] 采集裝置1。本發(fā)明的較佳的實(shí)施例中，采集裝置1用于獲取使用者通過(guò)移動(dòng)終端 輸入的手寫(xiě)字符。
[0074] 進(jìn)一步地，如圖1所示，上述采集裝置包括： 陽(yáng)075] 定時(shí)單元11。本發(fā)明的較佳的實(shí)施例中，定時(shí)單元11中預(yù)設(shè)有一采集間隔。
[0076] 采集單元12,連接上述定時(shí)單元11。本發(fā)明的較佳的實(shí)施例中，采集單元12基于 上述采集間隔，定時(shí)掃描移動(dòng)終端顯示屏上的手寫(xiě)區(qū)域，W獲取相應(yīng)的手寫(xiě)字符。
[0077] 本發(fā)明的較佳的實(shí)施例中，采集單元12獲取相應(yīng)的手寫(xiě)字符，并將該首席字符轉(zhuǎn) 換成相應(yīng)的時(shí)間脈沖序列輸出。
[0078] 本發(fā)明的較佳的實(shí)施例中，時(shí)間脈沖序列（Spike Sequences)如圖2所示。圖2 中可看到，時(shí)間脈沖序列可W為一種比較稀疏的時(shí)間數(shù)字序列，序列可W由0或1表示，也 可W由其他整數(shù)表示。如圖2所示，一個(gè)手寫(xiě)字符可W對(duì)應(yīng)數(shù)個(gè)子脈沖序列。
[0079] 本發(fā)明的較佳的實(shí)施例中，于神經(jīng)網(wǎng)絡(luò)模型中處理和傳輸?shù)臄?shù)據(jù)均被轉(zhuǎn)換成如上 文中所述的時(shí)間脈沖序列，由于運(yùn)些時(shí)間脈沖序列相對(duì)于原先的手寫(xiě)字符而言數(shù)據(jù)量更 小，因此通過(guò)網(wǎng)絡(luò)傳輸?shù)牧髁控?fù)荷也大大減小，對(duì)于網(wǎng)絡(luò)帶寬的依賴程度也相應(yīng)減小。同時(shí) 由于本發(fā)明中將手寫(xiě)字符轉(zhuǎn)換成各式各樣的脈沖信號(hào)，因此大大提升了數(shù)據(jù)傳輸?shù)募用艹?度，保證數(shù)據(jù)傳輸?shù)陌踩浴?br>[0080] 因此，本發(fā)明的較佳的實(shí)施例中所采用的神經(jīng)網(wǎng)絡(luò)模型為脈沖神經(jīng)網(wǎng)絡(luò)模型。
[0081] 本發(fā)明的較佳的實(shí)施例中，仍然如圖1所示，上述手寫(xiě)字符識(shí)別系統(tǒng)中還包括：
[0082] 識(shí)別裝置2,連接上述采集裝置1。本發(fā)明的較佳的實(shí)施例中，識(shí)別裝置基于一預(yù) 先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)上述手寫(xiě)字符的識(shí)別。進(jìn)一步地，本發(fā)明的較佳的實(shí)施例中， 上述識(shí)別裝置2基于一預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型對(duì)上述時(shí)間脈沖序列進(jìn)行識(shí)別，并輸出相 應(yīng)的識(shí)別結(jié)果。
[0083] 本發(fā)明的較佳的實(shí)施例中，如圖3所示，上述神經(jīng)網(wǎng)絡(luò)模型由多行多列且相互關(guān) 聯(lián)的神經(jīng)單元模塊A構(gòu)成。進(jìn)一步地，本發(fā)明的較佳的實(shí)施例中，仍然如圖3所示，每個(gè)神 經(jīng)單元模塊A中包括P沖個(gè)神經(jīng)單元曰，每個(gè)神經(jīng)單元模塊A中的神經(jīng)單元a同樣W多行多 列排布且相互關(guān)聯(lián)的形式連接。本發(fā)明的較佳的實(shí)施例中，所謂相互關(guān)聯(lián)，是指神經(jīng)單元與 神經(jīng)單元之間，或者神經(jīng)單元模塊與神經(jīng)單元模塊之間可W進(jìn)行相互間的數(shù)據(jù)傳輸。如上 文所述，一個(gè)神經(jīng)單元模塊A可W對(duì)應(yīng)處理一個(gè)時(shí)間脈沖序列（a Sp化ing Sequence),通過(guò) 相互連接的神經(jīng)單元模塊A處理形成的數(shù)據(jù)，可W最終輸出采用該脈沖神經(jīng)網(wǎng)絡(luò)模型處理 的識(shí)別結(jié)果。
[0084] 本發(fā)明的較佳的實(shí)施例中，同一個(gè)神經(jīng)單元模塊化lock)中，一級(jí)神經(jīng)單元與上 一級(jí)神經(jīng)單元之間的連接關(guān)系可W參照?qǐng)D4所示。在第k層的神經(jīng)單元。接收到上一層 化-1層）的神經(jīng)單元為一層神經(jīng)單元度^所能連接的上一層神經(jīng)單元 的最大個(gè)數(shù)）處理的數(shù)據(jù)，并且將運(yùn)些數(shù)據(jù)與該層神經(jīng)單元本身的偏置化ias) (或者漏泄時(shí)滯Leakage) &八約結(jié)合。本發(fā)明的較佳的實(shí)施例中，當(dāng)該層神經(jīng)單元拍f所接 收到的數(shù)據(jù)（全部信號(hào)）大于預(yù)設(shè)的一個(gè)闊值時(shí)（即為該神經(jīng)單元Z/f激發(fā)脈沖時(shí)的 電位臨界點(diǎn)），該神經(jīng)單元/2^便會(huì)發(fā)送一個(gè)脈沖（Sp化e)至下一層的神經(jīng)單元，W啟動(dòng)下 一層神經(jīng)單元的數(shù)據(jù)處理，而神經(jīng)單元本身將其電位重設(shè)為靜息電位2^0^ (Resting Potential)。
[00化]本發(fā)明的一個(gè)較佳的實(shí)施例中，提供下述公式W支持應(yīng)用神經(jīng)單元（模塊）的排 布構(gòu)建脈沖神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)：
[0086]
[0089]
(4)
[0090]其中，
[00川 傲表示第k層第i個(gè)神經(jīng)單元||在時(shí)間點(diǎn)t上的電位； 陽(yáng)09引因此，如公式似和公式（4)所示，當(dāng)神經(jīng)單元》·^的電位在時(shí)間點(diǎn)t上超過(guò)上文 中所述的電位臨界點(diǎn)時(shí)，該神經(jīng)單元錢(qián)f激發(fā)一個(gè)脈沖（spike)，并且將神經(jīng)單元巧f的 電位重置（reset)為靜息電位巧 0 W93] 本發(fā)明的較佳的實(shí)施例中，區(qū)別于公式（1)和公式似，公式（3)和公式（4)考 慮了努個(gè)時(shí)間延遲的問(wèn)題來(lái)模擬不同遠(yuǎn)近程度的神經(jīng)單元之間傳遞脈沖的時(shí)間差的關(guān) 系。
[0094] 本發(fā)明的較佳的實(shí)施例中，于兩個(gè)相互關(guān)聯(lián)（相互鏈接）的神經(jīng)單元a而言，下層 神經(jīng)單元a傳輸給上層神經(jīng)單元a的脈沖（spike)的次數(shù)越頻繁，則兩個(gè)神經(jīng)單元a之間 的連結(jié)強(qiáng)度也會(huì)相應(yīng)增強(qiáng)，相反地，連結(jié)強(qiáng)度會(huì)相應(yīng)減弱。運(yùn)種連結(jié)強(qiáng)度的變化也就 是脈沖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行機(jī)械式自學(xué)習(xí)的過(guò)程。 陽(yáng)〇巧]本發(fā)明的其他實(shí)施例中，上述神經(jīng)單元之間的連接W及神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)方 式同樣可W應(yīng)用現(xiàn)有技術(shù)中的許多實(shí)現(xiàn)形式，例如采用基于脈沖時(shí)間的學(xué)習(xí)規(guī)則（Spike Timing-Dependent Plasticity, STDP)，其實(shí)現(xiàn)方式如下述公式所示，其中LTP表示長(zhǎng)時(shí)程 增強(qiáng)化ong-term化tentiation)，即增強(qiáng)神經(jīng)單元之間的連結(jié)強(qiáng)度，LTD表示長(zhǎng)時(shí)程抑制 (Xong-term Depression)，即減弱神經(jīng)單元之間的連結(jié)強(qiáng)度。
[0096]
C5)
[0097] 其中，表示神經(jīng)單元。;與神經(jīng)單元之間的連結(jié)強(qiáng)度，則相應(yīng)地 円1，1 .
衰示連結(jié)強(qiáng)度的增加量
[0098] A+和A-，W及C+和C-均為對(duì)應(yīng)于LTP和LTD可進(jìn)行設(shè)置的參數(shù)；
[0099] tm為對(duì)應(yīng)于神經(jīng)單元的時(shí)間點(diǎn)； 陽(yáng)100] ti為對(duì)應(yīng)于神經(jīng)單元/7;^勺時(shí)間點(diǎn)。 陽(yáng)101] 本發(fā)明的較佳的實(shí)施例中，將神經(jīng)單元a之間的連接擴(kuò)展到神經(jīng)單元模塊A之間 同樣適用，即神經(jīng)單元模塊A之間同樣適用上文中所述的連接方式化及連結(jié)強(qiáng)度的變化方 式等。 陽(yáng)102] 本發(fā)明的較佳的實(shí)施例中，如圖3所示，于上述識(shí)別裝置中還包括一排程設(shè)定單 元（Sche化ler)B。本發(fā)明的較佳的實(shí)施例中，該排程設(shè)定單元B分別與每個(gè)神經(jīng)單元模塊 A連接，并用于控制每個(gè)神經(jīng)單元A的排程（Sche化ling)。所謂排程，是指將任務(wù)分配至資 源的過(guò)程，即排程設(shè)定單元B將相應(yīng)的處理任務(wù)分配給相應(yīng)的神經(jīng)單元模塊A。 陽(yáng)103] 本發(fā)明的較佳的實(shí)施例中，排程設(shè)定單元B可W獲取每個(gè)神經(jīng)單元模塊A的工作 狀態(tài)，例如該神經(jīng)單元模塊A處于工作中或者空閑狀態(tài)。具體地，本發(fā)明的一個(gè)較佳的實(shí)施 例中，根據(jù)每個(gè)神經(jīng)單元a (可W推廣到每個(gè)神經(jīng)單元模塊A)處于被脈沖激活的點(diǎn)火狀態(tài)， 或者處于靜息電位，來(lái)判斷該神經(jīng)單元a (神經(jīng)單元模塊A)是否處于空閑狀態(tài)。
[0104] 本發(fā)明的較佳的實(shí)施例中，如圖3所示，上述識(shí)別裝置中還包括一序列存儲(chǔ)單元 C，該序列存儲(chǔ)單元C連接上述排程設(shè)定單元B。
[0105] 具體地，本發(fā)明的較佳的實(shí)施例中，由于移動(dòng)終端本身所能容納的神經(jīng)單元的數(shù) 量有限，因此需要解決當(dāng)處理一些比較復(fù)雜的任務(wù)（所需要的神經(jīng)單元數(shù)量超過(guò)移動(dòng)終端 所容納的神經(jīng)單元數(shù)量）時(shí)的實(shí)現(xiàn)方法。 陽(yáng)106]因此，本發(fā)明的較佳的實(shí)施例中，假設(shè)所需要處理的任務(wù)要求N個(gè)神經(jīng)單元模塊A 進(jìn)行處理，而移動(dòng)終端內(nèi)部容納的神經(jīng)單元模塊A只有Μ個(gè)，且N > Μ。在運(yùn)種情況下，W預(yù) 設(shè)的第1層神經(jīng)單元模塊A為例，任務(wù)所需的神經(jīng)單元模塊A為N_1個(gè)，而該層神經(jīng)單元模 塊A只有M_1個(gè)，此時(shí)將該N_1個(gè)任務(wù)所需數(shù)據(jù)（如上文所述，每個(gè)神經(jīng)單元模塊A對(duì)應(yīng)一 個(gè)子脈沖序列，即對(duì)應(yīng)一個(gè)處理數(shù)據(jù)）暫存于上述序列存儲(chǔ)單元C中，隨后由排程設(shè)定單元 B進(jìn)行控制：當(dāng)該層神經(jīng)單元模塊A中存在有處于空閑狀態(tài)的神經(jīng)單元模塊A (例如已經(jīng)完 成相應(yīng)計(jì)算的神經(jīng)單元模塊A)，則依序?qū)捍嬗谏鲜鲂蛄写鎯?chǔ)單元C中的數(shù)據(jù)送入該處于 空閑狀態(tài)的神經(jīng)單元模塊A中進(jìn)行處理。W此類推，從而完成采用Μ個(gè)神經(jīng)單元模塊A處 理N個(gè)神經(jīng)單元模塊才能處理的數(shù)據(jù)。上述技術(shù)方案使得移動(dòng)終端能夠突破其中包括的神 經(jīng)單元數(shù)量的限制而可W進(jìn)行更復(fù)雜的計(jì)算。 陽(yáng)107] 如圖5所示為本發(fā)明的一個(gè)較佳的實(shí)施例中，整個(gè)神經(jīng)網(wǎng)絡(luò)模型中神經(jīng)單元模塊 之間的連接關(guān)系，同樣可W類推到一個(gè)神經(jīng)單元模塊中的多個(gè)神經(jīng)單元之間的連接關(guān)系。 本發(fā)明的較佳的實(shí)施例中，圖5中采用a(A)的表述方式表示圖4中所示的連接結(jié)構(gòu)同樣適 用神經(jīng)單元a之間，W及神經(jīng)單元模塊A之間。由于現(xiàn)有技術(shù)中對(duì)此類連接關(guān)系的實(shí)現(xiàn)方 式有較多描述，因此在此不再寶述。
[0108] 本發(fā)明的較佳的實(shí)施例中，仍然如圖1所示，上述識(shí)別裝置2中包括： 陽(yáng)109] 訓(xùn)練數(shù)據(jù)單元21。本發(fā)明的較佳的實(shí)施例中，訓(xùn)練數(shù)據(jù)單元21中預(yù)設(shè)有多個(gè)訓(xùn)練 數(shù)據(jù)，并用于輸出訓(xùn)練數(shù)據(jù)。
[0110] 本發(fā)明的較佳的實(shí)施例中，所謂訓(xùn)練數(shù)據(jù)，包括訓(xùn)練輸入數(shù)據(jù)和期望輸出數(shù)據(jù)。訓(xùn) 練輸入數(shù)據(jù)與期望輸出數(shù)據(jù)一一對(duì)應(yīng)。則本發(fā)明的較佳的實(shí)施例中，神經(jīng)網(wǎng)絡(luò)模型的自學(xué) 習(xí)過(guò)程即：輸入訓(xùn)練輸入數(shù)據(jù)一輸出訓(xùn)練輸出數(shù)據(jù)一與期望輸出數(shù)據(jù)進(jìn)行比對(duì)一根據(jù)比對(duì) 結(jié)果進(jìn)行自學(xué)習(xí)。上述過(guò)程在下文中會(huì)詳述。
[0111] 模型訓(xùn)練單元22,連接訓(xùn)練數(shù)據(jù)單元21。本發(fā)明的較佳的實(shí)施例中，模型訓(xùn)練單 元22用于根據(jù)訓(xùn)練數(shù)據(jù)訓(xùn)練建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。
[0112] 進(jìn)一步地，本發(fā)明的較佳的實(shí)施例中，如圖6所示，上述模型訓(xùn)練單元22包括：
[0113] 處理模塊221。本發(fā)明的較佳的實(shí)施例中，處理模塊221基于一預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)模 型，根據(jù)訓(xùn)練輸入數(shù)據(jù)處理輸出相應(yīng)的訓(xùn)練輸出數(shù)據(jù)。
[0114] 本發(fā)明的較佳的實(shí)施例中，處理模塊221第一次根據(jù)訓(xùn)練輸入數(shù)據(jù)處理輸出訓(xùn)練 輸出數(shù)據(jù)時(shí)所依據(jù)的神經(jīng)網(wǎng)絡(luò)模型為一預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)模型，即為一初始的神經(jīng)網(wǎng)絡(luò)模 型。該神經(jīng)網(wǎng)絡(luò)模型被初始為任意模式，移動(dòng)終端根據(jù)初始的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行一步步訓(xùn) 練，從而形成最終訓(xùn)練完畢的神經(jīng)網(wǎng)絡(luò)模型。
[0115] 比對(duì)模塊222,連接處理模塊221。本發(fā)明的較佳的實(shí)施例中，比對(duì)模塊222用于 將訓(xùn)練輸出數(shù)據(jù)與期望輸出數(shù)據(jù)進(jìn)行比對(duì)，輸出相應(yīng)的比對(duì)結(jié)果。
[0116] 訓(xùn)練模塊223,分別連接處理模塊221和比對(duì)模塊222,用于根據(jù)比對(duì)結(jié)果訓(xùn)練更 新處理單元所依據(jù)的神經(jīng)網(wǎng)絡(luò)模型。
[0117] 本發(fā)明的較佳的實(shí)施例中，上述過(guò)程循環(huán)進(jìn)行，從而形成最終訓(xùn)練完畢的神經(jīng)網(wǎng) 絡(luò)模型。 陽(yáng)11引例如，訓(xùn)練輸入數(shù)據(jù)為A和B，期望輸出數(shù)據(jù)中，A對(duì)應(yīng)的輸出為1，而B(niǎo)對(duì)應(yīng)的輸出 為0。在初始化的神經(jīng)網(wǎng)絡(luò)模型中，A的輸出可能對(duì)應(yīng)于0或1，每個(gè)輸出的概率各為50%。 若A的輸出為1，則與期望輸出比對(duì)證明輸出正確，此時(shí)不需要再對(duì)A進(jìn)行學(xué)習(xí)，若A的輸出 為0,則與期望輸出比對(duì)證明輸出錯(cuò)誤，需要對(duì)A - 1進(jìn)行進(jìn)一步學(xué)習(xí)。對(duì)于B的處理和輸 出亦然。上述學(xué)習(xí)過(guò)程循環(huán)往復(fù)，W最終形成能夠正確處理A和B并輸出正確結(jié)果的神經(jīng) 網(wǎng)絡(luò)模型。
[0119] 本發(fā)明的較佳的實(shí)施例中，上述最終形成的神經(jīng)網(wǎng)絡(luò)模型可W供識(shí)別裝置進(jìn)行字 符識(shí)別使用。但是運(yùn)個(gè)神經(jīng)網(wǎng)絡(luò)模型在實(shí)際使用中還需要進(jìn)一步地學(xué)習(xí)和完善，W適應(yīng)使 用者的個(gè)人習(xí)慣。進(jìn)一步完善的過(guò)程在下文中會(huì)詳述。
[0120] 本發(fā)明的較佳的實(shí)施例中，上述手寫(xiě)識(shí)別系統(tǒng)中還包括： 陽(yáng)121] 結(jié)果反饋裝置3,連接識(shí)別裝置2。本發(fā)明的較佳的實(shí)施例中，上述結(jié)果反饋裝置 3用于獲得使用者基于識(shí)別結(jié)果執(zhí)行操作得到的操作結(jié)果，將操作結(jié)果傳回至識(shí)別裝置。 [0122] 例如，通過(guò)對(duì)手寫(xiě)字符的識(shí)別，識(shí)別裝置給出了 4個(gè)可能選項(xiàng)，而使用者根據(jù)操作 選擇了第Ξ個(gè)可能選項(xiàng)，則結(jié)果反饋裝置3將該結(jié)果返回給識(shí)別裝置2。 陽(yáng)123] 因此，本發(fā)明的較佳的實(shí)施例中，上述識(shí)別裝置2中還包括：
[0124] 權(quán)重設(shè)定單元23。本發(fā)明的較佳的實(shí)施例中，權(quán)重設(shè)定單元23根據(jù)結(jié)果數(shù)據(jù)，設(shè) 定使用者所選擇的選項(xiàng)于更新神經(jīng)網(wǎng)絡(luò)模型過(guò)程中的權(quán)重值。
[01巧]本發(fā)明的較佳的實(shí)施例中，上述識(shí)別結(jié)果包括給出多個(gè)可能的選項(xiàng)，多個(gè)選項(xiàng)之 間按照一定順序排列。則本發(fā)明的較佳的實(shí)施例中，上述結(jié)果數(shù)據(jù)包括于操作結(jié)果中，具體 用于表示使用者所選擇的選項(xiàng)所處的順次。
[01%] 具體地，本發(fā)明的較佳的實(shí)施例中，若使用者所選擇的選項(xiàng)所處的順次為第一順 次，則權(quán)重設(shè)定單元23將相應(yīng)的權(quán)重值設(shè)定為第一預(yù)設(shè)值；
[0127] 相應(yīng)地，本發(fā)明的較佳的實(shí)施例中，若使用者所選擇的選項(xiàng)所處的順次不為第一 順次，則權(quán)重設(shè)定單元23將相應(yīng)的權(quán)重值設(shè)定為第二預(yù)設(shè)值。
[0128] 本發(fā)明的一個(gè)較佳的實(shí)施例中，上述第一預(yù)設(shè)值為一正常值，上述第二預(yù)設(shè)值高 于正常值。
[0129] 更新單元24,連接權(quán)重設(shè)定單元23。本發(fā)明的較佳的實(shí)施例中，更新單元225用 于根據(jù)相應(yīng)的權(quán)重值，確定是否需要根據(jù)所選擇的選項(xiàng)更新神經(jīng)網(wǎng)絡(luò)模型，并對(duì)神經(jīng)網(wǎng)絡(luò) 模型進(jìn)行更新。
[0130] 具體地，如上文中所述，若操作結(jié)果的權(quán)重值為第一預(yù)設(shè)值（優(yōu)選的為一正常 值），則表示使用者本次選擇的選項(xiàng)位于給出選項(xiàng)的第一順次，該筆訓(xùn)練記錄（Training Record)于更新神經(jīng)網(wǎng)絡(luò)模型（即神經(jīng)網(wǎng)絡(luò)模型自學(xué)習(xí)）過(guò)程中是不重要的，無(wú)需對(duì)該訓(xùn)練 記錄進(jìn)行重新訓(xùn)練。 陽(yáng)131] 相應(yīng)地，若操作結(jié)果的權(quán)重值為第二預(yù)設(shè)值（優(yōu)選的為高于正常值），則表示使用 者本次選擇的選項(xiàng)并非位于給出選項(xiàng)的第一順次，該筆訓(xùn)練記錄（Training Record)于更 新神經(jīng)網(wǎng)絡(luò)模型的過(guò)程中是比較重要的，即神經(jīng)網(wǎng)絡(luò)模型需要根據(jù)該筆訓(xùn)練記錄進(jìn)行重新 訓(xùn)練，例如訓(xùn)練形成輸入相應(yīng)的手寫(xiě)字符時(shí)將該選項(xiàng)置于給出選項(xiàng)的第一順次等。
[0132] 本發(fā)明的較佳的實(shí)施例中，上述訓(xùn)練過(guò)程為實(shí)際應(yīng)用時(shí)的訓(xùn)練過(guò)程，而上文中對(duì) 應(yīng)于模型訓(xùn)練單元22的訓(xùn)練過(guò)程為在實(shí)際應(yīng)用前針對(duì)神經(jīng)網(wǎng)絡(luò)模型的預(yù)訓(xùn)練。 陽(yáng)133] 本發(fā)明的較佳的實(shí)施例中，根據(jù)使用者手寫(xiě)字符的習(xí)慣（例如字符大小，字符位 置是否在正中央、字符是否左右上下偏移、字符是否略微旋轉(zhuǎn)等），均可W通過(guò)如上文中所 述的方法對(duì)神經(jīng)單元進(jìn)行重新訓(xùn)練，W使神經(jīng)單元適應(yīng)使用者的手寫(xiě)習(xí)慣，從而更好地針 對(duì)不同位置，和/或不同角度，和/或不同尺寸的手寫(xiě)字符進(jìn)行處理。
[0134] 本發(fā)明的較佳的實(shí)施例中，上述手寫(xiě)字符識(shí)別系統(tǒng)中還包括：
[0135] 通信裝置4,連接上述識(shí)別裝置2。本發(fā)明的較佳的實(shí)施例中，當(dāng)識(shí)別裝置2無(wú)法 識(shí)別手寫(xiě)字符時(shí)（即識(shí)別裝置2無(wú)法識(shí)別相應(yīng)的時(shí)間脈沖序列），則識(shí)別裝置2通過(guò)上述通 信裝置4將相應(yīng)的時(shí)間脈沖序列發(fā)送至遠(yuǎn)程的一服務(wù)端5。本發(fā)明的較佳的實(shí)施例中，服務(wù) 端5中同樣設(shè)置有相應(yīng)的脈沖神經(jīng)網(wǎng)絡(luò)模型，服務(wù)端5基于該神經(jīng)網(wǎng)絡(luò)模型，根據(jù)輸入的時(shí) 間脈沖序列處理形成相應(yīng)的識(shí)別結(jié)果并傳回上述手寫(xiě)字符識(shí)別系統(tǒng)中。
[0136] 本發(fā)明的較佳的實(shí)施例中，識(shí)別裝置2根據(jù)上述由服務(wù)端5傳回的識(shí)別結(jié)果進(jìn)行 神經(jīng)網(wǎng)絡(luò)模型的相應(yīng)更新和學(xué)習(xí)，更新過(guò)程類似上文中所述，在此不再寶述。
[0137] 本發(fā)明的較佳的實(shí)施例中，還存在一種情況：雖然識(shí)別裝置2能夠識(shí)別出相應(yīng)的 結(jié)果，但是使用者忽略識(shí)別裝置2識(shí)別并給出的識(shí)別結(jié)果時(shí)，可W認(rèn)為該識(shí)別裝置2識(shí)別出 的結(jié)果是不正確的，此時(shí)識(shí)別裝置同樣將相應(yīng)的時(shí)間脈沖序列發(fā)送至遠(yuǎn)程的服務(wù)端5,并根 據(jù)服務(wù)端5回傳的識(shí)別結(jié)果進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的相應(yīng)學(xué)習(xí)和更新。
[0138] 本發(fā)明的較佳的實(shí)施例中，服務(wù)端5還可W連接多個(gè)手寫(xiě)識(shí)別系統(tǒng)，因此服務(wù)端5 中還可W整合神經(jīng)網(wǎng)絡(luò)模型統(tǒng)計(jì)的功能。即識(shí)別裝置2可W根據(jù)服務(wù)端5所有的源于其他 手寫(xiě)識(shí)別系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，更新自己擁有的神經(jīng)網(wǎng)絡(luò)模型。
[0139] 綜上所述，本發(fā)明的發(fā)明目的在于：于移動(dòng)終端內(nèi)設(shè)置基于脈沖神經(jīng)網(wǎng)絡(luò)模型進(jìn) 行處理的識(shí)別裝置，該神經(jīng)網(wǎng)絡(luò)模型包括多個(gè)相互關(guān)聯(lián)的神經(jīng)單元模塊，通過(guò)一排程設(shè)定 單元可W實(shí)現(xiàn)運(yùn)算量大于自身所有模塊數(shù)量的運(yùn)算任務(wù)。識(shí)別裝置根據(jù)神經(jīng)網(wǎng)絡(luò)模型的自 學(xué)習(xí)功能，通過(guò)結(jié)果反饋不斷進(jìn)行自學(xué)習(xí)，W適應(yīng)使用者的個(gè)人習(xí)慣（包括書(shū)寫(xiě)習(xí)慣W及 字體習(xí)慣等）。
[0140] 本發(fā)明的較佳的實(shí)施例中，還提供一種移動(dòng)終端，其中包括上述手寫(xiě)字符識(shí)別系 統(tǒng)。 陽(yáng)141] 本發(fā)明的較佳的實(shí)施例中，還提供一種移動(dòng)終端，其中采用上述識(shí)別裝置，具體地 應(yīng)用上述基于脈沖神經(jīng)網(wǎng)絡(luò)模型處理數(shù)據(jù)的識(shí)別裝置。
[0142] W上所述僅為本發(fā)明較佳的實(shí)施例，并非因此限制本發(fā)明的實(shí)施方式及保護(hù)范 圍，對(duì)于本領(lǐng)域技術(shù)人員而言，應(yīng)當(dāng)能夠意識(shí)到凡運(yùn)用本發(fā)明說(shuō)明書(shū)及圖示內(nèi)容所作出的 等同替換和顯而易見(jiàn)的變化所得到的方案，均應(yīng)當(dāng)包含在本發(fā)明的保護(hù)范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)識(shí)別系統(tǒng)，設(shè)置于移動(dòng)終端內(nèi)；其特征在于，包括： 采集裝置，用于獲取輸入至所述移動(dòng)終端的手寫(xiě)字符； 所述采集裝置將所述手寫(xiě)字符轉(zhuǎn)換為相應(yīng)的時(shí)間脈沖序列并輸出； 識(shí)別裝置，連接所述采集裝置，所述識(shí)別裝置基于一預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所 述時(shí)間脈沖序列識(shí)別并輸出相應(yīng)的識(shí)別結(jié)果； 結(jié)果反饋裝置，連接所述識(shí)別裝置，用于獲得使用者基于所述識(shí)別結(jié)果執(zhí)行操作得到 的操作結(jié)果，將所述操作結(jié)果傳回至所述識(shí)別裝置； 所述識(shí)別裝置根據(jù)所述操作結(jié)果更新所述神經(jīng)網(wǎng)絡(luò)模型。2. 如權(quán)利要求1所述的手寫(xiě)識(shí)別系統(tǒng)，其特征在于，所述識(shí)別裝置包括： 訓(xùn)練數(shù)據(jù)單元，其中預(yù)設(shè)有多個(gè)訓(xùn)練數(shù)據(jù)，所述訓(xùn)練單元用于輸出所述訓(xùn)練數(shù)據(jù)； 模型訓(xùn)練單元，連接所述訓(xùn)練數(shù)據(jù)單元，用于根據(jù)所述訓(xùn)練數(shù)據(jù)訓(xùn)練建立相應(yīng)的所述 神經(jīng)網(wǎng)絡(luò)模型。3. 如權(quán)利要求2所述的手寫(xiě)識(shí)別系統(tǒng)，其特征在于，所述訓(xùn)練數(shù)據(jù)包括訓(xùn)練輸入數(shù)據(jù) 以及相應(yīng)的期望輸出數(shù)據(jù)； 所述模型訓(xùn)練單元中包括： 處理模塊，基于一預(yù)設(shè)的所述神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述訓(xùn)練輸入數(shù)據(jù)處理輸出相應(yīng)的 訓(xùn)練輸出數(shù)據(jù)； 比對(duì)模塊，連接所述處理模塊，用于將所述訓(xùn)練輸出數(shù)據(jù)與所述期望輸出數(shù)據(jù)進(jìn)行比 對(duì)，輸出相應(yīng)的比對(duì)結(jié)果； 訓(xùn)練模塊，分別連接所述處理模塊和所述比對(duì)模塊，用于根據(jù)所述比對(duì)結(jié)果訓(xùn)練更新 所述處理單元所依據(jù)的所述神經(jīng)網(wǎng)絡(luò)模型； 所述訓(xùn)練更新模塊根據(jù)所述比對(duì)結(jié)果循環(huán)更新所述神經(jīng)網(wǎng)絡(luò)模型，以最終形成訓(xùn)練完 畢的所述神經(jīng)網(wǎng)絡(luò)模型，以供所述識(shí)別裝置使用。4. 如權(quán)利要求1所述的手寫(xiě)識(shí)別系統(tǒng)，其特征在于，所述識(shí)別結(jié)果包括對(duì)應(yīng)于所述手 寫(xiě)字符的多個(gè)順序排列的選項(xiàng)； 所述操作結(jié)果包括用于表示使用者所選擇的選項(xiàng)的順次的結(jié)果數(shù)據(jù)； 所述識(shí)別裝置包括： 權(quán)重設(shè)定單元，根據(jù)所述結(jié)果數(shù)據(jù)，設(shè)定使用者所選擇的選項(xiàng)于更新所述神經(jīng)網(wǎng)絡(luò)模 型過(guò)程中的權(quán)重值； 更新單元，連接所述權(quán)重設(shè)定單元，用于根據(jù)相應(yīng)的所述權(quán)重值，確定是否需要根據(jù)所 選擇的選項(xiàng)更新所述神經(jīng)網(wǎng)絡(luò)模型，并對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新。5. 如權(quán)利要求4所述的手寫(xiě)識(shí)別系統(tǒng)，其特征在于，所述權(quán)重設(shè)定單元在所選擇的選 項(xiàng)的相應(yīng)順次為第一位時(shí)設(shè)定相應(yīng)的所述權(quán)重值為一第一預(yù)設(shè)值； 所述權(quán)重設(shè)定單元在所選擇的選項(xiàng)的相應(yīng)順次不為第一位時(shí)設(shè)定相應(yīng)的所述權(quán)重值 為一第二預(yù)設(shè)值； 所述更新單元于所述選項(xiàng)的所述權(quán)重值為第一預(yù)設(shè)值時(shí)不根據(jù)所述選項(xiàng)對(duì)所述神經(jīng) 網(wǎng)絡(luò)模型進(jìn)行更新； 所述更新單元于所述選項(xiàng)的所述權(quán)重值為第二預(yù)設(shè)值時(shí)根據(jù)所述選項(xiàng)對(duì)所述神經(jīng)網(wǎng) 絡(luò)模型進(jìn)行更新。6. 如權(quán)利要求5所述的手寫(xiě)識(shí)別系統(tǒng)，其特征在于，所述權(quán)重設(shè)定單元在所選擇的選 項(xiàng)的相應(yīng)順次為第一位時(shí)將相應(yīng)的所述權(quán)重值設(shè)定為一正常值； 所述權(quán)重設(shè)定單元在所選擇的選項(xiàng)的相應(yīng)順次不為第一位時(shí)將相應(yīng)的所述權(quán)重值設(shè) 定為高于所述正常值。7. 如權(quán)利要求1所述的手寫(xiě)識(shí)別系統(tǒng)，其特征在于，所述采集裝置包括： 定時(shí)單元，其中預(yù)設(shè)有一采集間隔； 采集單元，連接所述定時(shí)單元，用于依據(jù)所述采集間隔定期采集所述手寫(xiě)字符。8. 如權(quán)利要求1所述的手寫(xiě)識(shí)別系統(tǒng)，其特征在于，所述采集裝置定時(shí)掃描所述移動(dòng) 終端觸摸屏的手寫(xiě)顯示區(qū)域，以采集得到相應(yīng)的所述手寫(xiě)字符。9. 如權(quán)利要求1所述的手寫(xiě)識(shí)別系統(tǒng)，其特征在于，還包括： 通信裝置，連接所述識(shí)別裝置，并遠(yuǎn)程連接一外部的服務(wù)端； 所述識(shí)別裝置通過(guò)所述通信裝置將所述時(shí)間脈沖序列遠(yuǎn)程傳輸至所述服務(wù)端進(jìn)行處 理； 所述服務(wù)端根據(jù)所述時(shí)間脈沖序列訓(xùn)練形成相應(yīng)的所述神經(jīng)網(wǎng)絡(luò)模型； 所述識(shí)別裝置通過(guò)所述通信裝置接收自所述服務(wù)端遠(yuǎn)程傳輸?shù)乃錾窠?jīng)網(wǎng)絡(luò)模型，并 進(jìn)行相應(yīng)訓(xùn)練更新。10. 如權(quán)利要求9所述的手寫(xiě)識(shí)別系統(tǒng)，其特征在于，當(dāng)所述識(shí)別裝置無(wú)法識(shí)別根據(jù)所 述手寫(xiě)字符形成的所述時(shí)間脈沖序列時(shí)，所述識(shí)別裝置通過(guò)所述通信裝置將所述時(shí)間脈沖 序列遠(yuǎn)程傳輸至所述服務(wù)端進(jìn)行處理； 所述識(shí)別裝置根據(jù)輸入的所述時(shí)間脈沖序列，以及所述服務(wù)端進(jìn)行處理后返回的相應(yīng) 的識(shí)別結(jié)果，對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練更新。11. 如權(quán)利要求1-10中任意一項(xiàng)所述的手寫(xiě)識(shí)別系統(tǒng)，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模 型為脈沖神經(jīng)網(wǎng)絡(luò)模型。12. -種識(shí)別裝置，應(yīng)用于移動(dòng)終端；其特征在于，所述識(shí)別裝置通過(guò)以多行多列排布 并相互關(guān)聯(lián)的多個(gè)神經(jīng)單元模塊塊處理形成的神經(jīng)網(wǎng)絡(luò)模型對(duì)外部輸入的手寫(xiě)字符的圖 像進(jìn)行識(shí)別； 外部輸入的手寫(xiě)字符的圖像被轉(zhuǎn)換成相應(yīng)的時(shí)間脈沖序列并發(fā)送至所述識(shí)別裝置內(nèi)。13. 如權(quán)利要求12所述的識(shí)別裝置，其特征在于，經(jīng)所述手寫(xiě)字符轉(zhuǎn)換的所述時(shí)間脈 沖序列由多個(gè)子脈沖序列構(gòu)成； 每個(gè)所述神經(jīng)單元模塊用于處理一個(gè)所述子脈沖序列； 所述識(shí)別裝置中包括： 排程設(shè)定單元，分別連接每個(gè)所述神經(jīng)單元模塊，用于獲取每個(gè)所述神經(jīng)單元模塊的 工作狀態(tài)，并控制每個(gè)所述神經(jīng)單元模塊的排程； 序列存儲(chǔ)單元，連接所述排程設(shè)定單元，用于按序保存所有所述子脈沖序列； 所述排程設(shè)定單元控制處于空閑狀態(tài)的所述神經(jīng)單元模塊處理所述序列存儲(chǔ)單元中 保存的一個(gè)預(yù)設(shè)的所述子脈沖序列； 所述排程設(shè)定單元從所述序列存儲(chǔ)單元中刪除已被處理的所述子脈沖序列。14. 如權(quán)利要求12所述的識(shí)別裝置，其特征在于，每個(gè)所述神經(jīng)單元模塊中包括以多 行多列排布并相互關(guān)聯(lián)的神經(jīng)單元。15. 如權(quán)利要求12-14中任意一項(xiàng)所述的識(shí)別裝置，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型為 脈沖神經(jīng)網(wǎng)絡(luò)模型。16. -種移動(dòng)終端，其特征在于，包括如權(quán)利要求1-11所述的手寫(xiě)識(shí)別系統(tǒng)。17. -種移動(dòng)終端，其特征在于，包括如權(quán)利要求12-15所述的識(shí)別裝置。
【文檔編號(hào)】G06K9/68GK105989376SQ201510064058
【公開(kāi)日】2016年10月5日
【申請(qǐng)日】2015年2月6日
【發(fā)明人】鄭介誌, 林福輝
【申請(qǐng)人】展訊通信（上海）有限公司