计算机工程与信息技术学报

基于反向传播神经网络（BPNN）的手写数学方程式识别

萨加尔·辛德和拉金德拉·瓦古拉德

手写数学符号和方程式的识别是模式识别领域的关键和挑战性问题。需要识别复杂的手写数学方程式，如万有引力定律、卷积积分等。识别和解决符号、字符等覆盖问题，方法是选择最佳分类器以提高识别率。采用增强多层预测器前馈反向传播神经网络算法和离线识别模式的机器学习方法，以提高数学方程式识别的吞吐量、准确性和总体效率。提取的混合特征，即质心、边界框、分区密度、线段等，以及梯度下降和动量训练算法已被使用。自适应学习用于对多种方程式进行实验。通过实验结果，对系统进行了评估和说明，结果表明，在简单和复杂数学方程式的识别准确率方面，该系统的识别准确率显著提高，达到 93.5%。未来，当前的方法将成为启动无纸化工作和数字世界的关键因素。