模糊支持向量机的自适应摩尔斯电码识别-中文版翻译程序.docx

模糊支持向量机的自适应摩尔斯电码识别摘要：摩尔斯电码现在是被广泛地用在可供选择的通讯和辅助技术的修复应用，促进流动性、环境控制和适应现场访问。在本文中，摩尔斯电码作为为患有肌肉萎缩、脑瘫或其他严重障碍者的通信自适应装置。对于摩尔斯电码成为有效的沟通工具是严格要求有一个稳定的打字速度的。因此，需要一个高识别率的自适应自动识别方法。所提出的系统使用模糊支持向量机和可变程度可变步长的最小均方算法来实现这些目标。我们应用模糊成员的每个点，并提供不同的贡献来决定学习函数的支持向量机。统计分析表明，所提出的方法比文献中其他的算法引起了较高的识别率。关键词：摩尔斯电码；最小二乘算法；支持向量机；模糊理论介绍目前，大多数的技术产品，特别是传统的电脑键盘，是为没有身体残疾的人设计的。通常，残疾人需要用辅助工具去顺利的使用这些技术设备。随着计算机科学及其相关技术的不断进步，这些自适应工具，结合计算机软硬件，将逐渐在残疾人的生活中扮演越来越重要的角色。因此，许多计算机辅助密钥系统已经为残疾人开发了，如头鼠、迷你键盘、国王的键盘、轨迹球、操纵杆、替代键盘、重点防范（钥匙防护）和触摸屏[1,2]。许多研究人员都集中在为这些输入设备的效率接近每一个按键选定的字符的一套减少开关。去帮助由于如肌肉萎缩、脑神经麻痹或其他严重障碍等疾病而受损的手的协调能力和敏捷性的人，替代键盘是必要的。作为这种通信自适应装置，摩尔斯电码已被证明是一个很好的选择[3-8]。对于摩尔斯电码成为有效的沟通工具是严格要求有一个稳定的打字速度的。因此，一个合适的自适应自动识别方法是必要的。在本文中，一种先进的识别方法，即结合模糊支持向量机（FSVMs）[9,10]和可变程度可变步长的最小均方（vdvslms）算法[ 11 ]，建议其提高性能的预测。支持向量机（SVM）理论，基于结构风险最小化原则（SRM）[ 12 ]，是一种新的分类方法，在最近几年,更多的关注都被吸引到这个话题[13,14]。支持向量机已成功地应用于许多现实世界的问题，如手写体数字识别、人脸识别、机器视觉[15,16]文本分类和目标检测。它们表明，支持向量机比传统学习机[9,10]具有更高的性能。在模糊支持向量机中，对于决策面的学习，不同输入点可以做出不同的贡献。该方法通过减少数据点中的异常值和噪声的影响，提高了支持向量机的效率。方法论摩尔斯电码是一种异步数据比特的二进制编码电路构成对立系统（长短）用于发送和接收数字信息的每一个字可以翻译成一个点和线组成的预定义的序列（摩尔斯电码的元素）。一个点表示一个时期”。”，而破折号等价于一个连字符或减号“?”。每一个音调元素，点或破折号，以发送一个信号的标准长度的时间被传播。由于对摩尔斯电码的定义，对于点–破折号的色调比和点-破折号的空格字符空间的沉默比必须是1:3[6]。然而，根据许多用户的实际体验，莫尔斯电码自动识别是具有挑战性的，因为保持一个稳定的打字速度是很难达到的。在1996年，罗和西施[17]提出了一个系统，采用自适应技术，最小均方（LMS）算法可以识别不同的打字速度。他们的系统可以调整它的特点，成功地在一个不稳定的打字条件下识别信息，但在打字速度的变化上是有限制的。为了消除目前0.7–2倍的打字速度的限制，一个残疾人用户为了使系统成功地识别他或她的摩尔斯电码信息必须是训练有素的。然而，对于初学者或严重残疾的人遵从这个限制被证明是困难的。随后，施和罗[ 18 ]提出了一种改进的方法，把按字符匹配技术和最小均方算法相结合来克服这种限制。在2001年，杨通过结合最小均方算法和学习矢量量化（LVQ）解决了同样的问题[19]。本文提出的方法分为以下五个阶段：声调识别、训练过程、空间识别、自适应处理和字符识别。摩尔斯码的识别过程的框图如图1所示。最初，输入数据流被单独发送到音识别或空间识别，这取决于开关的时间长度（音元素）或切换时间（空间元素）。在声调的识别阶段，基调元素值REC认为或者一个点或一个破折号，然后送到训练过程，并重新计算决策函数。同时，在色调，缓冲段，公认的音元（点或破折号）和每个连续的音元素保存在一个点-破折号缓冲和一个调元缓冲。在空间识别阶段，空间元素的值是公认的一点-破折号空间（一个字符元素之间的空间）或一个字符（字符空间之间的空间），然后送入自适应处理阶段。在字符空间被获得后，在色调缓冲区中的值（是）发送到字符识别阶段，该字符识别该字符[2]。图1. 莫尔斯电码的识别过程框图。 摩尔斯电码字符，xi，表示如下：在ej（xi）：当一个键被按下，它是作为“点”或“破折号”，根据输入的字符xi,jth莫尔斯代码元素的持续时间。bj（xi）：当一个键被举起，它是作为三个空间：一个字符元素之间的空间，字或词与词之间的空间之间的空间，这是对输入字符xi两空间时间。N：