[发明专利]手写模型训练方法、文本识别方法、装置、设备及介质

权利要求书

1.一种手写模型训练方法，其特征在于，包括：

获取规范中文文本训练样本，将所述规范中文文本训练样本输入到双向长短时记忆神经网络中，基于连续时间分类算法进行训练，获取双向长短时记忆神经网络的总误差因子，根据双向长短时记忆神经网络的总误差因子，采用粒子群算法更新双向长短时记忆神经网络的网络参数，获取规范中文文本识别模型；

获取非规范中文文本训练样本，将所述非规范中文文本训练样本输入到所述规范中文文本识别模型中，基于连续时间分类算法进行训练，获取规范中文文本识别模型的总误差因子，根据规范中文文本识别模型的总误差因子，采用粒子群算法更新所述规范中文文本识别模型的网络参数，获取调整中文手写文本识别模型；

获取待测试中文文本样本，采用所述调整中文手写文本识别模型识别所述待测试中文文本样本，获取识别结果与真实结果不符的出错文本，把所有所述出错文本作为出错文本训练样本；

将所述出错文本训练样本输入到所述调整中文手写文本识别模型中，基于连续时间分类算法进行训练，获取调整中文手写文本识别模型的总误差因子，根据调整中文手写文本识别模型的总误差因子，采用粒子群算法更新调整中文手写文本识别模型的网络参数，获取目标中文手写文本识别模型。

2.根据权利要求1所述的手写模型训练方法，其特征在于，所述获取规范中文文本训练样本，包括：

获取待处理中文文本训练样本中每个中文文本的像素值特征矩阵，将每个中文文本的像素值特征矩阵中每个像素值进行归一化处理，获取每个中文文本的归一化像素值特征矩阵，其中，归一化处理的公式为MaxValue为所述像素值特征矩阵中像素值的最大值，MinValue为所述像素值特征矩阵中像素值的最小值，x为归一化前的像素值，y为归一化后的像素值；

将每个中文文本的归一化像素值特征矩阵中的像素值划分为两类像素值，基于所述两类像素值建立每个中文文本的二值化像素值特征矩阵，将每个中文文本的二值化像素值特征矩阵对应的中文文本组合作为规范中文文本训练样本。

3.根据权利要求1所述的手写模型训练方法，其特征在于，所述将所述规范中文文本训练样本输入到双向长短时记忆神经网络中，基于连续时间分类算法进行训练，获取双向长短时记忆神经网络的总误差因子，根据双向长短时记忆神经网络的总误差因子，采用粒子群算法更新双向长短时记忆神经网络的网络参数，获取规范中文文本识别模型，包括：

将所述规范中文文本训练样本按序列正向输入到双向长短时记忆神经网络中，基于连续时间分类算法进行训练，获取所述规范中文文本训练样本按序列正向在所述双向长短时记忆神经网络中的前向传播输出和后向传播输出，将所述规范中文文本训练样本按序列反向输入到双向长短时记忆神经网络中，基于连续时间分类算法进行训练，获取所述规范中文文本训练样本按序列反向在所述双向长短时记忆神经网络中的前向传播输出和后向传播输出；前向传播输出表示为其中，t表示序列步数，u表示与t相对应的输出的标签值，表示输出序列在第t步的输出为l'_u的概率，后向传播输出表示为其中，t表示序列步数，u表示与t相对应的输出的标签值，表示输出序列在第t+1步的输出为l'_u的概率，

根据所述规范中文文本训练样本按序列正向在所述双向长短时记忆神经网络中的前向传播输出和后向传播输出获取双向长短时记忆神经网络的正向误差因子，根据所述规范中文文本训练样本按序列反向在所述双向长短时记忆神经网络中的前向传播输出和后向传播输出获取双向长短时记忆神经网络的反向误差因子，将双向长短时记忆神经网络的正向误差因子和双向长短时记忆神经网络的反向误差因子相加获取双向长短时记忆神经网络的总误差因子，根据双向长短时记忆神经网络的总误差因子构建误差函数；

根据所述误差函数，采用粒子群算法更新双向长短时记忆神经网络的网络参数，获取规范中文文本识别模型。