基于S3VM的手写数字分类器的设计与实现开题报告

1. 研究目的与意义（文献综述）

1. 目的及意义（含国内外的研究现状分析）

当今社会，信息化程度越来越高，随着科技与教育以及社会的不断发展，人们更加喜欢 使用信息化的手段来处理学习，生活，工作中各种各样的问题。同时，各种各样的信息技 术也不断被创造出来并且应用于实际生活之中，如何利用现在的技术手段，来减轻工作者 的负担也是目前许多科研工作者的奋斗目标。 几乎全世界都在使用阿拉伯数字，各国的人都认识阿拉伯数字，同时，阿拉伯数字也广 泛应用于社会生活中的各个方面，例如支票上表示存款多少的数字以及表示日期的数字， 各种邮政编码，以及公司中的各种发票，学习中各种数据等。在这些数字中，有些需要人 工来解决，而有些完全可以通过机器来识别，这样不仅节省人力财力物力，还可以减轻人 们工作中的失误，避免错误的发生，同时也可以达到人力资源的最大化应用。数字的识别 在未来的市场中具有很大的经济效益。 让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能，就是半监督学习 （semi-supervised learning）。要利用未标记样本，必然要做一些将未标记样本所揭示的 数据分布信息与类别标记相联系的假设。假设的本质是“相似的样本拥有相似的输出”。 半监督学习可进一步划分为纯（pure）半监督学习和直推学习（transductive learning）， 前者假定训练数据中的未标记样本并非待测的数据，而后者则假定学习过程中所考虑的未 标记样本恰是待预测数据，学习的目的就是在这些未标记样本上获得最优泛化性能。 设计的意义是（理论或实际）： 利用计算机识别手写的数字前景非常光明，随着经济的发展，手写的数字越来越多，人们需 要处理越来越多的手写体数字信息。例如会计每天都需要处理统计报表、财务报表等数据，邮政 工作人员每天需要识别手写的邮编等。这些东西都有存在手写的数据信息。如果能把这项技术应 用到工作生活中，让计算机去识别繁琐的手写数据，不仅可以减少人的工作量还可以节约人力成 本，使每个人的价值得到最大的发挥。所有，我们应该重视这一项技术，而且这项技术具有很大 的市场发展空间。如果这项技术更加完善的话，肯定有着良好的的应用价值和市场前景，同时也 具有理论价值。

国内发展现状

2. 研究的基本内容与方案

研究目标

使用python语言，实现基于s3vm的手写数字分类器的设计。手写字符识别是模式识别领域中的一个非常活跃的分支，一方面是由于问题本身的应用广泛，另一方面是因为字符识别实验起来方便，可以研究一些基本的、共性的问题。在需要分析大量手写数据的场合中，利用计算机自动录入信息将节约许多时间和精力，提高工作效率。

研究内容

3. 研究计划与安排

第 1 周：进行开题报告的撰写；

第 2 周：学习python和开发环境的使用；

第 3 周：学习支持向量机算法；

4. 参考文献（12篇以上）

1. 黄永昌等，scikit-learn机器学习——常用算法原理及编程实战[M]，北京：机械工 业出版社，2018 2. 周志华，机器学习[M]，清华大学出版社，2016 3. [英] 弗拉赫（Peter Flach），机器学习[M]，人民邮电出版社，2016 4. [英] 弗拉赫（Peter Flach），机器学习[M]，人民邮电出版社，2016. 5. 海特兰德，Python基础教程(第2版·修订版)[M]，人民邮电出版社，2014. 6. Chen, Huizhong, et al. "Robust Text Detection in Natural Images with Edge-Enhanced Maximally Stable Extremal Regions." Image Processing (ICIP), 2011 18th IEEE International Conference on. IEEE, 2011. 7. 张居营，大话Python机器学习[M]，水利水电出版社，2019 8. Bagattini F., Cappanera P., Schoen F. (2018) A Simple and Effective Lagrangian-Based Combinatorial Algorithm for S3VMs. In: Nicosia G., Pardalos P., Giuffrida G., Umeton R. (eds) Machine Learning, Optimization, and Big Data. MOD 2017. Lecture Notes in Computer Science, vol 10710. Springer, Cham， 9. Bagattini F, Cappanera P, Schoen F, et al. Lagrangean-Based Combinatorial Optimization for Large-Scale S 3 VMs[J]. IEEE Transactions on Neural Networks, 2018, 29(9): 4426-4435. 10. 石会芳 ，支持向量机及其在手写数字识别中的应用，重庆大学，2013 11. 曾水玲，基于支持向量机的手写体数字识别，《计算机与数字工程》，2006 12. Zhou Z. A brief introduction to weakly supervised learning[J]. National Science Review, 2018, 5(1): 44-53. 13. 曾水玲，基于支持向量机的手写体数字识别，《计算机与数字工程》，2006 14. 迪达等, 模式分类（第 2 版）,机械工业出版社,2003 15. Nello Cristianini, John Shawe-Taylor 支持向量机导论（李国正）.2004