Введение. 
Методы машинного обучения в задаче распознавания символов

Важная составная часть программ оптического распознавания символов — признаковые классификаторы, основанные на методах обучения по прецедентам (методах машинного обучения или методах обучения с учителем) [Mitchell, 1997]. Эти методы позволяют автоматически строить правила классификации объектов по их описаниям на основе имеющихся примеров классификации.

Цель данной работы — определить, какие из известных признаковых классификаторов и в какой степени подходят для распознавания символов. В качестве базовой рассматривается схема печатного анализатора, принятая в ABBYY OCR Technologies. Исходя из её устройства, формулируются требования, предъявляемые к признаковым классификаторам, которые могут быть использованы для решения задачи распознавания символов. Результаты, полученные на алгоритмах, входящих в состав этой схемы, рассматриваются в качестве базы для сравнения с альтернативными классификаторами.

БАЗОВЫЕ АЛГОРИТМЫ

Классификаторы будем описывать в следующих обозначениях [Журавлёв и др., 2007]. — множество всевозможных объектов (символов), каждый из которых характеризуется признаками. Значение признака объекта обозначается как. Для конечной обучающей выборки определена функция, сопоставляющая объекту его класс из конечного множества классов. Задача обучения классификатора — приближённое построение функции, связывающей значения числовых признаков и класс любого объекта из, а не только из .