English
We described a system which could recognize handwritten digits on atemperature sensing terminal. In this system, a handwritten digit was inputtedas a sequence of temperature matrices, subjected to simple preprocessing, andthen classified by a trainab
文件大小：
560k
资源说明：We described a system which could recognize handwritten digits on atemperature sensing terminal. In this system, a handwritten digit was inputtedas a sequence of temperature matrices, subjected to simple preprocessing, andthen classified by a trainab
在这份研究论文中，作者描述了一种能够在温度感应终端上识别手写数字的系统。该系统通过将手写数字输入为温度矩阵的序列，经过简单的预处理后，通过一个可训练的级联相关神经网络（Cascade-Correlation Neural Network，简称CCNN）进行分类。在分类之前，进行混合特征提取以提高识别率。CCNN在一组约40位不同写作者在温度感应终端上的800个数字上进行了训练，并在其他写作者的200个数字上进行了测试。与其他三种分类器的比较实验结果表明，CCNN分类器取得了更好的结果：识别率达到99%，拒绝率为1%。在线手写数字识别器对于温度感应终端的识别率有了显著提高。
接下来，我们将详细探讨这篇论文中提到的几个关键技术点和概念：
1. 手写数字识别：这是一种基于模式识别的技术，旨在识别和读取用笔写在纸上的数字。数字识别技术广泛应用于各种场合，包括邮件分类、银行支票处理以及更近期的，移动设备的手写输入。
2. 温度感应终端：这种设备可以通过热感探测器来捕捉手写数字的温度变化模式。一个可能的场景是，用户在温度感应终端表面手写数字，设备捕捉其热量留下的痕迹，随后进行模式分析和识别。
3. 级联相关神经网络（CCNN）：这是一种特殊的前馈神经网络结构，它通过递归地增加网络层来构建自身的结构，每个新增加的层都会学习到输入数据的一个新特征。CCNN因其在网络训练过程中无需预设网络层数的优点而被应用在手写数字识别上。
4. 特征提取：混合特征提取指的是结合多种特征提取方法，来增强识别系统的性能。例如，可以同时考虑温度变化的动态特征和静态特征，并利用这些特征来训练神经网络模型。
5. 系统训练与测试：系统首先在一个包含800个手写数字的数据集上进行训练，该数据集由大约40位不同的写作者提供。在训练完成后，系统在一个新的、包含200个不同写作者手写数字的数据集上进行测试，以验证模型的泛化能力。
6. 实时在线手写识别系统：随着智能手机和平板电脑等手持设备的普及，实时在线的手写识别系统需求量大增。这些系统能够即时地识别用户在触摸屏上的书写内容，并将其转化为可编辑的文本信息。
7. 模型识别率和拒绝率：在模型测试过程中，通常会报告识别率和拒绝率两个性能指标。识别率指的是系统正确识别出的样本与总样本的比例；而拒绝率是指那些模型无法识别的样本所占的比例。在这项研究中，识别率高达99%，而拒绝率只有1%，表明模型具有很高的识别准确性和可靠性。
通过以上的分析，我们可以看到论文中探讨的系统在手写数字识别方面的创新之处和实用价值。这项技术的实现不仅能提高温度感应终端的智能化程度，还能为各种设备上的实时书写输入提供新的解决方案。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
