第４５卷 第４期 Ｖｏ

ｌ．４５，
Ｎｏ．
４
２　
０　 ５年４月
１　 ＪＯＵＲＮＡＬ　
ＯＦ　
ＵＮＩ
ＶＥＲＳ
ＩＴＹ　
ＯＦＳＣ
　 Ｉ
ＥＮＣＥ　
ＡＮＤ　
ＴＥＣＨＮＯＬＯＧＹ　
ＯＦ　
ＣＨＩＮＡ　 Ａｐｒ．２　
０　１　
５
文章编号：
０２５３－２７７８（
２０１５）
０４－０３２１－０８

ｃ
Ｒｅｏｎ
ｇｉｔ
ｉｏｎ　
ｏｆａ
　ｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅｃ
　ｈａ
ｒａｃ
ｔｅｒ
ｓ　ｂ
ａｓｅ
ｄ　ｏ
ｎ　ｈ
ｙｂｒ
ｉｄ　
ｋｅｒ
ｎｅｌ　
ＷＬＳ－ＳＶＲ

Ｇｅｎｓｈｅｎｇ１ ，ＳＵＮ　
ＨＵ　 Ｙｉｎｇｙ
ｉｎｇ１ ，ＸＵ　
Ｌｉｎｇｙ
ｉｎｇ２ ，ＬＩＡＮＧ　
Ｄｏｎｇ１ ，ＳＵＮ　
Ｘｉａｏｑ
ｉ１
　
（
１．Ｓｃｈｏｏ
ｌ　ｏｆ　
Ｅｌｅ
ｃｔｒ
ｏｎｉ
ｃ ａｎｄ　
ｓ　 Ｉｎｆｏ
ｒｍａ
ｔｉ Ｅｎｇｉ
ｏｎ　 ｎｅｅ
ｒｉｎｇ，Ａｎｈｕ
ｉ　Ｕｎ
ｉｖｅ
ｒｓｉ
ｔｙ，Ｈｅｆｅ
ｉ　２３０６０１，Ｃｈ
ｉｎａ；
２．Ｅｄ
ｉｔｏ
ｒｉａ
ｌ　Ｄｅｐａｒ
ｔｍｅｎ
ｔ　ｏｆ　
Ａｎｈｕ
ｉ　Ｕｎ
ｉｖｅ
ｒｓｉ
ｔｙ，Ｈｅｆｅ
ｉ　２３００３９，Ｃｈ
ｉｎａ）

Ａｂｓｔ
ｒａｔ：Ｔｈｅ
ｃ 　ｓｈａｐｅｓ　ｏｆ
　ａｎｃｉｅｎ
ｔ　Ｃｈｉｎｅｓｅ
　ｃｈａ
ｒａｃ
ｔｅｒ
ｓ　ａｒｅ　ｏ
ｆｔｅｎ　ｕｎｃｅ
ｒ ｔ
ａｉｎ， ｗｈｉ
ｃｈ　ｒ ｅｄｕｃｅｓ
　ｔ ｈｅ
ａｃ
ｃｕｒａｃ
ｙ　ｏ
ｆ　ｒ
ｅｃｏｇｎｉｔｉ
ｏｎ　ｂｙ　ｍａｎｙ　ｃ
ｌａｓ
ｓｉｆ
ｉｅｒ
ｓ．Ｔｏ　ｓｏ
ｌｖｅ
　ｔｈ
ｉｓ　ｐｒ
ｏｂｌ ，
ｅｍ ａ　 ｎｅｗ　ｒ
ｅｃｏｇｎｉ
ｔｉｏｎ　ａｌｇｏ
ｒｉｔｈｍ
ｃｏｍｂ
ｉｎｉ
ｎｇ　
ａｄａｐ
ｔｉｖｅ　ｗｅ
ｉｇｈ
ｔｅｄ
　ｌｅ
ａｓｔ
　ｓｑｕａ
ｒｅｓ
　ｓｕｐｐｏ
ｒｔ　ｖｅ
ｃｔｏ
ｒ　ｒ
ｅｇｒ
ｅｓｓ
ｉｏｎ（ＷＬＳ－ＳＶＲ）ｗｉ
ｔｈ　ｈｙｂｒ
ｉｄ
ｋｅ
ｒｎｅ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ　
ｗａ ｐｒ
ｓ　 ｏｐｏｓ
ｅｄｔ
　ｏｒ
　ｅｃｏｇｎ
ｉｚｅ
　ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅｃｈａ
　 ｒａｃ
ｔｅｒ
ｓ．Ｔｈｅ　
ｗｅｉ
ｇｈｔ
　ｃｏｅ
ｆｆｉ
ｃｉｅｎ
ｔｓｏ
　ｆ
ＷＬＳ－ＳＶＲ　
ｄｅｃ
ａｙｅｄ　
ａｔａ
　　ｒ
ａｔｅ　
ｏｆｔ
　ｈｅ
　ｅｘｐｏｎｅｎ
ｔｉａ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ　
ｏｆｐｒ
　 ｅｄ
ｉｃｔ
ｉｏｎ　
ｅｒｒ
ｏｒｓ．Ｔｈｅ　
ｈｙｂｒ
ｉｄ　
ｋｅｒｎｅ
ｌ
ｗａｓｃｏｎｓ
　 ｔ
ｒｕｃｔｅｄ　
ｕｓｉｎｇｔ
　ｈｅ　
ｗａｖｅｌ
ｅｔｋｅ
　 ｒｎｅｌ
　ｆｕｎｃ
ｔｉｏｎ　ｗｉｔｈ
　ｌｏｃａｌ
　ｐｒｏｐｅｒ
ｔｉｅｓａｎｄ　
　 ＲＢＦ　ｋｅｒｎｅｌｆ
　ｕｎｃｔｉ
ｏｎ
ｗｉ
ｔｈ　ｇｌ
ｏｂａｌｐｒ
　 ｏｐｅｒｔ
ｉｅｓ．Ｆｏｒ
　ｆｅ
ａｔｕｒｅ
　ｅｘｔｒ
ａｃｔｏｎ，ｇ
ｉ ｌｏｂａ
ｌ　ｐｏｉｎ
ｔ　ｄｅｎｓｉ
ｔｙ　ａｎｄ　ｃｏｍｐｏｎｅｎ
ｔ　ｓｔｒｕｃｔｕｒ
ｅ　ａｒｅ
ｆ
ｕｓｅｄ　
ｗｉｔ
ｈ　ｌ
ｏｃａ
ｌ　ｆ
ｅａｔ
ｕｒｅ
ｓ　ｏ
ｆ　ｐｓ
ｅｕｄｏ　
２Ｄｅ
ｌａｓ
ｔｉｃ　
ｍｅｓｈ　
ａｎｄ
　ｌｏｃ
ａｌｐｏ
　 ｉ
ｎｔｄｅｎｓ
　 ｉｔｙ．Ｅｘｐｅ
ｒｉｍｅｎ
ｔ　ｒ
ｅｓｕ
ｌｔｓ
ｓｈｏｗ　ｔ
ｈｅ　ｇｏｏｄ　
ｒｏｂｕｓｔ
ｎｅｓｓａｎｄ　
　 ｈｉ
ｇｈ　ｒｅ
ｃｏｇｎｉｔ
ｉｏｎ　ａ
ｃｃｕｒ
ａｃ ｏ
ｙ　ｆｔ
　 ｐｒ
ｈｅ　 ｏｐｏｓｅｄ　ｍｅ
ｔｈｏｄ．
Ｋｅｙ　ｗｏｒｓ：
ｄ ａｎｃｉ
ｅｎｔ　
Ｃｈｉｎｅ
ｓｅ　ｃｈａ
ｒａｃｔｅ
ｒｓ　ｒｅ
ｃｏｇｎｉｔ
ｉｏｎ；ＷＬＳ－ＳＶＲ；ｈｙｂｒ ｉｄ　ｋｅ ｌ；ｆ
ｒｎｅ ｅａ
ｔｕｒ
ｅ　ｆ
ｕｓｉ
ｏｎ
ＣＬＣ　 ｒ：
ｎｕｍｂｅ ＴＰ１８　　　Ｄｏ
ｃｕｍｅｎ
ｔ　ｏｄｅ：
ｃ ｉ：
Ａ　　ｄｏ ３９６９／
１０． ｊ．ｉ
ｓ ０２５３－２７７８．
ｓｎ． ２０１５．
０４．
０１０
ｉ
Ｃｔａ
ｔｉ Ｇｅｎｓｈｅｎｇ，ＳＵＮ　
ｏｎ： ＨＵ　 Ｙｉｎｇｙ
ｉｎｇ，ＸＵ　
Ｌｉｎｇｙ
ｉｎｇ，ｅ
ｔ　ａ
ｌ．Ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ　
ｏｆａｎｃ
　 ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅｃｈａ
　 ｒａｃ
ｔｅｒ
ｓ　ｂａ
ｓｅｄ
ｏｎ　
ｈｙｂ
ｒｉｄ　
ｋｅｒ
ｎｅ ＷＬＳ－ＳＶＲ［
ｌ　 Ｊ］．Ｊ
ｏｕｒ
ｎａｌ
　ｏｆ　
Ｕｎｉ
ｖｅｒ
ｓｉｔ
ｙ　ｏ
ｆ　Ｓｃ
ｉｅｎｃ
ｅ　ａｎｄ　
Ｔｅｃｈｎｏ
ｌ ｏ
ｏｇｙ　ｆ　
Ｃｈｎａ，２０１５，
ｉ ４５
（
４）：
３２１－３２８．
胡 根生，孙莹莹，徐玲英，等 ．基于混合核 ＷＬＳ－ＳＶＲ 的古汉字识别［
Ｊ］．中国科学技术大学学报，
２０１５，
４５（
４）：
３２１－３２８．

基于混合核 ＷＬＳ－ＳＶＲ 的古汉字识别

胡根生１，孙莹莹１，徐玲英２，梁 　 栋１，孙小棋１
１．安徽大学电子信息工程学院，安徽合肥 ２３０６０１；
（ ２．安徽大学学报编辑部，安徽合肥 ２３００３９）

摘要：针对现有多种分类器对具有不确定字形的古汉字识别精度不高的问题 ，提出了一种基于混合核加权最
小二乘支持向量回归（ＷＬＳ－ＳＶＲ）的 古 汉 字 识 别 算 法 ．ＷＬＳ－ＳＶＲ 的 权 重 系 数 采 用 预 测 误 差 的 指 数 衰 减 函
数，混合核是由具有良好局域特性的小波核函数与具有良好全局特性的 ＲＢＦ 核函数构成 ．在特征提取阶段，
由于全局点密度与部件结构具有全局特征，而伪二维弹性网格与局部点密度具有局部特征，因此融合了古汉
字的全局和局部特征 ．仿真实验表明，该算法具有较高的准确率与良好的鲁棒性 ．
关键词：古汉字识别；ＷＬＳ－ＳＶＲ；混合核；特征融合

　　Ｒｅｃｅｉｖｅｄ：
２０１４－０６－１０；
Ｒｅｖ
ｉｓｄ：
ｅ ２０１４－１２－２９
Ｆｏｕｎｄａ
ｔｉｏｎ
　ｉｅｍ：
ｔ Ｓｕｐｐｏｒｔ
ｅｄ　ｂｙｔ
　ｈｅ　Ｎａ
ｔｉｏｎａ
ｌ　Ｎａ
ｔｕｒ
ａｌＳｃ
　 ｉ
ｅｎｃ
ｅ　Ｆｏｕｎｄａ
ｔｉｏｎ　
ｏｆ　
Ｃｈｎａ （
ｉ ６１１７２１２７），Ｎａ
ｔｕｒ
ａｌＳｃ
　 ｉ
ｅｎｃ
ｅ　Ｆｏｕｎｄａ
ｔｉｏｎ　ｏ
ｆ　Ａｎｈｕ
ｉ
Ｐｒｏｖｉ
ｎｃ （ ）
ｅ １４０８０８５ＭＦ１２１ ．
Ｂｉ
ｏｇａｐｈｙ：
ｒ Ｈｕ　Ｇｅｎｓｈｅｎｇ（ｃ
ｏｒｒｅｓｐｏｎｄｉ
ｎｇ　ａｕｔｈｏｒ），ｍａｌｅ，ｂｏｒｎ ｎ　１９７１．ＰｈＤ／ ａ
　ｉ ｓｓ
ｏｃｉ
ａｔｅ　ｐ
ｒｏｆ
ｅｓｓ
ｏｒ．Ｒｅ
ｓｅａ
ｒｃｈ
　ｆｉ
ｅｌｄ： Ｍａ
ｃｈｉ
ｎｅ　ｌ
ｅａｒ
ｎｉｎｇ，
ｒ
ｅｍｏｔｅｓ
　ｅｎｓ
ｉｎｇ
　ｉｍａｇｅ　ｐｒ
ｏｃｅｓｓ
ｉｎｇ　ａｎｄ
　ｉｎｔ
ｅｌｌ
ｉｇｅｎ
ｔ　ａｌ
ｇｏｒ
ｉｔｈｍ．Ｅ－ｍａｉ ：
ｌｈｕｇｓ ２９０６＠ｓ
ｉｎａ．
ｃｏｍ
 ３２２ 中国科学技术大学学报 第 ４５ 卷

ｉ
ｎ　ｆ
ｉｅｌ
ｄｓ ｆ
　ｏ ｌ
　ｃａｓ
ｓｉｆ
ｉｃａ
ｔｉｏｎ，ｆ
ｕｎｃ
ｔｉｏｎ　ｅ
ｓｔｉｍａ
ｔｉｏｎ，
０　Ｉ
ｎｔｒ
ｏｄｕ
ｃｔｉ
ｏｎ ｄｅｎｓ
ｉｔ ｅｓｔ
ｉｍａ
ｔｉｏｎ　
ａｎｄ　
ｓｏ　
ｏｎ．ＳＶＭ　
ｎｅｅｄｓｔｏ　
ｓｏｌ
ｖｅ
ｙ　 　
Ａｎｃ
ｉｅｎｔ　Ｃｈｉｎｅｓｅ　ｃｈａｒ
ａｃｔｅｒｓ　ｒｅｃｏ
ｒｄｅｄ　ａ　ｌａｒｇｅ ａ　
ｍｏｄｅ
ｌ　ｏ
ｆ　ｑｕａｄ
ｒａｔ
ｉｃ　
ｐｒｏｇ
ｒａｍｍｉ
ｎｇ．Ｓｕｙｋｅｎｓ
　ｅｔ
　ａｌ．
ａｍｏｕｎｔｏ
　ｆ　ｐｏｌ
ｉｔ
ｉ ｃ
ａｌ，ｅ ｃｏｎｏｍｉｃ　ａｎｄ　ｈｉｓｔｏｒ
ｉｃａｌ
　ｄａｔａ ｐｒｏｐｏｓ
ｅｄ　ｌ
ｅａｓ
ｔ　ｓｑｕａ
ｒｅｓ　ｓｕｐｐｏ
ｒｔ　ｖｅｃｔｏ
ｒ　ｍａ ｃｈｉ
ｎｅ
ｓｏ　ｏｎ，ａｎｄ
ａｎｄ　 　ｔｈｕｓ　ｈａｖｅ　ａ　ｖｅｒｙ　ｈｉｇｈ　ｈｉｓ
ｔｏｒｉ
ｃａｌ （ＬＳ－ＳＶＭ）ｂｙ　ｕｓ
ｉｎｇ　
ｓｑｕａｒ
ｅ　ｌ
ｏｓｓｆ
　ｕｎｃ
ｔｉｏｎｉ
　ｎｓ
ｔｅａｄ　ｏｆ
［
６－８］
ｖａ
ｌｕｅ． Ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅ　ｃｈａ
ｒａｃ
ｔｅｒ
ｓ ｒ
　ａｅ ｌｗａｙｓ
　ａ εｉ
ｎｓｅｎｓ
ｉｔｉ
ｖｅ　ｌ
ｏｓｓ
　ｆｕｎｃ
ｔｉｏｎ ．ＬＳ－ＳＶＭ　ｒ
ｅｄｕｃ
ｅｓ
ａｐｐｅａ
ｒｅｄ　ｉ ｎ
　ｔ ｈｅ　ｆｏｒｍｓ　ｏｆ　ｉｎｓｃ
ｒｉｔ
ｐ ｉ
ｏｎ　 ａｎｄ ｔ
ｈｅｃｏｍｐｕ
　 ｔａｔ
ｉｏｎａ
ｌ　ｃｏｍｐ
ｌｅｘ
ｉｔ ｂｙ　
ｙ　 ｓｏｌ
ｖｉｎｇ　
ａ　ｍｏｄｅ
ｌ　ｏ
ｆ
ｈａｎｄｗｒｉ
ｔｉ ，
ｎｇ ｔｈｅｓ
ｅ　ｃｈａｒ
ａｃｔ
ｅｒ ’
ｓ ｓｔ
ｒｏｋｅｓ　ａｒｅ　ｖｅ
ｒｙ ｌ
ｉｎｅａｒ
　ｐｒ
ｏｇｒａｍｍｉｎｇ．Ａｌ
ｔｈｏｕｇｈ　ＬＳ－ＳＶＭ　
ｈａｓｓｏ
　 ｌ
ｖｅｄ
ｄｉ
ｆｆｅ
ｒ ｅｎｔ
　ｆｒｏｍ　ｔ
ｈｅ　ｃｕｒ
ｒｅｎｔ　ｐｒｉ
ｎ ｔｅｄ　ｃｈａ
ｒａｃ
ｔｅｒ
ｓ． ｔｈｅ
　ｃｏｍｐｕｔ
ａｔｉ
ｏｎａ
ｌ ｃｏｍｐ
　 ｌｅｘｉ
ｔ ｏ
ｙ　ｆ　ＳＶＭ，ｉｔ
　ｌｏｓ
ｅｓｔ
　ｈｅ
Ｆｕｒｔｈｅｒｍｏ ，
ｅ ｍａｎｙ　 ｅｘ
ｒ ｉｓ
ｔｉｎｇ　 ａｎｃｉｅｎ
ｔ　 Ｃｈ
ｉｎｅｓ
ｅ ｓｐａ
ｒｓｉ
ｔ ａｎｄ
ｙ　 　ｒｏｂｕｓ
ｔｎｅ
ｓｓｏ
　ｆＳＶＭ
　
［
９－１２］
．Ｔｈ
ｉ ｐａｐｅ
ｓ　 ｒ
ｃｈａ
ｒａｃ
ｔｅｒ
ｓ　ａ
ｒｅ　ｄｅ
ｆｏｒｍｅｄ　ｏ
ｒ　ｉ
ｎｃｏｍｐ
ｌｅｅ， ｍａｋ
ｔ ｉｎｇ ｐｒ
ｏｐｏｓ
ｅｓ　ａ
　ｃｌ
ａｓｓ
ｉｆｉ
ｃａｔ
ｉｏｎ　ａ
ｌｇｏ
ｒｉｔ
ｈｍ　ｔ
ｈａｔ
　ｃｏｍｂ
ｉｎｅ
ｓ
ｔ
ｈｅｍ　
ｈａｒｄ
　ｔｏ
　ｒｅ
ａｄ　
ｏｒｒ
　ｅｃｏｇｎ
ｉｚｅ．Ｔｈｅ
ｒｅｆ
ｏｒｅ
　ｉｔ
　ｉｓ　
ｏｆ ａｄａｐ
ｔｉｖｅ　ｗｅ
ｉｇｈ
ｔｅｄ
　ｌｅ
ａｓｔ
　ｓｑｕａ
ｒｅｓ
　ｓｕｐｐｏ
ｒｔ　ｖｅ
ｃｔｏ
ｒ
ｒ
ｇｅａ
ｔ　ｓ
ｉｇｎ
ｉｆｉ
ｃａｎｃ
ｅ ｏ
　ｔ ｅ
　ｒｃｏｇｎ
ｉｚｅ
　ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅ ｒ
ｅｇｒ
ｅｓｓ
ｉｏｎ　
ｗｉｔ
ｈ　ｈｙｂｒ
ｉｄ　
ｋｅｒｎｅ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ
　ｆｏ
ｒ　ａｎｃ
ｉｅｎ
ｔ
ｃｈａ
ｒａｃ
ｔｅｒ
ｓ　ａｎｄ　ｒ
ｅａｌ
ｉｚｅ
　ｔｈｅ　ｄ
ｉｇｉ
ｔａｌ　ｍａｎａｇｅｍｅｎ
ｔ　ｏ
ｆ Ｃｈ
ｉｎｅ
ｓｅ　ｃｈａ
ｒａｃ
ｔｅｒ
　ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ． Ｔｈｅ　ｐｒ
ｏｐｏｓ
ｅｄ
ｃ
ｌａｓ
ｓｉｃ
ａｌ　Ｃｈ
ｉｎｅ
ｓｅ ｉ
　ｌｔｅ
ｒａｔ
ｕｒｅ　ｂｙ　 ｕｓ
ｉｎｇ　ｍｏｄｅ
ｒｎ ａｌｇｏ
ｒｉｔ
ｈｍ　 ｈａ
ｓ　ｔｈｅ　ａｄｖａｎｔ
ａｇｅｓ　ｏｆ　ｈｉ
ｇｈ　ｒｏｂｕｓｔｎｅｓｓ
［
１］
ｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎｔ
　ｅｃｈｎｏ
ｌｏｇｙ ． ａｎｄｌ
　ｏｗ　ｃｏｍｐｕｔ
ａ ｔ
ｉｏｎａｌｃｏｍｐ
　 ｌ
ｅｘ ｉ
ｔｙｔ， ｈｕｓ
　ｉｍｐｒ
ｏｖ ｉ
ｎｇ
［］
ｅ
Ｌｖ　ｔａ
　ｌ． ２ ｐｒ
ｏｐｏｓ
ｅｄｔ
　ｈｅ　
Ｆｏｕｒ
ｉｅｒ
　ｄｅ
ｓｃｒ
ｉｐｔ
ｏｒ－ ｔ
ｈｅａ
　ｃｃｕｒ
ａｃ ｏ
ｙ　ｆｒ
　ｅｃｏｇｎ
ｉｔｉ
ｏｎ．
ＦＤＣＨ　ｂａ
ｓｅｄ　ｏｎ　ｃｕｒ
ｖａｔ
ｕｒｅ　ｈ
ｉｓｔ
ｏｇｒ
ａｍ　ｔ
ｏ　ｃ
ｌａｓ
ｓｉｆ
ｙ
ｉｎｓ
ｃｒｉ
ｐｔｉ
ｏｎｓ　ｏｎ　ｂｏｎｅｓ．Ｓｉ
ｎｃｅ　ｔ
ｈｅ　ｉ
ｎｓｃｒ
ｉｐｔｉ
ｏｎｓ　ｏｎ １　Ｈｙｂ
ｒｉｄ－ｋｅ
ｒｎｅ
ｌ　ＷＬＳ－ＳＶＲ
ｂｏｎｅｓ　ａｒｅ　ｐｉｃ
ｔｏｇｒａｐｈ
ｉｃ， ｔ
ｈｅ　ｃｕｒｖａ
ｔｕｒｅ　ｂａｓｅｄ ＬＳ－ＳＶＲ　ｃａｎ　ｂｅ
　ｅｘｐｒ
ｅｓｓ
ｅｄ　ａ
ｓ　ｔ
ｈｅ　ｆ
ｏｌｌ
ｏｗｉ
ｎｇ
ｍｅｔ
ｈｏｄ　ｐｒｏｖｅｄ　ｔｏ　ｂｅ　ｐｒａｃ
ｔｉｃａ
ｌ． Ｈｏｗｅｖｅｒ，ｔｈｅ ｏｐ
ｔｉｍｉｚａｔ
ｉ ｐｒ
ｏｎ　 ｏｂｅｍ：
ｌ
ａ
ｌｇｏｒ
ｉｔｈｍ　ｉ
ｎｃｌｕｄｅ
ｓ　ｔｈｅ　ｓｅ
ａｒｃｈ　ｆｏｒ
　ａ　ｃｈａ
ｒａｃｔ
ｅ ’
ｒ ｓ Ｎ
１ Ｔ １
ｎＪ（
ｍｉ ω，ｅ）＝ ω ω ＋ γ∑ｅｉ
２
ｃ
ｅｎｔｅ
ｒ　ｏｆ　
ｇｒａｖｉ
ｔｙ．Ｔｈｅ ｒ
　ｅｃｏｇｎ
ｉｔｉ
ｏｎ　ｒａｔ
ｅ　ｉ
ｓ　ｈｉｇｈ
　ｆｏｒ ２ ２ ｉ＝１
ｓ
ｉｎｇ
ｌｅ　ｓ
ｔｒｕｃｔｕｒ
ｅ　ｃｈａ
ｒａｃ
ｔｅｒ ，
ｓ ｂｕｔｆ
　ｏｒ
　ｔｈｅ
　ｌｅ
ｆｔ－ｒ
ｉｇｈｔｏ
　ｒ ｔ．ｙｉ ＝ ωＴφ（
ｓ． ｘｉ）＋ｂ＋ｅｉ， ｉ ＝１，…， Ｎ （ １）
ｕｐ－ｄｏｗｎ　
ｓｔｒｕｃ
ｔｕｒ
ｅ　ｃｈａ
ｒａｃ
ｔｅｓ，ｔ
ｒ ｈｅｒ
　ｅｃｏｇｎ
ｉｔｉ
ｏｎ　
ｒａｔ
ｅ ｗｈｅｒｅω ｉ
ｓ　ｔ
ｈｅ　ｗｅｉｇｈｔｅｄ　ｖｅｃ
ｔｏｒ，γｉｓ　ｔ
ｈｅ　ｂａ
ｌａｎｃｅ
ｉ
ｓ　ｌ
ｏｗ． ｃｏｎｓ
ｔ ｔ，
ａｎ φｉｓ　ａ　
ｍａｐ　ｆ
ｕｎｃ ｔ
ｉ ａｎｄｅｉ（
ｏｎ　 ｉ＝１，…， Ｎ）ｉｓ
［］
ｅ
Ｃｈｅｎ　ｔ ｌ． ３ ｐｒ
　ａ ｏｐｏｓ ａ　ｍｅ
ｅｄ　 ｔｈｏｄ
　ｔｏ　ｅｘ
ｔｒａ
ｃｔ ｔ
ｈｅｅ
　ｓｔ
ｉｍａ
ｔｉｏｎ　
ｅｒｒ
ｏｒｆ
　ｏｒ
　ｔｈｅ
　ｉｔ
ｈ　ｓ
ａｍｐ
ｌｅ．Ｅｑ．（
１）
ｆ
ｅａｔ
ｕｒｅ
ｓ　ｏ
ｆ　ｉ
ｎｓｃ
ｒｉｔ
ｐｉｏｎｓ
　ｏｎ　
ｂｏｎｅ
ｓ　ｂａ
ｓｅｄ　
ｏｎｔ
　ｈｅ
　ｃｒ
ｏｓｓ ｃ
ａｎ　ｂｅ
　ｃｏｎｖｅ
ｒｔｅｄ
　ｉｎ
ｔｏ ｈｅ
　ｔ ｏ
　ｆｌｌ
ｏｗｉ
ｎｇ　ｆ
ｏｒｍ　ｂｙ
ｐｏｉ
ｎｔｓ　ｏｆ　ｓ
ｔｒｏｋｅ
ｓ　ａｎｄ　ｔｈｅ　ｒ
ｅｌａｔ
ｉｖｅ　ｐｏｓｉ
ｔｉｏｎｓ
　ｏ ｆ Ｌａｇ
ｒ ａｎｇｅ　ｍｕ
ｌｔｉ
ｐｌｉ
ｅｒ　ａｎｄ　ｍａ
ｔｒｉ
ｘ ｒ
　ｔａｎｓ
ｆｏｒｍａ
ｔｉｏｎ
ｃｈａｒ
ａｃｔｅ
ｒｓ．Ｈｏｗｅｖｅ ｒ，ｉｔ
　ｉｓ　ｄ
ｉｆｆ
ｉｃｕｌ
ｔ　ｔｏ　ｒ
ｅｃｏｇｎｉｚ
ｅ ｍｅｔｈｏｄ ：
ｃｈａ
ｒａｃ
ｔｅｒ
ｓ　ｗｉ
ｔｈ　ａ　ｐａ
ｒｔｉ
ｃｕｌ
ａｒｌ
ｙ　ｌ
ａｒｇｅ　ｎｕｍｂｅ
ｒ　ｏ
ｆ １ｖＴ
熿０　 燄ｂ ０
ｓ
ｔｒｏｋｅ
ｓ　ｕｓ
ｉｎｇ　
ｓｕｃｈ
　ｆｅ
ａｔｕｒ
ｅｓ．
１
１
燀ｖ Ω ＋γ 燅α
Ｉ
＝
ｙ
［ ］ ［］ （
２）
Ｍａｎｙ　 ｃｈａｒａ
ｃｔｅｒ
ｉｓｔｉ
ｃｓ　ｏ ｆ
　 ａｎｃｉ
ｅｎ ｔ　 Ｃｈ
ｉｎｅｓ
ｅ
ｙ＝ ［ｙ１ ，…，
ｙＮ ］ ｉ ｒ，
Ｔ　
ｃｈａｒａ
ｃｔｅ
ｒｓ， ｓｕｃｈ　ａｓ　ｉ ｒ
ｒｅｇｕ
ｌａｒ　ｓｔｒ
ｏｋｅ ｓ， ｖａｒ
ｉａｎｔ ｗｈｅｒｅ　 ｓ
　ｓａｍｐ
ｌｅ　
ｏｕｔ
ｐｕｔ
　ｖｅ
ｃｔｏ
ｆｏｒｍｓ，ｄｅｆ
ｏｒｍｉｔｙ　ｏｒ
　ｉｎｃｏｍｐｌ
ｅｔｅｎｅ
ｓｓ，ｉ ｎｄｉｃ
ａｔｅ
　ｔｈａｔ １ｖ ＝ ［
１，…，
１］ Ｔ
，Ｉ ＝ ｄ ａｇ｛
ｉ １，…，１｝， α ＝
ｔ
ｈｅ　ｏｐｔｉ
ｃａｌ　ＯＣＲ　ｓｙｓｔｅｍ　ｆｏｒ
　ｔｈｅ
　ｒｅｃｏｇｎｉｔ
ｉｏｎ　ｏｆ ［ａ１ ，…，ａＮ ］
Ｔ　
ｉｓ　Ｌａｇｒａｎｇｅ　ｍｕｌ
ｔｉｌ
ｐｉｒ， ａｎｄ Ω ｉ
ｅ ｓ
ｍｏｄｅｒｎ　Ｃｈｉｎｅ
ｓｅ　ｃｈａ
ｒａ ｃ
ｔｅｒ
ｓ　ｉ ’
ｓｎ ｔ　ｓｕｉｔ
ａｂｌｅ　ｆｏ
ｒ ｋｅｒｎｅｌ　
ｍａｔｒｉｘ，Ωｉｊ ＝ φ （
ｘｉ）φ（
Ｔ
ｘｊ）＝ Ｋ（ｘｉ，
ｘｊ）ｆｏ
ｒ
［］
ｒ
ｅｃｏｇｎ
ｉｚｉ
ｎｇ　
ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅｃｈａ
　 ｒａｃ
ｔｅｓ４ ，ｗｈ
ｒ ｉｃｈ
　ｉｓ ｉ，
ｊ ＝１，…，
Ｎ ．Ｂｙ　
ｓｏｌ
ｖｉ Ｅｑ．（
ｎｇ　 ２），ｔ
ｈｅ　
ｐｒｅｄ
ｉｃｔ
ｉｏｎ
ａ　ｄ
ｉｆｆ
ｉｃｕ
ｌｔ　ｐｒ
ｏｂｌ
ｅｍ　ｉ
ｎ ｈｅ
　ｔ ｉ
　ｆｅｌ
ｄ　ｏ
ｆ　ｐａ
ｔｔｅ
ｒｎ ｆ
ｕｎｃ
ｔｉｏｎ　ｃ
ａｎ　ｂｅ　ｏｂ
ｔａｉ
ｎｅｄ　ａｎｄ　ｈａ
ｓ　ｔ
ｈｅ　ｆ
ｏｌｌ
ｏｗｉ
ｎｇ
ｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎ． ｆ
ｏｒｍ：
Ｓｕｐｐｏｒ
ｔ　ｖｅｃｔｏｒ　ｍａｃｈｎｅ（
ｉ ＳＶＭ ），ｐｒ ｏｐｏｓ
ｅｄ　ｂｙ Ｎ

［
５］
， ｙ（
ｘ）＝ ∑ａＫ（ｘ，ｘ ）＋ｂ
ｉ ｉ （
３）
Ｖａｐｎ
ｉｋ　ｅ
ｔ　ａｌ． ｈａｓ ｏｏｄ
　ｇ 　ｇ ｅｎｅ
ｒａｌ
ｉｚａ
ｔｉｏｎ　 ｔ
ａｂｉ
ｌｉｙ ｉ＝１
［
１３］
ａｎｄ
　ｌｅ
ａｒｎ
ｉｎｇ　
ｐｅｒ
ｆｏｒｍａｎｃ
ｅ．Ｉ
ｔ　ｈａ
ｓ　ｂｅ
ｅｎ　
ｗｉｄｅ
ｌ ｕｓ
ｙ　 ｅｄ 　 　 Ｔｈｅ　ｂａ
ｓｉｃ
　ｉｄｅ
ａ　ｏ
ｆ　ＷＬＳ－ＳＶＭ ｉ
ｓ　ｔ
ｈａｔ
　ａ
第４期 Ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ　
ｏｆａｎｃ
　 ｉｅｎ
ｔ　ｃｈ
ｉｎｅ
ｓｅｃｈａ
　 ｒａｃ
ｔｅｒ
ｓ　ｂａ
ｓｅｄ　
ｏｎ　
ｈｙｂ
ｒｉｄ　
ｋｅｒ
ｎｅｌ　
ＷＬＳ－ＳＶＲ ３２３

Ｎ
ｗｅ
ｉｇｈ
ｔｅｄ
　ｆａ
ｃｔｏ
ｒ ωｉ ｗｉ
ｌｌ ｉ
　 ｂｅ　 ｇｖｅｎ
　ｔｏ
　ｔｈｅ ｘｉ －ｘｉ
′）
Ｋｗａｖ（
ｘ，ｘ′ ）＝ ∏ｈ（ ＝ 　　　　　　　
ｃｏ
ｒｒｅ
ｓｐｏｎｄ
ｉ ｅ
ｎｇ　ｒｒ
ｏｒｖａ
　 ｒ
ｉａｂ
ｌｅｅｉ ｏ
　 ｆ　ｅ
ａｃｈ　
ｓａｍｐ
ｌｅｘｉ ．
　 ｉ＝１ α
Ｎ
Ｔｈｅ　
ｏｐｔ
ｉｍｉ
ｚａｔ
ｉｏｎ　
ｐｒｏｂ
ｌ ｃｈａｎｇｅ
ｅｍ　 ｓ　ｔ
ｏ （
ｘｉ －ｘｉ ）
＇ ２ ＇ ２
‖ｘｉ －ｘｉ‖ ） （ ）
Ｎ
∏ （１－
ｉ＝１
２
ａｉ
）
ｅｘｐ（
－ ２
２ａｉ
８
１ １ 烌
ｎＪ （
ｍｉ ω＊ ，
＊
ｅ＊ ）＝ ２
‖ ω＊ ‖ ＋ Ｃ∑ ωｉｅｉ＊２ ｗｈ
ｉ ｓ　ｇｏｏｄ
ｃｈ　ｈａ 　ｌｏｃ
ａｌ　ｐｒ
ｏｐｅ
ｒｔｉ
ｅｓ． Ｗａｖｅ
ｌｅｔ
　ｋｅ
ｒｎｅ
ｌ
２ ２ ｉ＝１ 烍
ｆ
ｕｎｃ
ｔｉｏｎ
　ｉｓ
　ｓｅｎｓ
ｉｔｉ
ｖｅｔ
　ｏｌ
　ｏｃ
ａｌｓ
　ｉｎｇｕ
ｌａｒ
ｉｔｉ
ｅｓ．
ｔ．ｙｉ ＝ ω＊Ｔφ（
ｓ． ｘｉ）＋ｂ＊ ＋ｅｉ＊ ，
ｉ ＝１，…，
Ｎ 烎
Ａ　
ｓｉｎｇ
ｌｅ　
ｋｅｒｎｅ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ
　ｉｓ
　ｒｅ
ｓｔｒ
ｉｃｔ
ｅｄｉ
　ｎ　
ａｓｐｅ
ｃｔｓ
（
４）
ｏ
ｆ　ｐｒ
ｅｄｉ
ｃｔｏｎ　ａ
ｉ ｃｃｕｒ
ａｃｙ　ａｎｄ　ｇｅｎｅ
ｒａｌ
ｉｚａ
ｔｉｏｎ． Ｔｈ
ｉｓ
　 　 Ｕｓｉ
ｎｇ　ｔｈｅ　Ｌａｇ
ｒａｎｇｅ　ｍｕ ｌ
ｔｉｌ
ｐｉｅｒ　ｍｅｔｈｏｄ　ａｎｄ ［ ］
ｐａｐｅ
ｒ　ｃｏｎｓ
ｔｒｕｃ
ｔｓａ　
　 ｈｙｂｒ
ｉｄ　
ｋｅ ｌ １４ ｂｙ　
ｒｎｅ ｃｏｍｂ
ｉｎｉ
ｎｇ
ａ
ｃｃｏ
ｒｄｉｎｇ
　ｔｏｔ
　ｈｅ　ＫＫＴ　ｃｏｎｄ
ｉｔｉ ，
ｏｎｓ ｔ ｈｅ　
ｄｕａ
ｌ　ｐｒｏｂｌｅｍ
ｗａｖｅｌ
ｅｔ　ｋｅ
ｒｎｅ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ　
ｗｉｔ
ｈ　ＲＢＦ　
ｋｅｒｎｅ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ
ｏ
ｆ　Ｅｑ．（
４）ｃ
ａｎ　
ｂｅｅｘｐｒ
　 ｅｓｓ
ｅｄ　
ａｓ：
ａ
ｓ　ｆｏ
ｌｌｏｗｓ：
Ｔ

［１０　 Ω１＋Ｖ ］［αｂ］＝ ［ｙ０］

ｖ
ｖ

ｒ
（
５） Ｋ（
ｘｉ，
ｘ）＝βＫ ｗａｖ（
ｘｉ，
ｘ）＋ （
１－β）
ＫＲＢＦ（
ｘｉ，
ｘ）
（
９）
１ １
ａｇ｛ ，…，
Ｃω ｝
ｗｈｅ
ｒｅ　ｔ
ｈｅ　ｍａｔ ｒ
ｉ Ｖ ＝ｄ
ｘ　 ｒ ｉ ．Ｉｎ ｗｈｅ
ｒｅβｉ
ｓ　ａ　
ｗｅｉ
ｇｈｔ
ｅｄｆ
　ａｃ
ｔｏｒ．
Ｃω １ Ｎ

ｔ
ｈｉｓ　 ｒ，ｔ
ｐａｐｅ ｈｅ　
ｗｅｉ
ｇｈｔ
ｅｄｆ
　ａｃ
ｔｏｒωｉｉ
ｓ　ｃｏｎｓ
ｔｒｕｃ
ｔｅｄ　
ａｓ：
ｅ
２　Ｆｅ
ａｔｕ
ｒｅｅ
　ｘｔ
ｒａｃ
ｔｉｏｎ
ｉ
ωｉ ＝ｅ －
ｓ （
６）
Ｄｕｅｔ
　ｏｔ
　ｈｅ
　ｒａｎｄｏｍｎ
ｅ ｓｓ
　ａｎｄ　ｉ
ｒｒｅ
ｇｕｌａｒ
ｉｔ ｏ
ｙ　ｆａｎ
　 ｃ
ｉｅｎ
ｔ
ＩＱＲ
ｗｈｅ
ｒｅｓ＝
　 ．ＩＱＲ　ｉ
ｓ ｈｅ　ｑｕａ
　ｔ ｒｔｉ
ｌｅ　ｏ
ｆ Ｃｈ
ｉｎｅ
ｓｅ　ｃｈａ
ｒａｃ
ｔｅｒ ，
ｓ ｒｅｃｏｇｎｉ
ｔｉｏｎ　ｂａｓｅ
ｄ　ｏｎ　ａ 　ｓｉ
ｎｇｌ
ｅ
２×０．６７４５
ｓ
ａｍｐ
ｌｅｅ
　ｒｒ
ｏｒ．Ｔｈｅ　
ｐｒｏｐｏｓ ｗｅ
ｅｄ　 ｉ
ｇｈｔ
ｅｄｆ
　ａｃ
ｔｏｒ
　ｄｅ
ｃａｙｓ ｆ
ｅａｔ
ｕｒｅ
　ｌｅ
ａｄｓ
　ｔｏ　
ａ　ｈ
ｉｇｈ　
ｒａｔ
ｅ　ｏ
ｆ　ｍｉ
ｓｃｌ
ａｓｓ
ｉｆ
ｉｃａ
ｔｉｏｎ
ｓ．Ｍｕ
ｌｔｉ
－
ｗｉ
ｔｈｔ
　ｈｅ
　ｅｘｐｏｎｅｎ
ｔｉａ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ　
ｏｆｐｒ
　 ｅｄ
ｉｃｔ
ｉｏｎ　
ｅｒｒ
ｏｒｓ． ｆ
ｅａｔ
ｕｒｅ
　ｆｕ
ｓｉｏｎ　
ｃａｎ　
ｏｐｔ
ｉｍｉ
ｚｅｆ
　ｅａ
ｔｕｒ
ｅ　ｖ
ｅｃｔ
ｏｒｓ
　ａｎｄ
　ｉｍｐ
ｒｏｖ
ｅ
［ ］
Ｗｅ
　ｃａｎ　ｓ
ｅｅ ｒ
　ｆｏｍ　Ｆ
ｉｇ．
１ ｔ
ｈａｔ
　ｌａ
ｒｇｅ
ｒ　ｅ
ｒｒｏ
ｒ ｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎ　
ｒａｔ
ｅｓ １５ ．
ｃｏ
ｒｒｅ
ｓｐｏｎｄｓ
　ｔｏ　
ｓｍａ
ｌｌｅ
ｒ　ｗｅ
ｉｇｈ
ｔ．Ｔｈｕｓ
　ｔｈｅ
　ｅｆ
ｆｅｃ
ｔ　ｏ
ｆ Ｇｌ
ｏｂａ
ｌ　ｆ
ｅａｔ
ｕｒｅ
ｓ　ａ
ｒｅ　
ｎｏｔ
　ｓｅ
ｎｓｉ
ｔｉｖ
ｅ　ｔ
ｏ　ｉｍａ
ｇｅ　
ｎｏｉ
ｓｅ，
ｔ
ｈｅｅ
　ｒｒ
ｏｒａｎｄ　
　 ｎｏｉ
ｓｅｔ
　ｏｔ
　ｈｅ　
ｍｏｄｅ
ｌ　ｃ
ａｎ　
ｂｅｒ
　ｅｄｕｃ
ｅｄ． ｈａｎｄｗｒ
ｉｔ
ｉｎｇ　ｄ
ｅｆｏ
ｒｍａ
ｔｉｏｎ　ａｎｄ　ｓ
ｃａｌ
ｅ　ｖ
ａｒｉ
ａｔｉ
ｏｎ．Ｌｏ
ｃａｌ
ｆ
ｅａｔ
ｕｒｅｓｃ
　ａｎ　ｄ
ｉｓｔ
ｉｎｇｕ
ｉｓｈ　
ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅｃ
　ｈａ
ｒａｃ
ｔｅｒｓ　ｗｉ
ｔｈ
ｓ
ｉｍｉｌ
ａｒ　ｓｔｒ
ｕｃｔｕｒｅ
ｓ． Ｔｈｅｒｅ
ｆｏｒｅ，ｔｈｅ　ｃ
ｏｍｂｉｎａ
ｔｉｏｎ　ｏｆ
ｌ
ｇｏｂ
ａｌｆ
　ｅａ
ｔｕｒ
ｅｓ　
ｗｉｔ
ｈ　ｌ
ｏｃａ
ｌ　ｆ
ｅａｔ
ｕｒｅ
ｓ　ｃ
ａｎ　
ｇｕａ
ｒａｎ
ｔｅｅ
　ｔｈｅ
ｒ
ｏｂｕ
ｓｔｎ
ｅｓｓ
　ａｎｄ　ａ
ｃｃｕ
ｒａｃ
ｙ　ｏ
ｆ　ｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎ　ｏ
ｆ　ａｎ
ｃｉｅ
ｎｔ
Ｃｈ
ｉｎｅ
ｓｅｃ
　ｈａ
ｒａｃ
ｔｅｒ
ｓ．
Ｓ
ｔｒｕｃ
ｔｕｒ
ｅ　ｆ
ｅａｔ
ｕｒｅ
　ｉｓ　
ｏｎｅ　
ｏｆｔ
　ｈｅ　
ｇｌｏｂａ
ｌ　ｆ
ｅａｔ
ｕｒｅ
ｓ．
Ｓ
ｔｒｏｋｅ
　ｓｔ
ｒｕｃ
ｔｕｒ
ｅ　ａ
ｓ　ａ
　ｓｔ
ｒｕｃ
ｔｕｒ
ｅ　ｆ
ｅａｔ
ｕｒｅ　ｈａ
ｓ　ｂｅ
ｅｎ
ｗｉ
ｄｅｌ
ｙ　 ｕｓ
ｅｄ　ｉ
ｎ　 ｍｏｄｅ
ｒｎ　 Ｃｈ
ｉｎｅ
ｓｅ　 ｃｈａ
ｒａｃ
ｔｅｒ
ｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎ．Ｓｔｒｏｋｅｓｏ
　ｆ　ａｎｃ
ｉｅｎ
ｔ　Ｃｈｉ
ｎｅｓｅ　ｃｈａ
ｒａｃｔ
ｅｒｓ
Ｆ
ｉｇ．
１　Ｓ
ｃｈｅｍａ
ｔｉｃ　
ｄｉａ
ｇｒａｍ　
ｏｆｔ
　ｈｅ
　ｒｅ
ｌａｔ
ｉｏｎ
ｓｈｉ
ｐ ａ
ｒｅ　ｍａ
ｉｎｌ ｃｕｒ
ｙ　 ，
ｖｅｄ ａｎｄ ｔ
　ｈｅｃｕｒ
　 ｖａ
ｔｕｒｅｓ
　ａｒ
ｅ　ｄｉ
ｆｆｅ
ｒｅｎｔ
ｂ
ｅｔｗｅ
ｅｎ　
ｗｅｉ
ｇｈｔ
ｅｄｆ
　ａｃ
ｔｏｒ
ｓ　ａｎｄ　
ｐｒｅ
ｄｉｃ
ｔｉ ｅ
ｏｎ　ｒｒ
ｏｒｓ ｅｖｅｎｆ
　ｏｒ　ｔ
ｈｅ　ｓｔｒ
ｏｋｅｓ　ｏ
ｆ　ｔｈｅ　ｓａｍｅ　ｃｈａ
ｒａｃ
ｔｅｒ．Ｔｈｅ
Ｔｈｅ　ｐｅ
ｒｆｏ
ｒｍａｎｃ ｆ　ＷＬＳ－ＳＶＭ　ｉ
ｅ　ｏ ｓ　ｇ
ｒｅａ
ｔｌｙ ｄｉｒ
ｅｃｔ
ｉｏｎａｌ
　ｆｅａ
ｔｕｒｅｓ
　ｓｕｃｈ　ａｓ　ｈｏｒｉ
ｚｏｎｔａ
ｌ　ｌ
ｉｎｅ，ｔ
ｏｐ－
ｉ
ｎｆｌ
ｕｅｎｃ
ｅｄ　
ｂｙｔ
　ｈｅ
　ｓｅ
ｌｅｃ
ｔｉｏｎ　
ｏｆｋｅ
　 ｒｎｅ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ．ＲＢＦ ｄｏｗｎ　
ｖｅｒ
ｔｉｃ
ａｌ　ｌ
ｉｎｅ，ｌ
ｅｆｔ－ｄｏｗｎｗａ
ｒｄ　ｓ
ｌｏｐｅ
　ｌｉ
ｎｅ　ａｎｄ
ｋｅ
ｒｎｅ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ
　ｉｓ　
ｄｅｆ
ｉｎｅｄ　
ａｓｆ
　ｏｌ
ｌｏｗｓ： ｓｈｏ
ｒｔ　 ｐａｕｓ
ｉｎｇ　 ｓ
ｔｒｏｋｅ
　ａｒ
ｅ　 ｎｏ
ｔ　 ｓｕ
ｉｔａｂ
ｌｅ　ｆ
ｏｒ
‖ｘ －ｘｉ‖ ）
２
ｒｅｃｏｇｎ
ｉｔｉ
ｏｎ　ｏｆ　ａｎｃｉ
ｅｎｔ　Ｃｈｉｎｅ
ｓｅ　ｃｈａｒ
ａｃｔｅｒｓ． Ｔｈｉｓ
ＫＲＢＦ（
ｘｉ，
ｘ）＝ｅｘｐ（
－ ２
（
７）
２σ ｐａｐｅｒｅｘ
　 ｔｒａ
ｃｔｓ
　ｆｏｕｒ　
ｋｉｎｄｓ
　ｏｆ
　ｃｏｍｐｏｎｅｎｔｓ
　ｔｒｕｃ
ｔｕｒｓ，
ｅ
　　ＲＢＦ　 ｋｅ
ｒｎｅｌ
　ｆｕｎｃ
ｔｉｏｎ　 ｈａｓ　 ｇｏｏｄ　 ｇ ｌｏｂａｌ ｎａｍｅ
ｌｙ　 ｌ
ｅｆｔ－ｒ
ｉ ｔ，
ｇｈ ｕｐ－ｄｏｗｎ， ｉ
ｎ－ｏｕ
ｔ　 ａｎｄ
ｐｒ
ｏｐｅ
ｒｔｉ
ｅｓ，ｓｏ　ｉ
ｔ　ｈａｓ
　ａ　ｓｔ
ｒｏｎｇ
　ｌｅａ
ｒｎｉ
ｎｇ　ａｂ
ｉｌｉ
ｔｙ　ｆｏ
ｒ ｉ
ｎｄｅｐｅｎｄｅｎｃ
ｅ　ａ
ｓ　ｓ
ｔｒｕｃ
ｔｕｒ
ｅ　ｆ
ｅａｔ
ｕｒｅ
ｓ． Ｃｏｍｐｏｎｅｎ
ｔ
ａｄ
ｊａｃｅｎｔ
　ｓ ａｍｐｌｅ
ｓ． Ｗａｖｅ
ｌｅｔ
　ｋｅ
ｒｎｅ
ｌ ｕｎｃ
　ｆ ｔｉｏｎ
　ｉｓ ｓ
ｔｒｕｃ
ｔｕｒｅｓ　ｏ
ｆ　ａｎｃ
ｉｅｎｔ　Ｃｈｉｎｅｓ
ｅ　ｃｈａｒａ
ｃｔｅ
ｒｓ　ａｒｅ　ｎｏｔ
ｄｅ
ｆｉｎｅｄ　
ａｓｆ
　ｏｌｏｗｓ：
ｌ ｓ
ｅｎｓｉ
ｔｉｖｅ
　ｔｏ　
ｎｏｉ
ｓｅ　ａｎｄ　
ｓｃａ
ｌｅ　ｖａｒｉ
ａｔｉ
ｏｎ．Ｂｅｓｉ ｓ，ｔ
ｄｅ ｈｅ
 ３２４ 中国科学技术大学学报 第 ４５ 卷

ｌ
ｇｏｂａ
ｌ　ｐｏ
ｉｎｔ
　ｄｅｎｓ
ｉｔｙ
　ｆｅ
ａｔｕｒ
ｅ　ｈａ
ｓ　ａ
　ｓｔ
ｒｏｎｇ　
ａｎｔ
ｉ－ｎｏ
ｉｓｅ ｅ
ｌａｓ
ｔｉｃ　
ｍｅｓｈ　
ｃａｎ　
ｗｅｌ
ｌ　ａｄａｐ
ｔ　ｔ
ｏ　ｔ
ｈｅｌ
　ｏｃ
ａｌｄｅ
　 ｆ
ｏｒｍａ
ｔｉｏｎ
ｃａｐａｂｉ
ｌｉ
ｔｙ　 ａｎｄ　 ｃ
ａｎ　 ａｄａｐｔ　 ｔｏ　 ｈａｎｄｗｒｉ
ｔｉｎｇ ａｎｄ　ｄ
ｉｓｔ
ｉｎｇｕ
ｉｓｈ　ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅ　ｃｈａ
ｒａｃ
ｔｅｒ
ｓ　ｗｉ
ｔｈ
ｄｅｆｏｒｍａｔ
ｉｏｎ．Ｓｏ，ｔｗｏ　
ｇｌｏｂａｌ
　ｆｅａ
ｔｕｒｅｓ，ｃｏｍｐｏｎｅｎｔ ｓ
ｉｍｉ
ｌａｒ
　ｓｔ
ｒｕｃ
ｔｕｒ
ｅｓ．Ｓｏ
　ｆｏｕｒ　
ｋｉｎｄｓ
　ｏｆ
　ｆｅ
ａｔｕｒ
ｅｓ　
ｈａｖｅ
ｓ
ｔｒｕｃ
ｔｕｒ
ｅ　ｆ
ｅａｔ
ｕｒｅ
　ａｎｄ　
ｇｌｏｂａ
ｌ　ｐｏ
ｉｎｔ
　ｄｅｎｓ
ｉｔｙ
　ｆｅ
ａｔ ｅ，
ｕｒ ｂｅｅｎ　ｅｘｔｒ
ａｃｔ
ｅｄ　ｆ
ｏｒ　ｒ
ｅｃｏｇｎ
ｉｔｉｏｎ　ｏｆ
　ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅｓ
ｅ
ａ
ｒｅ　ｓ
ｅｌｅ
ｃｔｅｄ
　ｔｏ
　ｒｅ
ａｌｉ
ｚｅ　ａ
　ｒｏｕｇｈ　ｃ
ｌａｓ
ｓｉｆ
ｉｃａ
ｔｉｏｎ　ｏ
ｆ ｃｈａｒａ
ｃ ｔ
ｅｒｓ：ｃｏｍｐｏｎｅｎｔ
　ｓｔｒｕｃｔｕｒ
ｅ　ｆｅａ
ｔ ｅ，ｇ
ｕｒ ｌｏｂａｌ
ａｎｃｉｅｎ
ｔ　Ｃｈ ｉ
ｎｅｓ
ｅ　ｃｈａｒａｃｔｅ
ｒｓ．Ｉ ｎ　ｏｒｄｅ
ｒ　ｔ ｏ
　ｒｅａｌ
ｉｚｅ ｐｏ
ｉｎｔ
　ｄｅｎｓ
ｉｔ　ｆ
ｙ ｅ
ａｔ ｅ， ｐｓ
ｕｒ ｅｕｄｏ　２Ｄ ｅ
ｌａｓ
ｔｉｃ　ｍｅ
ｓｈ
ａｃｃｕｒａｔ
ｅ　ｒ
ｅｃｏｇｎｉ
ｔｉｏｎ　
ｏｆａｎｃ
　 ｉｅｎ
ｔ　Ｃｈｉ
ｎｅｓｅ　ｃｈａ
ｒａｃ
ｔｅｒｓ， ｆ
ｅａｔ
ｕｒｅ
　ａｎｄ
　ｌｏｃ
ａｌｐｏ
　 ｉ
ｎｔｄｅｎｓ
　 ｉｔｙ
　ｆｅ
ａｔｕｒ
ｅ．
ｌ
ｇｏｂａ
ｌ　ｆ
ｅａｔ
ｕｒｅ
ｓ　ａ
ｒｅ　ｃｏｍｂ
ｉｎｅｄ　ｗｉ
ｔｈ　ｌ
ｏｃａ
ｌ　ｆ
ｅａｔ
ｕｒｅ
ｓ． Ｔｈｅ
　 ｓ
ｃｈｅｍａ
ｔｉｃ　 ｄ
ｉａｇ
ｒａｍ　 ｏ
ｆ　 ｃｏｍｐｏｎｅｎ
ｔ
Ｔｈｅ
　ｌｏｃ
ａｌ　ｐｏ
ｉｎｔ
　ｄｅｎｓ
ｉｔｙ　ｏ
ｆ　ｅ
ａｃｈ　ｐ
ｉｘｅ
ｌ　ｗｉ
ｔｈｉ
ｎ　ｔ
ｈｅ ｓ
ｔｒｕｃ
ｔｕｒ
ｅ　ｆ
ｅａｔ
ｕｒｅ
　ｅｘ
ｔｒａ
ｃｔｉ
ｏｎｉ
　ｓｓｈｏｗｎ
　 　ｉｎ　
Ｆｉｇ．
２．

Ｆ
ｉｇ．
２　Ｓ
ｃｈｅｍａ
ｔｉｃ　
ｄｉａ
ｇｒａｍ　
ｏｆｃ
　ｏｍｐｏｎ
ｅｎｔ
　ｓｔ
ｒｕｃ
ｔｕｒ
ｅ　ｆ
ｅａｔ
ｕｒｅ
　ｅｘ
ｔｒａ
ｃｔｉ
ｏｎ
ｌ
　 　 Ｔｈｅ　ｇｏｂａｌ　ｐｏｉｎ
ｔ　ｄｅｎｓｉｔｙ　ｏｆ
　ｔｈｅ　ｃｈａ
ｒ ａｃｔｅ
ｒ ｗｈｅ
ｒｅσ２ｉ
ｓ　ｔ
ｈｅ　
ｖａｒ
ｉａｎｃ
ｅ　ｏ
ｆ　Ｇａｕｓ
ｓｉａｎ
　ｆｕｚ
ｚｙｆ
　ｕｎｃ
ｔｉｏｎ，
［１６］
ｉｍａｇｅ
　ａｆｔ
ｅｒ　
ｂｉｎａ
ｒｉｚａｔ
ｉｏｎ　ｉ
ｓ　ｄｅ
ｆｉｎｅｄ　
ａｓ　ｆ
ｏｌｏｗｓ ：
ｌ ｕ，
ｖｒｅｐｒ
ｅｓｅｎ
ｔｓｔ
　ｈｅ
　ｒｏｗ　
ｏｒｃｏ
　 ｌ
ｕｍｎ　
ｏｆｔ
　ｈｅ　
ｐｉ ｌ，ｕ０ ，
ｘｅ
ｎ ｎ
ｖ０ｉ
ｓ　ａ　
ｐａｒｔ
ｉｃｕｌａ
ｒ　ｒ
ｏｗ　ｏｒｃｏ
　 ｕｍｎ，ｄｕ （
ｌ ｕ，
ｖ）ｏｒ
　ｄｖ（
ｕ，
∑ ∑ｆ（
ｉ，ｊ）
ｉ＝１ ｊ＝１ ｖ）ｉｓ　ｔｈｅ
　ｉ ｎ
ｔｅｒｖａ
ｌ　ｄｅｎｓ
ｉｔ　ｆ
ｙ ｕｎｃ
ｔｉｏｎ　ｏｆ
　ｓｔ
ｒｏｋｅ
ｓ．
α＝ ２
，１ ≤ ｎ ≤ １２８ （
１０）
ｎ
Ａｃｃｕｍｕ
ｌａｔｉ
ｎｇ　ｌｏｃ
ａｌ　ｆ
ｕｚｚ
ｙ　ｌｉｎｅ
ａｒ　ｄｅｎｓ
ｉｔ　ｆ
ｙ ｕｎｃ
ｔｉｏｎｓ
ｗｈｅｒ
ｅ　ｆ（
ｉ，ｊ）ｒｅｐｒｅ
ｓｅｎｔｓｔ
　ｈｅ　
ｐｉｘｅｌ
　ｖａｌ
ｕｅ　ａ
ｔ　ｐｏｓ
ｉｔｉ
ｏｎ
ｂｙ
　ｒｏｗｓｏ
　ｒ　ｃｏ
ｌｕｍｎｓ，ｗｅ　ｈａｖｅ
（
ｉ，ｊ），ｎ　ｒｅｐｒ
ｅ ｓ
ｅｎｔｓ　ｔ
ｈｅ　ｉｍａｇｅ　ｓｉ
ｚｅ　ａｎｄαｉ ｓ
　ｔｈｅ
ｘ
ｌ
ｇｏｂａ
ｌ　ｐｏ
ｉｎｔ
　ｄｅｎｓ
ｉｔｙ． 烌
Ｈ（
ｘ，ｖ０）＝ ∑ρ （ｕ，
ｖ ），ｘ ＝１，
ｘ ０ ２，…，
Ｕ
ｕ＝０
Ｐｓｅ
ｕｄｏ　２Ｄ ｅｌ
ａｓｔｉ
ｃ　ｍｅｓｈ　ｉｓ　ｓｕｉ
ｔａｂ
ｌｅ　ｆ
ｏｒ　ａ
　ｌａ
ｒｇｅ
ｙ
烍
ｎｕｍｂ
ｅｒｏ
　ｆｖ
　ａｒｉ
ａｎｔ
ｓ　ｃａｕｓｅ
ｄ　ｂｙ　ｄ
ｉｆｆｅ
ｒｅｎｔ　
ｗｒｉｔ
ｅｒ ，
ｓ ｗｈ
ｉｃｈ Ｓ（
ｕ０ ，
ｙ）＝ ∑ρｙ（ｕ０，
ｖ），ｙ ＝１，
２，…，
Ｖ
ｕ
ｓｅｓ
　ｌｏ
ｃａｌ
　ｆｕ
ｚｚｙ
　ｌ
ｉｎｅ
ａｒｄ
　ｅｎ
ｓｉｔ
ｙ　ｆ
ｕｎｃ
ｔｉｏｎ
　ｉｎ
ｓｔｅ
ａｄ　
ｏｆ　
ｇｌｏｂ
ａｌ ｖ＝０ 烎
ｄ
ｅｎｓ
ｉｔｙ　
ｐｒｏ
ｊｅｃ
ｔｉｏｎ
　ｆｕｎ
ｃｔｉ
ｏｎｔ
　ｏ　
ｏｂｔ
ａｉｎ　
ａ　 ａｂ
ｇｏｏｄ　 ｓ
ｏｒｔ
ｐｉｏｎ （
１２）
ｃ
ａｐａ
ｃｉｔ
ｙ　ｆ
ｏｒ　ｌ
ｏｃａ
ｌ ｅ
　ｄｆｏ
ｒｍａ
ｔｉｏｎ　ｏ
ｆ　ａｎ
ｃｉｅ
ｎｔ　Ｃｈ
ｉｎｅ
ｓｅ 　 　 Ｔｈｅ　ｇｅｎｅｒａ
ｔｉｏｎ　ｆ
ｕｎｃｔｉ
ｏｎｓ　ｏｆ　ｔ
ｈｅ　ｐｓ
ｅｕｄｏ　２Ｄ
［ ］
ｃ
ｈａｒａｃｔ
ｅｒｓ１７ ．Ｌｏ
ｃａｌ
　ｆｕ
ｚｚｙ
　ｌｉ
ｎｅａ
ｒ　ｄ
ｅｎｓ
ｉｔｙ
　ｆｕｎ
ｃｔｉ
ｏｎｓ
　ａｒ
ｅ ｅ
ｌａｓ
ｔｉｃ　
ｍｅｓｈ　ａｒ
ｅ　ｄｅｆｉ
ｎｅｄ　ａ
ｓ　ｆｏ
ｌｌｏｗｓ：
ｄｅ
ｆｉｎ
ｅｄ　ａｓ
　ｆｏｌ
ｌｏｗｓ： ｆｈ（
ｍ／Ｍ， ｖ０）＝ ｛
ｘ｜Ｈ（ｘ， ｖ０）＝ （
ｍ／Ｍ）Ｈ（ Ｕ，ｖ０）｝
烌
Ｖ 烍
１ －（
２
ｖ－ｖ０）／（
２烌
σ ） ｆｓ（
ｕ０ ，
ｎ／Ｎ）＝ ｛ｙ｜Ｓ（
ｕ０ ，
ｙ）＝ （ｎ／Ｎ）
Ｓ（ｕ０ ，
Ｖ）｝ 烎
ρ（
ｕ，ｖ０）＝ ∑ｄ （ｕ，
ｖ） ２
ｅ
ｕ
ｖ＝１ 槡２πσ （
１３）
Ｕ 烍
１ －（
２
ｕ－ｕ０）／（
２
σ ）
ｗｈｅｒｅ　Ｕ，Ｖｒｅｐｒｅｓ
ｅｎｔｓｔ
　ｈｅ　ｗｉｄｔｈ　
ａｎｄ　ｈｅ
ｉｇｈ
ｔ　ｏ
ｆ　ａｎ
ρ（
ｕ０ ，
ｖ）＝ ∑ｄ （ｕ，
ｖ） ２
ｅ
ｖ
ｕ＝１ 槡２πσ 烎 ｉｍａｇｅ　ｏ
ｆ　ａ　ａｎｃ
ｉｅｎｔ　Ｃｈｉ
ｎｅｓ
ｅ 　ｃｈａｒ
ａｃｔ
ｅｒ，Ｍ ａｎｄ　Ｎ
（１１）
第４期 Ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ　
ｏｆａｎｃ
　 ｉｅｎ
ｔ　ｃｈ
ｉｎｅ
ｓｅｃｈａ
　 ｒａｃ
ｔｅｒ
ｓ　ｂａ
ｓｅｄ　
ｏｎ　
ｈｙｂ
ｒｉｄ　
ｋｅｒ
ｎｅｌ　
ＷＬＳ－ＳＶＲ ３２５

ｒｅｐｒｅ
ｓｅｎｔｔ
　ｈｅ　ｎｕｍｂｅｒｏ
　ｆｒ
　ｏｗｓ　ａｎｄ　
ｃｏｌ
ｕｍｎｓ
　ｏｆ
　ｔｈｅ Ｓｔ
ｅｐ　２　Ｐｒ ｅｐｒｏｃｅｓ
ｓｉｎｇ．Ｓ ｉ
ｎｃｅ　ｔ
ｈｅ　ｉｎｐｕｔ
　ｉｍａｇｅ
ｐｓ ２Ｄｅ
ｅｕｄｏ　 ｌａ
ｓｔｉｃ　
ｍｅｓｈ，ｒｅｓｐｅ
ｃｔｉ
ｖｅｌ
ｙ． ｉ　ａ　ｗｈｏ
ｓ ｌｅ　ｐａｇｅ　ｏｆ
　ａｎｃ ｉ
ｅｎｔ　Ｃｈｉｎｅｓｅ
　ｃｈａ ｒ
ａｃｔ
ｅｒｓ，
Ｔｈｅ
　ｌｏｃ
ａｌｌ
　ｉｎｅ
ａｒｄｅｎｓ
　 ｉｔｙ
　ｆｕｎｃ
ｔｉｏｎ　
ａｔｅ
　ａｃｈ　
ｒｏｗ ｃｈａｒ
ａｃｔｅｒ
　ｓｅｇｍｅｎ ｔ
ａｔｉ
ｏｎ　ｍｕｓ ｔ
　ｂｅｃ
　ａｒｒ
ｉｅｄ　ｏｕｔ．Ｔｈｅｎ，
ｏ
ｒ　ｃｏ
ｌｕｍｎ
　ｉｓ　ｄ
ｉｆｆ
ｅｒｅｎ
ｔ．Ｔｈｅ　ｍｅ
ｓｈ　ｌ
ｉｎｅ
　ｉｓ
　ｃｕｒ
ｖｅｄ ｉｎ　
ｏｒｄｅ
ｒ　ｔ
ｏ　ｒ
ｅｍｏｖｅ　ｎｏ
ｉｓｅａｎｄ
　 　ｆ
ａｃｉ
ｌｉ
ｔａｔｅ
　ｔｈｅ　ｆ
ｅａｔｕｒ
ｅ
ｒａ
ｔｈｅｒ　ｔｈａｎ　ｓｔｒ
ａｉｇｈ
ｔ　ｗｈｉ
ｃｈ　ｃａｎ＇ｔ
　ｂｅ　ｄｅ
ｓ ｃ
ｒｉｂｅｄ　ｂｙ ｅｘｔｒ
ａｃｔ
ｉ 　ｉ
ｏｎ ｎ　ｌ
ａｔｅ
ｒ　ｓｔａｇｅ， ｗｅ　ｎｅｅｄ
　ｔ ｏ　ｃｏｎｄｕｃｔ
ｌ
ｉｎｅａ
ｒ　ｅｑｕａｔｉｏｎ．Ｈｅ ｅ，ｔ
ｒ ｈｅ　ｅｘｐｒ
ｅｓｓ
ｉｏｎ　
ｏｆ　ｍｅｓｈ（ｍ，ｎ） ｂ
ｉｎａ
ｒｉｚ
ａｔｏｎ，
ｉ ｎｏ
ｒｍａ
ｌｉｚ
ａｔｉ
ｏｎ　 ａｎｄ　 ｄｅｎｏ
ｉｓｉ
ｎｇ
ｃ
ａｎ　ｂｅ　ｃｏｎｖｅｒ
ｔｅｄ
　ｔｏ
　ｔｈｅ　ｐｏ
ｉｎ　ｃｏｏ
ｔ ｒｄｉ
ｎａｔ
ｅ　ｓ
ｅｔ　ｏ
ｆ ｏｐｅ
ｒａｔ
ｉｏｎｓ
　ｔｏ　
ｃｈａ
ｒａｃ
ｔｅｒ
ｓ．
ｍｅｓｈ
　ｌｉ
ｎｅｓ ： Ｓ
ｔｅ ３　Ｆｅ
ｐ　 ａｔｕｒ
ｅ　ｅｘ
ｔｒａ
ｃｔｉ
ｏｎ．Ｓ
ｉｎｃ
ｅ　ｉ
ｔ　ｉ
ｓ　ｄ
ｉｆｆ
ｉｃｕ
ｌｔ
ｘ１（
ｍ）＝ ｛
（ｆｈ（
（ｍ －１）
／Ｍ），
ｖ０），
ｖ０）｜ｖ０ ＝１，
２，…，
Ｖ｝烌 ｆｏ
ｒ　ｔ ｈｅ
　ｓ ｉ
ｎｇｌｅ　ｆｅａ
ｔ ｕｒ
ｅ　ｔ ｏ
　ｆ ｕ
ｌｌ　ｒ
ｙ ｅｆ
ｌｅｃｔ　ｔ ｈｅ
ｍ ）， ） ｉ
ｎｆｏｒｍａｔｉ
ｏｎ　ｏｆ
　ａｎｃ
ｉｅｎｔ　Ｃｈｉ
ｎｅｓｅ　ｃｈａｒａ
ｃｔｅ
ｒ ，
ｓ ｇ ｌｏｂａｌ
ｘ２（
ｍ）＝ ｛
（ｆｈ（ ，
ｖ０ ｖ０ ｜ｖ０ ＝１，
２，…，
Ｖ｝
Ｍ ｆ
ｅａｔ
ｕｒｅ
ｓ　ａ
ｒｅ ｕｓ
　ｆ ｅｄ　ｗｉ
ｔｈ ｏｃ
　ｌ ａ
ｌ ｅ
　ｆａｔ
ｕｒｅ
ｓ． Ｍｕ
ｌｔｉ
－
ｎ 烍
ｙ１（
ｎ）＝ ｛ ｕ０， －１），
ｆｓ（ ｕ０）｜ｕ０ ＝１，
２，…，
Ｕ｝ ｆ
ｅａｔ
ｕｒｅ
　ｆｕｓ
ｉｏｎ　 ｃ
ａｎ　 ｒ
ｅｆｌ
ｅｃｔ
　 ａｎｃ
ｉｅｎ
ｔ　 Ｃｈ
ｉｎｅ
ｓｅ
Ｎ
ｃｈａ
ｒａｃ
ｔｅｒ
ｓ　ｆ
ｒｏｍ　
ａｌｌ
　ｓｉ
ｄｅｓ．
ｎ
ｙ２（
ｎ）＝ ｛
ｆｓ（
ｕ０， ），
ｕ０）｜ｕ０ ＝１，
２，…，
Ｕ｝ Ｓ
ｔｅｐ　４　 Ｃｌ
ａｓｓ
ｉｆｉ
ｃａｔ
ｉｏｎ．Ｔｈｅ
　ｔｒ
ａｉｎ
ｉｎｇ　ｓ
ａｍｐ
ｌｅ
Ｎ 烎
（
１４） ｆ
ｅａｔ
ｕｒｅ
ｓ　ａ
ｒｅ　
ｕｓｅｄ
　ｔｏ
　ｔｒ
ａｉｎ
　ｔｈｅ　
ＷＬＳ－ＳＶＭ　
ｃｌａ
ｓｓｉ
ｆｉｅ
ｒ

ｐｓ
　 　Ｔｈｅ　 ｅｕｄｏ　
２Ｄｅ
ｌａｓ
ｔｉｃ　
ｍｅｓｈ　
ｃａｎ　
ｂｅ　
ｏｂｔ
ａｉｎｅｄ ｍｏｄｅ
ｌ　ｆ
ｉｒｓ
ｔｌｙ．Ｔｈｅｎ
　ｔｈｅ
　ｔｅ
ｓｔ　ｓ
ａｍｐ
ｌｅ　ｆ
ｅａｔ
ｕｒｅ
ｓ　ａ
ｒｅ

ｂｙ　
ｃｏｎｎｅ
ｃｔｉ ｐｏ
ｎｇ　 ｉ
ｎｔｃｏｏ
　 ｒｄｉ
ｎａｔ
ｅｓｏ
　ｆｅ
　ａｃｈ　
ｍｅｓｈ
　ｌｉ
ｎｅ． ｉ
ｎｐｕ
ｔ　ｔ
ｏ　ｄｅ
ｃｉｄｅ
　ｔｈｅ　ｐａ
ｒａｍｅ
ｔｅｒ
ｓ　ｏ
ｆ　ａ
　ｃｌ
ａｓｓ
ｉｆｉ
ｅｒ．

Ｌｏｃａｌ
　ｐｏｉｎ
ｔ 　ｄｅｎｓ
ｉｔｙ　ｏｆ　ｅａｃｈ　ｐ
ｉ ｌ　ｗｉ
ｘｅ ｔｈｉ
ｎ　ｔ
ｈｅ Ｆ
ｉｎａ
ｌｌ ａｎｃ
ｙ　 ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅｃｈａ
　 ｒａｃ
ｔｅｒ
ｓ　ａ
ｒｅｒ
　ｅｃｏｇｎ
ｉｚｅｄ　
ａｓ

ｅ
ｌａｓ
ｔｉｃ　
ｍｅｓｈｉ
　ｓ　ｄｅｆｉ
ｎｅｄ　ａｓｆ
　ｏｌｏｗｓ：
ｌ ｓｈｏｗｎ
　ｉｎ　
Ｆｉｇ．３．
ｘ＋１ ｙ＋１

∑ ∑ｆ（ｕ，
ｕ ｘｖ
ｖ）
Ｂ ＝ （ ＝ ＝ｙ）（ （１５）
ｕｘ＋１ －ｕｘ ｖｙ＋１ －ｖｙ ）
ｗｈｅ
ｒｅｘ ∈ ｆｈ （
　 ０，Ｍ ），ｙ ∈ ｆｓ（
０， Ｎ），Ｂｒ ｅｐｒ
ｅｓｅｎｔｓ
ｔ
ｈｅｌ
　ｏｃ
ａｌｐｏ
　 ｉ
ｎｔｄｅｎｓ
　 ｉｔ ｍａ
ｙ　 ｔ
ｒｉｘ．
Ｔｈ
ｉｓ　ｐａｐｅ
ｒ　ｆ
ｉｒｓ
ｔｌ　ｆ
ｙ ｕｓ
ｅｓ　ｌ
ｏｃａ
ｌ　ｐｏ
ｉｎｔ
　ｄｅｎｓ
ｉｔｙ
ｆ
ｅａｔ
ｕｒｅ　ａｎｄ
　ｔ ｈｅ　ｐｓｅｕｄｏ　２Ｄ ｅｌ
ａｓｔ
ｉｃ　ｍｅ
ｓｈ　ｆ
ｅａｔ
ｕｒｅ．
Ｔｈｅｆ
　ｕｓ
ｉｏｎ　ｅｘｐｒｅｓｓ
ｉｏｎ　ｉｓ
　ａｓ
　ｆｏ
ｌｌｏｗｓ：
Ｐ ＝λ１ＢＩ０ ＋λ２ＢＩ９０ ＋λ３ＢＩ４５ ＋λ４ＢＩ１３５
（
１６）
ｗｈｅ
ｒｅ　Ｉ０ ｒｅｐｒｅｓ
ｅｎｔｓ　ｔｈｅ
　ｌｅｆｔ－ｒ
ｉｇｈｔ
　ｄｉｒｅｃｔ
ｉｏｎ，Ｉ９０
ｒ
ｅｐｒｅ
ｓｅｎｔｓ　ｔｈｅ　ｕｐ－ｄｏｗｎ　ｄｉ
ｒｅｃ ｔ
ｉｏｎ，Ｉ４５ ｒ
ｅｐｒｅｓ
ｅｎｔｓ
ｔｈｅ
　ｌ ｏｗｅｒ－ｌ
ｅｆｔ
　ｄｉｒｅｃ
ｔｉｏｎ　ａｎｄ　Ｉ１３５ ｒ
ｅｐｒｅ
ｓｅｎｔｓ　ｔ
ｈｅ
ｕｐｐｅｒ－ｒ
ｉｇｈｔ　ｄｉ
ｒｅｃ
ｔｉｏｎ，λｉ（ｉ ＝ １，…， ４）ｒｅｐｒ
ｅｓｅｎｔｓ
ｗｅ
ｉｇｈ
ｔ　ｃｏｅ
ｆｆｉ
ｃｉ ｔ，ｎａｍｅ
ｅｎ ｌｙｔ
　ｈｅ
　ｒａ
ｔｉｏ　
ｏｆｓ
　ｔｒ
ｏｋｅ
ｓ　ｏ
ｆ
ｅ
ａｃｈ　
ｄｉｒ
ｅｃｔ
ｉｏｎ
　ｔｏ　
ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅｃｈａ
　 ｒａｃ
ｔｅｒ
ｓ．
Ｔｈｅｎ
　ｔｈｅ
　ｆｕｓ
ｅｄ ｅ
　ｆａｔ
ｕｒｅ
　ｉｓ
　ｃｏｍｂ
ｉｎｅｄ　ｗｉ
ｔｈ
ｃｏｍｐｏｎｅｎ
ｔ ｔ
　ｓｒｕｃ
ｔｕｒ
ｅ ｅ
　ｆａｔ
ｕｒｅ
　ａｎｄ　ｇ
ｌｏｂａ
ｌ　ｐｏ
ｉｎｔ
ｄｅｎｓ
ｉｔ　ｆ
ｙ ｅ
ａｔｕｒ
ｅ　ｔ
ｏ　ｏｂ
ｔａｉ
ｎ　ｔ
ｈｅ　ｆ
ｅａｔ
ｕｒｅ　ｖｅ
ｃｔｏ
ｒ　ｆ
ｏｒ
ｒ
ｅｃｏｇｎ
ｉｚｉ ａｎｃ
ｎｇ　 ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅｃｈａ
　 ｒａｃ
ｔｅｒ
ｓ．

３　Ｓ
ｔｅｐ
ｓ　ｏ
ｆ　ｒ
ｅｃｏ
ｇｎｉ
ｔｉｏｎ
Ｆ
ｉｇ．
３　Ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ　
ｐｒｏ
ｃｅｓ
ｓ　ｏ
ｆ　ａｎｃ
ｉｅｎ
ｔ　ｃｈａ
ｒａｃ
ｔｅｒ
Ｓ
ｔｅｐ　
１　Ｉ
ｎｐｕ
ｔ　ｉｍａｇｅ．Ｐａｐｅ
ｒｙｉｍａｇｅ
　 ｓ　ｓｈｏｕ
ｌｄ　
ｂｅ
ｃｏｎｖｅ
ｒｔｅｄ
　ｉｎ
ｔｏ　
ｅｌｅ
ｃｔｒ
ｏｎｉ
ｃ　ｏｎｅ
ｓ　ｂｙ　
ａ　ｃ
ａｍｅ
ｒａ．
 ３２６ 中国科学技术大学学报 第 ４５ 卷

Ｔａｂ．
１　Ｔｈ
ｅ　ｆ
ｅａｔ
ｕｒｅ
　ｖａ
ｌｕｅ
ｓ　ｃ
ｏｒｒ
ｅｓｐｏｎｄ
ｉｎｇ
　ｔｏ
４　Ｅｘｐｅ
ｒｉｍｅｎ
ｔｓａｎｄ
　 　ｒｅ
ｓｕｌ
ｔｓａｎａ
　 ｌｙｓ
ｉｓ ｔ
ｈｅｆ
　ｏｕ
ｒ　ｃ
ｏｍｐｏｎ
ｅｎｔ
　ｓｔ
ｒｕｃ
ｔｕｒ
ｅ　ｆ
ｅａｔ
ｕｒｅ
ｓ

Ｐｉ
ｃｔｕｒｅｓ　ｗｅ
ｒｅ　ｔａｋｅｎ　ａｎｄ　ａ
　ｃｈａｒ
ａｃｔｅｒ
　ｌｉ
ｂｒａ
ｒｙ ｆ
ｅａｔ
ｕｒｅ　
ｖａｌ
ｕｅ
ｗａ
ｓ　ｂｕｉ
ｌｔ　ｆ
ｒ ｏｍ “Ａｎｃｉｅｎ
ｔ　Ｌａｏ　Ｔｚｅ　Ｗｏｒｄｓ”．Ｔｈｅ ｕｐ－ｄｏｗｎ ｌ
ｅｆｔ－ｒ
ｉ
　 ｇｈ
ｔ　 ｓ
ｉｎｇ
ｌｅ　 ｉ
ｎ－ｏｕ
ｔ
ｓｅｌ
ｅｃｅｄ　ａｎｃ
ｔ ｉ
ｅｎｔ　Ｃｈｉｎｅ
ｓｅ　ｃｈａｒ
ａｃｔ
ｅｒｓ
　ｉｎｃｌ
ｕｄｅ 　ｆｏｕｒ
１０　 ２０　 ３０　 ４０
ｃｏｍｐｏｎｅｎｔ
　ｓｔｒｕｃ
ｔｕｒ
ｅ　ｆｅａｔ
ｕｒｅｓ，ｎａｍｅｌ　ｌ
ｙ ｅｆｔ－ｒ
ｉｇｈｔ，
ｕｐ－ｄｏｗｎ，ｉ ｎ－ｏｕｔ
　ａｎｄ　ｉｎｄｅｐｅｎｄｅｎｃ
ｅ． Ｃｈａ
ｒａｃ
ｔｅｒ
ｓ 　 　 Ｄｕｅ
　ｔｏ
　ｔｈｅ
　ｌｉｍｉ
ｔｅｄ　ｎｕｍｂｅ
ｒ　ｏ
ｆ　ｓ
ａｍｐ
ｌｅｓ，ｔ
ｈｅ
ｃｈｏｓｅｎ
　ｆｏ
ｒ　ｔ
ｈｅ ｅｘｐｅ
　 ｒ
ｉｍｅｎ
ｔｓ　ａｒｅ 國，及，久，仁，什， ｓ
ａｍｐ
ｌｅｓ
　ｅｔ
　ｏｆ
　ｅａ
ｃｈ　
ｃｏｍｐｏｎｅｎ
ｔ　ｓ
ｔｒｕｃ
ｔｕｒ
ｅ　ｉ
ｓ　ｄ
ｉｖｉ
ｄｅｄ
守，吾，也，大，各，多，
ａ　ｔ
ｏｔａ
ｌ　ｏ
ｆ　ｅ
ｌｅｖｅｎ　
ｃｈａ
ｒａｃ
ｔｅｒ ｉ
ｎｔｏ
　ｔｈｒ
ｅｅ　ｃ
ａｔｅｇｏ
ｒｉｓ，ｎａｍｅ
ｅ ｌｙ　ｅ
ａｓｙ， ｍｅｄ
ｉｕｍ　ａｎｄ
ｓ
ｅｔｓ，ｅａｃｈ　
ｓｅｔｉ
　ｎｃｌ
ｕｄｉｎｇ　ｓｅｖｅｒａｌ
　ｖａ
ｒｉａｎｔｓｕｂｓ
　 ｅ
ｔｓ．Ｉｆ ｃｏｍｐ
ｌｅｘ　ａ
ｃｃｏ
ｒｄｉ
ｎｇ　ｔ
ｏ　ｔ
ｈｅ　ｇ
ｌｏｂａ
ｌ　ｐｏ
ｉｎ　ｄｅｎｓ
ｔ ｉｔｙ
ｅ
ａｃｈ　ｖａ
ｒｉａｎ
ｔ　ｓｕｂｓ
ｅｔ　ｉ
ｓ　ｒｅｇａｒｄｅｄ　
ａｓａ
　　ｓｅｐａｒａ
ｔｅｃ
　ｌａ
ｓｓ， ｆ
ｅａｔ
ｕｒｅ．Ｔｈｅ　ｄ
ｉｖｉ
ｓｉｏｎ　ｐａ
ｒａｍｅ
ｔｅｒ
ｓ　ａ
ｒｅ　ｓｈｏｗｎ
　ｉｎ
ｔ
ｈｅｒ
ｅ　ａ
ｒｅ　ａ
　ｔｏ
ｔａｌ
　ｏｆ
　ｔｈ
ｉｒｔ
ｙ－ｅ
ｉｇｈ
ｔ　ｃ
ｌａｓ
ｓｅｓ． Ｆｏｕｒ Ｔａｂ．２，ｗｈｅ
ｒｅａｉ （
　 ｉ＝１，
２）ｒ
ｅｐｒ
ｅｓｅｎ
ｔｓｃ
　ｌａ
ｓｓｉ
ｆｉｃ
ａｔｉ
ｏｎ
ｓ
ａｍｐ ｌ
ｅｓｏ
　ｆｅ
　ａｃｈ　ｃ
ｌａｓｓ
　ｉｎ
　ｔｈｅ
　ｔｈｉｒ
ｔｙ－ｅ
ｉｇｈｔ
　ｃｌ
ａｓｓｅ
ｓ　ａ
ｒｅ ｃｏｅ
ｆｆｉ
ｃｉｅｎ
ｔ　ｔ
ｈａｔ
　ｉｓ
　ａ　ｓ
ｉｍｐ
ｌｅ　ｄ
ｉｖｉ
ｓｉｏｎ　ｏ
ｆ　ｄ
ｉｆｆ
ｉｃｕ
ｌｔｙ
ｓ
ｅｌｅ
ｃｔｅｄｆ
　ｏｒ
　ｔｒａ
ｉｎｉｎｇ，ｔｗｏ　ｆｏｒ
　ｔｅｓｔ
ｉｎｇ　
ａｎｄ　ｔｈｅ
　ｒｅｓ
ｔ ｄｅｇ
ｒｅｅ；Δｉ （
ｉ＝１，
２）ｉ
ｓ　ｔ
ｈｅａｄ
　 ｕｓ
ｊ ｔｍｅｎ
ｔ　ｆ
ａｃｔ
ｏｒｔ
　ｈａ
ｔ　ｉ
ｓ
ｆ
ｏｒｒ
　ｅｃｏｇｎ
ｉｔｉ
ｏｎ．Ｆｉｇ．
４ｓｈｏｗｓｔ
　ｈｒｅｅ　
ｖａｒ
ｉａｎｔ
ｓ　ｏｆ“及” ｓ
ｅｔｔ
　ｏ　
ａｖｏ
ｉｄ　
ｍｉｓ
ｃｌａ
ｓｓｉ
ｆｉｃ
ａｔｉ
ｏｎ　
ａｎｄ
　ｌｅ
ａｋａｇｅ．
ａ
ｆｔｅ
ｒ　ｏｐｅｒａｔ
ｉｏｎｓ
　ｏｆ　ｂｉ
ｎａｒ
ｉｚａ
ｔｉｏｎ， ｄｅｎｏ
ｉｓｉｎｇ　ａｎｄ Ｔａｂ．２　Ｔｈ
ｒｅｓ
ｈｏｌ
ｄｓｏ
　ｆｄ
　ｉｖ
ｉｓｉ
ｏｎ　
ｐａｒ
ａｍｅ
ｔｅｒ
ｓ
ｃｏ
ｒｒｏｓ
ｉ ｅｘｐａｎｓ
ｏｎ　 ｉｏｎ． ｏ
ｆ　ｌ
ｇｏｂａ
ｌ　ｐｏ
ｉｎｔ
　ｄｅｎ
ｓｉｔ
ｙ

ｔ
ｈｒｅ
ｓｈｏ
ｌｄ
ｓ
ｔｒｕｃ
ｔｕｒ
ｅ　ｆ
ｅａｔ
ｕｒｅ
ａ１ Δ１ ａ２ Δ２

ｕｐ－ｄｏｗｎ　 ０．
０１９　 ０．
００３　 ０．
０２８　 ０．
００６

ｌ
ｅｆｔ－ｒ
ｉｇｈ
ｔ　 ０．
０１５　 ０．
００５　 ０．
０３２　 ０．
００４

ｉ
ｎ－ｏｕ
ｔ　 ０．
０１８　 ０．
００４　 ０．
０２８　 ０．
００８

ｓ
ｉｎｇ
ｌｅ　 ０．
０１７　 ０．
００４　 ０．
０３１　 ０．
００４

　 　 Ａｆｔｅ
ｒ 　ｏｂｔａ
ｉｎｉｎｇ
　ｔ ｈｅ　ｃｏｍｐｏｎｅｎｔ
　ｓ ｔ
ｒｕｃ
ｔｕｒ
ｅ
ｆ
ｅａｔ
ｕｒｅ
　ａｎｄ　ｔｈｅ　ｇｌ
ｏｂａｌ　ｐｏｉ
ｎｔ　ｄｅｎｓ
ｉｔ　ｆ
ｙ ｅａｔ
ｕｒｅ，ｗｅ
ｅｘ
ｔｒａ
ｃｔｔ
　ｈｅ
　ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅ　ｃｈａ
ｒａｃ
ｔｅｒ
　ｉｍａｇｅ
　ｆｒ
ｏｍ
Ｆ
ｉｇ．
４　Ｔｈ
ｒｅｅ
　ｖａ
ｒｉａｎ
ｔｓｏ
　ｆ “及”
ｔ
ｈｅ　
ｐｓｅｕｄｏ　
２Ｄ ｅ
ｌａｓ
ｔｉｃ　ｍｅ
ｓｈ　ｆ
ｅａｔ
ｕｒｅ
ｓ．Ｔｈｅ
　ｓｉ
ｚｅ　ｏ
ｆ
Ａｆｔ
ｅｒ　ｏｐｅｒａ
ｔｉｏｎｓ ｆ
　ｏ　ｎｏｒｍａｌ
ｉｚａ
ｔｉｏｎ， ｒ
ｅｖｅｒ
ｓｅ
ｃｏ
ｌｏｒａｎｄ ｔ
ｈｉｎｎｉ
ｎ ，ｉｍａ ｅ
ｓ ｏｆ “及 ” ａｒ
ｅ ｓｈｏｗｎ ｅ
ａｃｈ　
ｍｅｓｈ
　ｉｓ
　８×８，ａ
　ｔｏ
ｔａｌ
　ｏｆ
　６４ｇ
ｒｉｄｓ．Ｔｈｅ　
ｄｅｎｓ
ｉｔｙ
　 　 ｇ ｇ 　 　
ｉ
ｎ　Ｆ
ｉｇ．
５． ｏｆ
　ｅａｃｈ　
ｇｒｉ
ｄ　ｉｓｃ
　ａｌ
ｃｕｌａ
ｔｅｄ
　ｆｏ
ｒ　ｔ
ｈｅ　ｌ
ｏｃａｌｐｏ
　 ｉ
ｎｔ　ｄｅｎｓ
ｉｔｙ
ｆ
ｅａｔｕｒｅ．Ｍｅ ａｎｗｈｉｅ，ｔ
ｌ ｈｅｉｍａ ｅｉ
　 ｇ　 　ｓ ｓ
ｃａｎｎｅｄ　　 ｔ
ａｔ ０°ａ
ｌ
ｅｆｔ－ｒ
ｉｇｈ
ｔ　ｄ
ｉｒｅ
ｃｔｏｎ，９０
ｉ °ａｔ
　ｕｐ－ｄｏｗｎ　
ｄｉｒ
ｅｃｔ
ｉｏｎ，４５
°
ａ
ｔ　ｌｏｗｅｒ－ｌ
ｅｆｔ
　ｄｉｒｅ
ｃｔｉ
ｏｎ　ａｎｄ　１３５°ａ ｔ　ｕｐｐｅ
ｒ－ｒ
ｉｇｈ
ｔ
ｄ
ｉｒｅ
ｃｔｉ ，
ｏｎ ｒ ｅｓｐｅ
ｃｔｉ
ｖｅｌｙ．Ｔｈｅ　ｌ
ｅｆｔ－ｒ
ｉ ｔ ｕｐ－ｄｏｗｎ，
ｇｈ ，
ｌ
ｏｗｅ
ｒ－ｌ
ｅｆｔ，ｕｐｐｅ
ｒ－ｒ
ｉｇｈ
ｔ　ｄ
ｉｒｅ
ｃｔｉ
ｏｎｓ　
ｈａｖｅ
　７ｓ
ｃａｎ
　ｌｉ
ｎｅｓ

Ｆ
ｉｇ．
５　Ｉｍａ
ｇｅｓ
　ｏｆ “及”
ａｆｔ
ｅｒｏｐ
　 ｅ
ｒａｔ
ｉｏｎ
ｓ　ｏ
ｆ　ｎｏ
ｒｍａ
ｌｉｚ
ａｔｏｎ，
ｉ ｒ
ｅｓｐｅ
ｃｔｉ
ｖｅｌ
ｙ．Ｂｙ　ｃ
ａｌｃｕ
ｌａｔ
ｉｎｇ　ｐ
ｉｘｅ
ｌ　ｖａ
ｌｕｅ
ｓ　ｏ
ｆ　ｅ
ａｃｈ
ｒ
ｅｖｅ
ｒｓｅ
　ｃｏ
ｌｏｒ
　ａｎｄ
　ｔｈ
ｉｎｎ
ｉｎｇ ｓ
ｃ 　ｌ
ａｎ ｎｅ，ｗｅ
ｉ 　ｃａｎ　ｇｅ
ｔ　ｔ
ｈｅｆ
　ｅａ
ｔｕｒ
ｅ　ｍａ
ｔｒｉ
ｘＩ０ ，Ｉ９０ ，
Ｔｈｅ
　ｆｏｕｒ
　ｃｏｍｐｏｎｅｎｔ　ｓｔ
ｒｕｃｔ
ｕｒｅ
　ｆ ｅａ
ｔｕｒ
ｅｓ　ｔｈａ
ｔ Ｉ４５，
Ｉ１３５ ．Ｂｙ
　ｆｕｓ
ｉｎｇ
　ｔｈｅ
　ｌｏｃ
ａｌｐｏ
　 ｉ
ｎｔｄｅｎｓ
　 ｉｔ ｍａ
ｙ　 ｔ
ｒｉｘ
ｃ
ａｎ　
ｂｅ　ｒ
ｅｃｏｇｎ
ｉｚｅｄ　
ａｒｅ
　ｌｅ
ｆｔ－ｒ
ｉｇｈｔ，ｕｐ－ｄｏｗｎ，ｉｎ－ｏｕ
ｔ ｗｉ
ｔｈｔ
　ｈｅ
　ｆｅ
ａｔｕｒ
ｅ　ｍａ
ｔｒｉ
ｘ　ｏｂ
ｔａｉ
ｎｅｄ　ｂｅ
ｆｏｅ，ｗｅ
ｒ 　ｃａｎ
ａｎｄ　ｓ
ｉｎｇｌｅ．Ｉ ｎ　ｏｒｄｅｒ　ｔ
ｏ　ｄｅ ｓ
ｃｒｉ
ｂｅ　ｔ ｈｅ
　ｃｏｍｐｏｎｅｎ
ｔ ｇｅ
ｔ　ｔ
ｈｅ　ｃｏｌｕｍｎ　
ｖｅｃｔ
ｏ ｒ．
ｓｔ
ｒｕｃｔｕｒ
ｅ　 ｍｏ
ｒｅ ｃ
　ｌｅａｒ
ｌｙ，ｔ ｈｅ
　ｆｏｕｒ
　ｓｔｒｕｃｔｕｒ
ｅ　ｆ
ｅａｔ
ｕｒｅ
ｓ Ｆｏ
ｒ　ｅｘａｍｐｌｅ，ｔｈｅｓ
　ｅｃｏｎｄ　
ｖａｒ
ｉａｎ
ｔ　ｆ “及 ”ｃ
ｏ ａｎ
ａ
ｒｅ　
ｄｅｆ
ｉｎｅｄ
　ｉｎ　
Ｔａｂ．
１． ｂｅ
　ｆｕｓ
ｅｄ　
ａｃｃｏ
ｒｄｉ
ｎｇｔ
　ｏ　
ｅｘｐｒ
ｅｓｓ
ｉ Ｅｑ．（
ｏｎ　 １６）．Ｓ
ｉｎｃ
ｅ
第４期 Ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ　
ｏｆａｎｃ
　 ｉｅｎ
ｔ　ｃｈ
ｉｎｅ
ｓｅｃｈａ
　 ｒａｃ
ｔｅｒ
ｓ　ｂａ
ｓｅｄ　
ｏｎ　
ｈｙｂ
ｒｉｄ　
ｋｅｒ
ｎｅｌ　
ＷＬＳ－ＳＶＲ ３２７

ｔ
ｈｅ　
ｖａｌ
ｕｅ　
ｏｆλｉ（
ｉ ＝ １，…，
４）ｉ
ｎ　Ｅｑ．（
１６）ｇｅｎｅ
ｒａｔ
ｅｄ ｓ
ａｍｐ
ｌｅｓ，ｓｏ
　ｉｔ
　ｔａｋｅ
ｓ　ｔ
ｈｅ　ｓ
ａｍｅ　ｖａ
ｌｕｅ．Ｔｈｅ
　ｌｏｃ
ａｌ
ｓｍａ
ｌｌ　ｉｍｐａ
ｃｔ　ｏｎ
　ｔｈｅ
　ｅｘｐｅ
ｒｉｍｅｎ
ｔ　ｆ
ｏｒ　ｔ
ｈｅ　ｌ
ｉｍｉ
ｔｅｄ ｐｏ
ｉｎｔ
　ｄｅｎｓ
ｉｔ ｍａ
ｙ　 ｔ
ｒｉｘ
　ｉｓ
　ｓｈｏｗｎ　
ａｓｆ
　ｏｌ
ｌｏｗｓ：

熿０．
０５８７　０．
１２０７　０．
１６５５　０．
１６５５　０．
１８７８　０．
２０１８　０．
０２９１燄
０．
１２８１　０．
２５００　０．
２６６７　０．
２８８９　０．
２６００　０．
２０００　０．
１２３４
０．
２５００　０．
２７３８　０．
２３８１　０．
２３８１　０．
３８５７　０．
３１７５　０．
２０３６
Ｂ ＝ ０．
１９２７　０．
２９１７　０．
４０７４　０．
２５９３　０．
４３３３　０．
３８８９　０．
１９８６ （
１７）
１６９６　０．
０． ２１４３　０．
２３８１　０．
３３３３　０．
３０００　０．
２３８１　０．
１６４１
０．
１２８１　０．
１７５０　０．
２６６７　０．
２８８９　０．
２８００　０．
２８８９　０．
１２１３
０５２１　０．
燀０． １０６８　０．
１１４０　０．
１１１１　０．
１８７２　０．
１１１１　０．
０１６９燅

　 　Ｇｒ
ｉｄ　
ｓｃａｎｎ
ｉｎｇ　
ｍｅｔ
ｈｏｄ
　ｉｓ　
ｕｓｅｄ
　ｔｏ　
ｇｅｔ
　ｃｏ
ｌｕｍｎ ｆ
ｉｎａ
ｌ　ｆ
ｕｓｉ
ｏｎ　
ｍａｔ
ｒｉ Ｐｉ
ｘ　 ｓ
　ｓｈｏｗｎ　
ａｓｆ
　ｏｌ
ｌｏｗｓ：
ｖｅ
ｃｔｏ
ｒｓｃｏ
　 ｒ
ｒｅｓｐｏｎｄ
ｉｎｇ
　ｔｏ　
ｄｉｆ
ｆｅｒ
ｅｎｔ
　ｄｉ
ｒｅｃ
ｔｉｏｎｓ．Ｔｈｅ

熿１ 燄 熿０燄 熿２ 燄 熿１燄 熿２．

７１７０燄
４ １ ３ ０ ３．
８３０６
１８ ３ ５ ２ ４．
０７４８
Ｉ０ ＝ ３ ，Ｉ４５ ＝ ７ ，Ｉ９０ ＝ ２９ ，Ｉ１３５ ＝ ９ ，
Ｐ ＝ ６．
３７２２ （
１８）
１０ ３ ７ ５ ５．
５０５２
４ ２ ２ １ ４．
９１０４
燀１ 燅 燀１燅 燀２ 燅 燀０燅 ．
燀２　５４０４燅

　　Ｉ ｎ　ｏ
ｒｄｅ
ｒ　ｔ
ｏ　ｖｅ
ｒｉｆ
ｙ　ｔｈｅ　
ｖａｌ
ｉｄｉ
ｔｙ　ｏ
ｆ　ｔｈｅ　
ｐｒｏｐｏｓ
ｅｄ ｅｘｐｅ
ｒｉｍｅｎ
ｔ　ｉ
ｓ　ｃｏｎｄｕｃ
ｔｅｄ　ｕｓ
ｉｎｇ
　ｔｈｅ
　ｓａｍｅ
　ｓａｍｐ
ｌｅ
ａ
ｌｇｏ
ｒｉｔｈｍ， ｔｈ
ｉｓ　ｐａｐｅｒ
　ｃｏｍｐａ ｒｅｓ
　ｉ ｔ　ｗｉｔｈ　ｔｗｏ ｄａ
ｔａｓ
　ｅｔ
ｓ　ｃｏｎ
ｔａｉ
ｎｉｎｇ　
２６６ｓ
ａｍｐ
ｌｅｓ
　ｏｆ
　３８ｃ
ｌａｓ
ｓｅｓ．Ｔｈｅ
ｔ
ｒａｄ
ｉｔｉ
ｏｎａ
ｌ　ｍｅ
ｔｈｏｄｓ， ＬＩＢ－ＳＶＭ　ａｎｄ　ＬＳ－ＳＶＭ， ｏｐ
ｔｉｍａ
ｌ　ｐａ
ｒａｍｅ
ｔｅｒ
ｓ　ａｎｄ
　ｔｈｅ
　ｉｎｄｅｘｅ
ｓ　ｏ
ｆ　ｑｕａｎ
ｔｉｔ
ａｔｉ
ｖｅ
ｗｈ
ｉｃｈ　
ｈａｖｅ　
ｂｅｅｎ　
ｗｉｄｅ
ｌ ｕｓ
ｙ　 ｅｄ
　ｉｎ　
ｒｅｃｏｇｎ
ｉｔｉ
ｏｎ．Ｔｈｅ ｃｏｍｐａ
ｒｉ ａ
ｓｏｎ　ｒｅ
　ｓｈｏｗｎ
　ｉｎ　
Ｔａｂ．
３．
Ｔａｂ．３　Ｔｈ
ｅ　ｑｕａｎ
ｔｉｔ
ａｔｉ
ｖｅｃ
　ｏｍｐａ
ｒｉｓ
ｏｎ　
ｏｆｔ
　ｈｒ
ｅｅｒ
　ｅｃ
ｏｇｎ
ｉｔｉ
ｏｎ　
ａｌｏ
ｇｒｉ
ｔｈｍｓ

ｔ
ｒａｉ
ｎｉｎｇ ｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎ ｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎ
ａ
ｌｇｏ
ｒｉｔ
ｈｍ　 ｐａ
ｒａｍｅ
ｔｅｒ
ｓ ｔ
ｒａｉ
ｎｉｎｇ　
ａｃｃｕ
ｒａｃｙ（％ ）
ｉｍｅ（
ｔ ｓ） ｉｍｅ（
ｔ ｓ） ａ
ｃｃｕ
ｒａｃｙ （％ ）

γ ＝１２８，
２
ＬＩＢ－ＳＶＭ σ ＝０．
００７８　 ０．
０３９０　 ９２．
８２　 ０．
００４１　 ７５

γ ＝２，
２
ＬＳ－ＳＶＭ σ ＝２　 ０．
０８３７　 ９４．
４０　 ０．
０６４５　 ７８

ＷＬＳ－ＳＶＲ ８，
γ ＝０．
２
σ ＝８　 ０．
４６３９　 ９７．
４６　 ０．
２１２５　 ８２

　　Ｆｒ ｏｍ　Ｔａｂ．３，ｗｅ ｃ
　ａｎ　ｓ
ｅｅ　ｔｈａ
ｔ ｔ
　ｈｅ　ｅｆ
ｆｅｃｔｏ
　ｆ
，
５　Ｃｏｎｃ
ｌｕｓ
ｉｏｎ
ＷＬＳ－ＳＶＲ　ｂａｓ
ｅｄ　ａ
ｌｇｏ
ｒｉｔｈｍ　ｗｏｒｋｓ　ｂｅｓｔ ｗｉｔｈ
　ｔｈｅ
ＬＳ－ＳＶＭ　
ａｎｄ　
ＬＩＢ－ＳＶＭ　
ｏｃｃｕｐｙ
ｉｎｇ
　ｔｈｅ
　ｓｅ
ｃｏｎｄ　
ａｎｄ Ｂｅ
ｃａｕｓ
ｅ　ｏ
ｆ　ｔ
ｈｅ　
ｈｉｇｈ　
ｕｎｃ
ｅｒｔ
ａｉｎ
ｔｙｉ
　ｎｔ
　ｈｅ
　ｓｈａｐｅ
ｓ
ｔ
ｈｉｒｄ　ｐ
ｌａｃ
ｅｓ． Ｔｈｅ
　ａｌ
ｇｏｒ
ｉｔｈｍ　ｐｒ
ｏｐｏｓ
ｅｄ ｎ
　ｉ ｈ
　ｔｉｓ ｏ
ｆ　ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅ　ｃｈａ
ｒａｃ
ｔｅｓ， ｔ
ｒ ｈｅ ｅ
　ｒｃｏｇｎ
ｉｔｉ
ｏｎ
ｐａｐｅ
ｒ　ｈａ
ｓ　ａ　
ｈｉｇｈ　
ａｃｃｕｒ
ａｃｙ．Ａｌ
ｔｈｏｕｇｈ
　ｉｔ
　ｔａｋｅ
ｓ　ｔ
ｈｅ ａ
ｃｃｕｒ
ａｃｙ　ｏ
ｆ　ｅｘ
ｉｓｔ
ｉｎｇ　ｃ
ｌａｓ
ｓｉｆ
ｉｅｒ
ｓ　ｉ
ｓ　ｌ
ｏｗ．Ｓｕｐｐｏ
ｒｔ
ｌ
ｏｎｇｅ
ｓｔｔ
　ｉｍｅ
　ｆｏ
ｒ　ｔ
ｒａｉ
ｎｉｎｇ　
ａｎｄ
　ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ　
ｂｅｃ
ａｕｓ
ｅ ｖｅ
ｃｔｏ
ｒ　ｒ
ｅｇｒ
ｅｓｓ
ｉｏｎ　 ｈａ
ｓ　 ａｄｖａｎ
ｔａｇｅ
ｓ　 ｏ
ｆ　 ｇｏｏｄ
ｏｆ
　ｉｔ
ｓ　ｃｏｍｐ
ｌｅｘ
ｉｔｙ，ｉｔ
　ｉｓ
　ｓｔ
ｉｌ
ｌ　ｗｉ
ｔｈｉ
ｎ　ｔ
ｈｅ ａ
　ｃｃ
ｅｐｔａｂ
ｌｅ ｇｅｎｅ
ｒａｌ
ｉｚａ
ｔｉｏｎ　ａｂ
ｉｌｉ
ｔｙ　ａｎｄ
　ｌｅ
ａｒｎ
ｉｎｇ　ｐｅ
ｒｆｏ
ｒｍａｎｃ
ｅ．
ｒ
ａｎｇｅ． Ｏｖｅｒａ
ｌｌ， ｔ
ｈｅ　ｍｅ ｔｈｏｄ
　ｉｎ　ｔｈｅ　ｐａｐｅ
ｒ　ｉｓ Ｔｈ
ｉ ｐａｐｅ
ｓ　 ｒ　ｐｒ
ｏｐｏｓ
ｅｄ　ａ
　ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ　ａ
ｌｇｏ
ｒｉｔ
ｈｍ　ｔ
ｈａｔ
ｅ
ｆｆｅ
ｃｔｉ
ｖｅ． ｃｏｍｂ
ｉｎｅ
ｓ　ａ　ｈｙｂｒ
ｉｄ－ｋｅ
ｒｎｅ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ　ｗｉ
ｔｈ　ａｄａｐ
ｔｉｖｅ
 ３２８ 中国科学技术大学学报 第 ４５ 卷

ｗｅ
ｉｇｈ
ｔｅｄ
　ｌｅ
ａｓｔ
　ｓｑｕａ
ｒｅｓ
　ｓｕｐｐｏ
ｒｔ　ｖｅ
ｃｔｏ
ｒ　ｒ
ｅｇｒ
ｅｓｓ
ｉｏｎ Ｕｎｍｉ
ｘｉｎｇ　Ｍｏｄｅ
ｌ　Ｂａ
ｓｅｄ　ｏｎ　Ｌｅ
ａｓｔ
　Ｓｑｕａ
ｒｅｓ　Ｓｕｐｐｏ
ｒｔ

ｆ
ｏｒ Ｖｅｃ
ｔｏｒ　Ｍａｃｈ
ｉｎｅ　Ｗｉｔｈ　Ｕｎｍｉｘ
ｉｎｇ　Ｒｅｓｉｄｕｅ　Ｃｏｎｓ
ｔｒａｉ
ｎｔｓ
　ａｎｃ
ｉｅｎ
ｔ　Ｃｈ
ｉｎｅ
ｓｅ　ｃｈａ
ｒａｃ
ｔｅｒ
　ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ． Ｔｈｅ
［ ］
Ｊ ．ＩＥＥＥ　Ｇｅｏｓｃ
ｉｅｎｃｅ
　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉ
ｎｇ　Ｌｅｔｔ
ｅｒｓ，
ｗａｖｅ
ｌｅｔ
　ｋｅ
ｒｎｅ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ　ｗｉ
ｔｈ　ｌ
ｏｃａ
ｌ　ｐｒ
ｏｐｅ
ｒｔｉ
ｅｓ　ａｎｄ
２０１３，１０（６）：１５９２－１５９６．
ＲＢＦ　
ｋｅｒｎｅ
ｌ　ｆ
ｕｎｃ
ｔｉｏｎ　ｗｉ
ｔｈ　ｇｏｏｄ　ｇ
ｌｏｂａ
ｌ　ｐｒ
ｏｐｅ
ｒｔｉ
ｅｓ ［９ ］Ｌｉｕ　
Ｂ　Ｙ，ＹａｎｇＲ　Ｇ．Ａ　ｎｏｖｅ ｌ　ｍｅｔｈｏｄ　ｂａｓ
ｅｄ　ｏｎ　ＰＣＡ
ａ
ｒｅｃｏｍｂ
　 ｉｎｅｄ
　ｔｏ　
ｃｏｎｓ
ｔｒｕｃ
ｔ　ｔ
ｈｅ　
ｈｙｂｒ
ｉｄ－ｋｅ
ｒｎｅ
ｌ．Ｔｈｅ ａｎｄ　ＬＳ－ＳＶＭ　ｆ ｏｒ　ｐｏｗｅ ｒ　ｌｏａｄ
　ｆ ｏｒｅｃａ
ｓｔｉｎｇ ［Ｃ ］．
ｗｅ
ｉｇｈ
ｔ　ｃｏｅ
ｆｆｉ
ｃｉｅｎ
ｔｓ　ｄｅ
ｃａｙ　 ａ
ｔ　ａ
　ｒａ
ｔｅ　ｏ
ｆ ｈｅ
　ｔ Ｉ
ｎｔｅ
ｒｎａ
ｔｉｏｎａ
ｌ　 Ｃｏｎ
ｆｅｒ
ｅｎｃ
ｅ　 ｏｎ　 Ｅｌ
ｅｃｔ
ｒｉｃ　 Ｕｔ
ｉｌ
ｉｔｙ

ｅｘｐｏｎｅｎ
ｔｉａ
ｌ　 ｆ
ｕｎｃ
ｔｉｏｎ　 ｏ
ｆ　 ｐｒ
ｅｄｉ
ｃｔｉ
ｏｎ　 ｅ
ｒｒｏ
ｒｓ． Ｄｅ
ｒｅｇｕ
ｌａｔｉ
ｏｎ　 ａｎｄ　 Ｒｅ ｓｔｒｕｃ
ｔｕｒ
ｉｎｇ　 ａｎｄ　 Ｐｏｗｅ
ｒ
Ｔｅ
ｃｈｎｏｌ
ｏｇｉｅｓ，ＮａｎＪ
ｉｎｇ，２００８：７５９－７６３．
Ｅｘｐｅ
ｒｉｍｅｎ
ｔ　ｒ
ｅｓｕ
ｌｔｓ
　ｓｈｏｗ　
ｔｈａ
ｔ　ｔ
ｈｅ　
ｐｒｏｐｏｓ ｍｅ
ｅｄ　 ｔ
ｈｏｄ
［
１０］Ｚｈａｎｇ　Ｈ　Ｒ，Ｗａｎｇ　Ｘ　Ｄ，Ｚｈａｎｇ　Ｃ　Ｊｅ
　ｔａ
　ｌ．Ｓｏｆ
ｔ　ｓ
ｅｎｓｏ
ｒ
ｈａ
ｓ　ｇｏｏｄ　
ｒｏｂｕｓ
ｔｎｅ
ｓｓａｎｄ　
　 ｈｉｇｈ　
ｒｅｃｏｇｎ
ｉｔｉ
ｏｎ　
ａｃｃｕｒ
ａｃｙ． ｔｅ
ｃｈｎｉ ［］
ｑｕｅ　
ｕｓｉ
ｎｇ　
ＬＳ－ＳＶＭ　ａｎｄ　
ｓｔａｎｄａ
ｒｄ　ＳＶＭ Ｊ ．ＩＥＥＥ
ｆ
ｕｔｕｒ
ｅ　ｒ
ｅｓｅ
ａｒｃｈ
　ｉｓ
　ｔｏ
　ｆｉ
ｎｄ　
ａ　ｆ
ａｓｔ
ｅｒｓｏ
　 ｌ
ｕｔｉ
ｏｎｆ
　ｏｒ
　ｔｈｅ Ｉ
ｎｔｅ
ｒｎａ
ｔｉ ｌ　Ｃｏｎ
ｏｎａ ｆｅｒ
ｅｎｃｅ　ｏｎ　Ｉ
ｎｆｏｒｍａｔｉ
ｏｎ　Ａｃ
ｑｕｉ
ｓｉｔ
ｉｏｎ，
ＷＬＳ－ＳＶＲ　
ａｌｇｏ
ｒｉｔ
ｈｍ　
ｔｏｒ
　ｅｄｕｃ
ｅ　ｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎｔ
　ｉｍｅ． Ｈｏｎｇ　
Ｋｏｎｇ　ａｎｄ　
Ｍａｃａｕ，２００５：１２４－１２７．
［
１１］Ｘｉ
ｅ　Ｊ　
Ｈ．Ｐｒｉ
ｎｔｅｄ　ｃｈａ
ｒａｃ
ｔｅｒ
　ｒｅｃｏｇｎ
ｉｔｉ
ｏｎ　ｕｓ
ｉｎｇ　Ｋｅｒｎｅ
ｌ
Ｒｅ
ｆｅｒ
ｅｎｃ
ｅｓ ＣＣＡ　ｗｉｔ
ｈ　ＬＳ－ＳＶＭ　ｍｅ ｔｈｏｄ ［Ｃ ］． Ｃｏｍｐｕｔ
ｅｒ　ａｎｄ
Ａｕｔｏｍａｔｉ
ｏｎ　Ｅｎｇｉｎｅ
ｅｒｉｎｇ，２０１０：２８４－２８７．
［１ ］Ｚｈａｎｇ　Ｐ．Ｒｅｓ
ｅａｒｃｈ　
ｏｆｄ
　ｉｉ
ｇｔａ
ｌ　ｃｏｎｓｔ
ｒｕｃ
ｔｉｏｎ　ｏ
ｆ　Ｐａｐｅ
ｒ　ｆ
ｉｌｅ
ｓ
［
１２］Ｙｉｎ　
Ｄ　 Ｙ，Ｗｕ　Ｙ　Ｑ． Ｄｅ ｔ
ｅｃｔｉ
ｏｎ　ｏｆ　Ｓｍａｌｌ　Ｔａ
ｒｇｅ
ｔ　ｉ
ｎ
ａｎｄｒ
　ｅｌ
ｉｃ ［ ］
ｓ Ｊ ．Ｃｕｌｔ
ｕｒａ
ｌ　Ｒｅｌ
ｉｃｓ　ｏｆ　
Ｃｅｎｔｒａ
ｌ　Ｐｌａ
ｉ ，
ｎｓ ２００９
Ｉ
ｎｆｒａｒ
ｅｄ　Ｉｍａｇｅ　Ｂａｓｅｄ　ｏｎ　ＫＦＣＭ　ａｎｄ　ＬＳ－ＳＶＭ ［Ｃ］．
（５）：１０４－１０７．
Ｉｎ
ｔｅｒｎａ
ｔｉｏｎａ
ｌ　Ｃｏｎｆ
ｅｒｅｎｃｅ　
ｏｎＩ
　ｎｔ
ｅｌｌ
ｉｇｅｎ
ｔ　Ｈｕｍａｎ－Ｍａ
ｃｈｉ
ｎｅ
［
２］Ｌｖ　Ｘ　Ｑ，Ｌ ｉ　
Ｍ　Ｎ　ｅ
ｔ　ａｌ．Ａｎ　ｏｒ
ａｃｌ
ｅ　ｃ
ｌａｓｓ
ｉｆｉ
ｃａｔ
ｉｏｎ　ｍｅ
ｔｈｏｄ
Ｓｙｓｔ
ｅｍｓ　ａｎｄ　Ｃｙｂｅ
ｒｎｅｔｉ
ｃｓ，２０１０：３０９－３１２．
ｂａｅｄ　ｏｎ
ｓ 　ｆｉ
ｇｕｒ
ｅ　ｒｅｃ
ｏｇｎｉ
ｔｉ ［ ］
ｏｎ Ｊ ．Ｊ ｏｕｒｎａｌ
　ｏｆ　Ｂｅ
ｉｊｉ
ｎｇ
［
１３］ＳｕｙｋｅｎｓＪ　
　 Ａ　Ｋ，ｄｅ　Ｂｒ
ａｂａｎｔ
ｅｒ　Ｊ，Ｌｕｋａ Ｌ，Ｖａｎｄｅ
ｓ　 ｅｗａｌ
ｌｅ
Ｕｎｉｖｅ
ｒｓｉ
ｔｙ　ｏｆ　Ｉｎ
ｆｏｒｍａ
ｔｉｏｎ　Ｓｃ
ｉｅｎｃ
ｅ　ａｎｄ　Ｔｅ
ｃｈｎｏ
ｌｏｇｙ，
Ｊ．Ｗｅ ｉｇｈｔｅｄ　Ｌｅａ
ｓｔ　ｓｑｕａ
ｒｅｓ　ｓｕｐｐｏ
ｒｔ　ｖｅ
ｃｔｏ
ｒ　ｍａｃｈｉ
ｎｅｓ：
２０１０（
２５）：９２－９６．
ｒ
ｏｂｕｓｔｎｅｓｓ
　 ａｎｄ　 ｓｐａ ｒｓ
ｅ　 ａｐｐ ｒｏｘ
ｉｍａ
ｔｉｏｎ ［Ｊ ］．
［３ ］Ｃｈｅｎ　Ｄ，Ｌｉ　Ｎ，Ｌｉ　Ｌ．Ｏｎｌｉ
ｎｅ　
ｈａｎｄｗｒｉ
ｔｉｎｇ
　ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ
Ｎｅｕｒ
ｏｃ ｏｍｐｕｔ
ｉ ， （ ）：
ｎｇ ２００２ ４８ ８５－１０５．
ｒｅ
ｓｅａｃｈ　ｏ
ｒ ｆ　ａｎｃ
ｉｅｎ
ｔ　ｃｈａ
ｒａｃ
ｔｅｒ［Ｊ］．Ｊｏｕｒｎａ
ｌ　ｏ
ｆ　Ｂｅ
ｉｊｉ
ｎｇ
［
１４］Ｓｍｉｔ
ｓ　 Ｆ，Ｊ
Ｇ　 ｏ
ｒ ｄａ
ａｎ　Ｅ　Ｍ．Ｉｍｐｒ
ｏｖｅｄ　ＳＶＭ　 ｒｅｇ
ｒｅｓ
ｓｉｏｎ
Ｉｎｓ
ｔｉｔ
ｕｔｅ　
ｏｆ　
Ｍｅｃｈａｎｉ
ｃａｌ
　Ｉｎｄｕｓｔｙ，２００８（
ｒ ４）：３２－３７．
ｕｓ
ｉｎｇ　ｍｉｘｔ
ｕｒｅｓ　ｏｆ　ｋｅ
ｒｎｅ
ｌｓ ［Ｃ ］． ｔｅｘ
ｔｉｔ
ｉｎ　Ｎｅｕ ｒａ
ｌ
［４ ］Ｚａｎｇ　Ｇ　Ｑ．Ｅｘｐｅ
ｒｉｍｅｎｔ
　ａｎｄ　Ｉｍｐｒｏｖｅｍｅｎ
ｔ　ｏ
ｆ　ａ
ｃｃｕｒａ
ｃｙ　
ｏｆ
Ｎｅ
ｔｗｏ
ｒｋｓ，Ｉ
ｎｔｅ
ｒｎａ
ｔｉｏｎａ
ｌ　Ｊ
ｏｉｎ
ｔ　Ｃｏｎ
ｆｅｒ
ｅｎｃ
ｅ　ｏｎ，２００２，３：
ＯＣＲ　ｆｏｒ
　ｔ ｅｘｔ－ｄ
ｉｇｉ
ｔａ　 ｉｍａｇｅ ［Ｊ ］． Ｉ
ｌ ｎｔ
ｅｌｌ
ｉ ｅ，
ｇｅｎｃ
２７８５－２７９０．
Ｉ
ｎｆｏ
ｒｍａ
ｔｉｏｎ　
ａｎｄ　Ｓｈａｒ
ｉ ， （ ）：
ｎｇ ２０１０ ３ ６２－６７．
１５］温昌兵 ．基于特征融合的脱机手写体汉字识别［
［ Ｄ］．北
［５ ］Ｖａｐｎ
ｉｋ　
Ｖ．Ｔｈｅ　Ｎａ
ｔｕｒｅ　
ｏｆ　Ｓｔａ
ｔｉｓｔ
ｉｃａ
ｌ　Ｌｅ
ａｒｎ
ｉｎｇ　
Ｔｈｅ
ｏｒｙ
京，北京科技大学， ２００５．
［Ｍ］．Ｎｅｗ　
Ｙｏｒｋ：Ｓｐｒ
ｉｎｇｅｒ－Ｖｅｒ
ｌａｇ，１９９５．
［
１６］Ｚｈａｎｇ　
Ｘ　Ｂ，Ｈｕａｎｇ　Ｈ，Ｚｈａｎｇ　
Ｓ　Ｊ．Ａ　
ＦＣＭ　
ｃｌｕｓ
ｔｅｒ
ｉｎｇ
［６ ］Ｓｕｙｋｅｎｓ
　Ｊ　
Ａ　Ｋ，Ｖａｎｄｅｗａｌｌ
ｅ　Ｊ．Ｌｅ
ａｓｔ
　Ｓｑｕａ
ｒｅｓ　
Ｓｕｐｐｏｒ
ｔ
ａ
ｌｇｏ
ｒｉｔ
ｈｍ　ｂａｓ
ｅｄ　
ｏｎ　Ｓｅｍｉ－ｓｕｐｅ
ｒｖｉ
ｓｅｄ　ａｎｄ　
Ｐｏｉｎ
ｔ　Ｄｅｎｓｉｔ
ｙ
Ｖｅｃｔｏｒ　Ｍａｃｈ
ｉｎｅ　Ｃｌ
ａｓｓ
ｉｆｉ
ｅｒｓ ［Ｊ］． Ｎｅｕｒａ
ｌ　Ｐｒｏｃｅ
ｓｓ
Ｗｅｉ
ｇｈｔｅｄ［Ｃ］．Ｉｎｔ
ｅｌｌ
ｉｇｅｎｔ　Ｃｏｍｐｕｔｉ
ｎｇ　ａｎｄ　Ｉｎｔ
ｅｌｌ
ｉｇｅｎｔ
Ｌｅ
ｔｔｅｒｓ，１９９９ （
３）：
２９３－３００．
Ｓｙ
ｓｔｅｍｓ，２０１０：７１０－７１３．
［７ ］Ｍｉｒａｎ
ｉａｎ　Ａ， Ａｂｄｏｌ
ｌａｈｚａｄｅ　Ｍ． Ｄｅ
ｖｅｌ
ｏｐｉ
ｎｇ　ａ　Ｌｏ
ｃａｌ
［ ］
１７ Ｔｕ　Ｙ　Ｋ，Ｃｈｅｎ　Ｑ　Ｈ，Ｈｕａｎｇ　
Ｌ．Ｈａｎｄｗｒ
ｉｔｔ
ｅｎ　
Ｃｈｉ
ｎｅｓ
ｅ
Ｌｅ
ａｓｔ－Ｓｑｕａ
ｒｅｓ　
Ｓｕｐｐｏ
ｒｔ　
Ｖｅｃ
ｔｏｒ　
Ｍａｃｈ
ｉｎｅ
ｓ－Ｂａ
ｓｅｄ　
Ｎｅｕ
ｒｏ－
ｃｈａｒａ
ｃｔｅ
ｒ　ｒｅ
ｃｏｇｎｉ
ｔｉｏｎ　ｂａｓｅｄ　ｏｎ　
ｐｓｅｕｄｏ　ｔｗｏ－ｄ
ｉｍｅｎｓ
ｉｏｎａ
ｌ
Ｆｕｚｚ
ｙ　 Ｍｏｄｅｌ
　ｆｏｒ　Ｎｏｎｌ
ｉｎｅａ
ｒ　ａｎｄ　Ｃｈａｏｔ
ｉｃ　Ｔｉｍｅ　Ｓｅ
ｒｉｅｓ
ｅｌａ
ｓｔｉ
ｃ　ｍｅｓｈ ［Ｊ］．Ｊ ｏｕｒ
ｎａ ｌ
　ｏｆ　Ｈｕａｚｈｏｎｇ　Ｕｎｉｖｅ
ｒｓｉ
ｔｙ　ｏ
ｆ
Ｐｒ
ｅｄｉｃｔ
ｉｏｎ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃ
ｔｉｏｎｓ　
ｏｎ　
Ｎｅｕｒａｌ　
Ｎｅｔｗｏｒｋｓ
Ｓｃ
ｉｅｎｃ
ｅ　ａｎｄ　
Ｔｅｃｈｎｏ
ｌｏｇｙ，２０１０（
３８）：
３８－４０．
ａｎｄ　
Ｌｅａｒ
ｎｉｎｇ　Ｓｙ
ｓｔｅｍｓ，２０１３，２４（
２）：２０７－２１８．
［８ ］Ｗａｎｇ　Ｌ　Ｇ Ｌ， ｉ ，
ｕ　Ｄ　Ｆ Ｗａｎｇ　Ｑ　Ｍ　ｅ ｔ　ａｌ．Ｓｐｅ
ｃｔｒ
ａｌ