1、在教育行業(yè)，為了實時追蹤學生的學習軌跡和知識薄弱環(huán)節(jié)，機器自動識別學生答題的手寫筆跡成為必要的技術(shù)需求。因此，本文的研究重點為聯(lián)機數(shù)學公式手寫體識別，旨在提出一個穩(wěn)健可行的解決方案來識別學生的手寫數(shù)學公式筆跡，主要研究內(nèi)容包括如下幾點：
　　1、提出了一種融合CNN和DBN的單字符識別模型
　　應用卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）搭建和訓練了一個單字符分類器模型，針對神經(jīng)網(wǎng)絡對

2、對抗樣本的脆弱性表現(xiàn)，同時創(chuàng)造性的采用了深度信念網(wǎng)絡（Deep Belief Network，DBN）的解碼重構(gòu)損失作為識別置信度評價模型，最后融合了CNN和DBN的置信度評價，增強了對對抗樣本的拒識能力。
　　2、提出了一種基于組合排序的手寫體識別算法
　　手寫數(shù)學公式中存在著大量的二義性，二維結(jié)構(gòu)準確判定存在著相當?shù)碾y度，同時還有許多容易混淆的相似字符，這些情況都增大了機器自動識別的難度。本文提出了一種基于組合排序的手寫

3、體識別算法，先把這些不確定的情況都保存下來作為候選，產(chǎn)生候選組合路徑，再基于詞組頻率表，語義模型，識別置信度等進行路徑排序就能保證識別正確率，可以大大簡化系統(tǒng)的復雜度，同時增大識別系統(tǒng)的魯棒性。
　　3、提出了一種基于錯誤識別案例的快速學習方法
　　識別出錯案例的調(diào)試工作非常繁重，本文提出了一個基于錯誤案例的學習方法，可以快速的從我們提供的錯誤案例標記數(shù)據(jù)中學習到新的組合映射知識，并將這些知識作為系統(tǒng)的組合補充分支，避免了再