浙江工商2019

    本文首次提出了基于无监督模型的书写姿势预测。通过学生的手写体来预测他们在书写时候的姿势问题。首先，我们提出了基于专家经验的姿势分类。对书写姿势的原子错误进行分类，分析归纳出手写体外观表现，然后结合专家的经验知识来搭建两者多对多的关系；其次，我们使用了基于多任务学习的手写体识别。训练公开手写体数据集，通过搭建多任务学习模型，再经过损失函数整合优化和学习率自适应优化的两种方法，相较于单任务学习，我们搭建的模型提高了手写体识别准确度；最后，我们提出了基于无监督模型的姿势预测。由迁移学习将小卷积核构造的神经网络和手写体识别的多任务模型进行融合，构建手写体固定特征提取器，从学生的手写数据中提取特征，然后降低特征的拥塞情况并结合无监督学习和书写姿势的数据模型分析确定姿势问题。
    通过实验数据表明，在进行模型融合后，随着手写体的准确度提高，固定特征提取器也相应的提高了手写体的特征提取效果，本文提出的多任务手写体识别模型，相较于无融合的模型和融合单任务识别手写体模型，在最终预测姿势问题的准确度上有了一定的提升，所以选用多任务手写体识别模型的融合方案，让手写体预测姿势问题的准确度可以达到 93.3％，大大高于专家预判的 76.67％的准确率。

    关键词 ：书写姿势；特征提取；神经网络；无监督学习；数据模型