1.一种汉字字形相似度计算方法,其特征在于,具体包括以下步骤:Step0.1:提取汉字特征并建立汉字特征数据库,根据15×16像素中文点阵字库,将点阵按照从上至下,从左至右的规则划分为40个2×3像素的小矩阵,记2×3像素小矩阵中汉字所占像素数为pi,i∈[0,40],观察所有pi,i∈[0,40]并生成该汉字所对应的汉字特征向量{p1,p2,…,p40},且将所有汉字及生成的汉字特征向量存入数据库,组建汉字特征数据库;
Step0.2:提取汉字笔画并建立汉字笔画数据库,按照汉字五笔书写顺序规则,将横、竖、撇、捺、折编码为数字的1、2、3、4、5,生成该汉字所对应的汉字笔画编码字符串str,且将所有汉字及生成的汉字笔画编码字符串存入数据库,组建汉字笔画数据库;
Step1:记X、Y为两个将要计算字形相似度的汉字,从汉字特征数据库中分别获取这两个汉字所对应的汉字特征向量X:{x1,x2,…,x40}和Y:{y1,y2,…,y40},从汉字笔画数据库中分别获取这两个汉字所对应的汉字笔画编码字符串strx和stry;
Step2:将汉字特征向量X:{x1,x2,…,x40}和Y:{y1,y2,…,y40}作为输入,由余弦定理计算公式(1)求得汉字X、Y之间基于汉字特征的字形相似度Sim1(X,Y);
Step3:将汉字笔画编码字符串strx和stry作为输入,由Jaro‑Winkler Distance算法求得汉字X、Y之间基于汉字笔画的字形相似度Sim2(X,Y);
Step3.1:获取汉字笔画编码字符串strx和stry的长度lenx和leny,并生成检测矩阵Step3.2:根据公式(2)计算匹配窗口值MW;
Step3.3:由检测矩阵 及匹配窗口值MW,根据相关规则,计算匹配字符数m和匹配字符换位数n,并根据公式(3)计算汉字笔画编码字符串strx和stry之间的Jaro Distance;
Step3.4:获取汉字笔画编码字符串strx和stry的最长公共子串strxy,并得到其长度lenxy,根据公式(4)进一步计算汉字笔画编码字符串strx和stry之间的Jaro‑Winkler Distance,Jaro‑Winkler Distance即为汉字X、Y之间基于汉字笔画的字形相似度Sim2(X,Y);
其中,bt为是否需要进一步计算的阈值,p为缩放因子;
Step4:设Step2、Step3步骤所计算出的相似度对应权值分别为α、β,权值α、β满足α+β=
1的要求,由相似度Sim1(X,Y)及权值α、相似度Sim2(X,Y)及权值β,由相似度融合算法,即公式(5)计算出汉字X、Y之间的最终字形相似度Sim(X,Y);
Sim(X,Y)=Sim1(X,Y)·α+Sim2(X,Y)·β (5)。
2.根据权利要求1所述的汉字字形相似度计算方法,其特征在于:所述步骤Step0.1中,
2×3像素小矩阵中汉字所占像素数pi,i∈[0,40]应满足0≤pi≤6,i∈[0,40]的要求。
3.根据权利要求1所述的汉字字形相似度计算方法,其特征在于:所述步骤Step3.1中汉字笔画编码字符串strx、stry的长度lenx、leny,和所述步骤Step3.4中最长公共子串strxy+
的长度lenxy,应满足lenx,leny,lenxy∈N的要求。
4.根据权利要求1所述的汉字字形相似度计算方法,其特征在于:所述步骤Step3.3中匹配字符数m的计算,若汉字笔画编码字符串strx和stry中相同字符相差距离小于匹配窗口值MW,则视为该字符匹配;在匹配过程中,需排除被匹配过的字符,若找到匹配字符,则需跳出此次匹配,进行下一字符的匹配,而对于匹配字符换位数n的计算,则需看汉字笔画编码字符串strx和stry中对于匹配字符集的顺序是否一致,若不一致,则换位数目的一半即为匹配字符换位数n,匹配字符数m和匹配字符换位数n理应满足公式(8)的要求;
5.根据权利要求1所述的汉字字形相似度计算方法,其特征在于:述步骤Step2中得到的基于汉字特征的字形相似度Sim1(X,Y)、所述步骤Step3中得到的基于汉字笔画的字形相似度Sim2(X,Y)、所述步骤Step4中得到的最终字形相似度Sim(X,Y),应满足0≤Sim1(X,Y),Sim2(X,Y),Sim(X,Y)≤1的要求,即字形相似度Sim1(X,Y)、Sim2(X,Y)、Sim(X,Y)以一个[0,
1]之间的数值反映两个汉字之间的相似程度,且数值越大表示相似程度越高。