JPH03164886A - 文字認識装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［発明の目的］ （産業上の利用分野） 本発明は、ニューラルネットワークを用いた文字認識装
置に関する。

（従来の技術） 近年、ニューラルネットワークを用いて文字認識、音声
認識、画像情報処理等を行うシステムの開発が盛んであ
る。

一般に知られる文字認識処理は、入力文字パターンと複
数の文字パターン候補とのパターン・マツチングにより
それぞれの類似度を算出し、その中で最大類似度を得た
文字パターン候補を最終的な文字認識結果として判定し
出力することで文字認識を行うものである。これに対し
、従来の文字認識結果にニューラルネットを組合せた方
式では、ある入力文字パターンの認識結果に誤りが生じ
た場合、その入力文字パターンに対する次回からの文字
認識において正解の文字パターン候補が１すられるよう
な方向性を持ってニューラルネットワークにおける各ア
ーク荷重値を修正する。

したがって、このニューラルネットワークを採用した文
字認識処理により、入力文字パターンの特徴の変化に応
じた良好な文字認識を安定して行うことが可能となる。

（発明が解決しようとする課題） ところが、こうしたニューラルネットワークを採用した
文字認識処理では、手書ぎ数字の認識においては良好な
認識率が得られるものの、これを手書きカナ文字等に適
用しようとした場合数々の障害があった。

例えば、手書き数字の場合、ニューラルネットワークの
入力層は、入力文字パターンと「０」から「９」までの
各数４字との類似度にそれぞれ対応する１・０個のユニ
ットと、ダミー１個の計ＩｌＨのユニットだけで済む。

これに対し手書きカナ文字の場合は、入力層は、入力文
字パターンと「ア」から「ン」までの各カナ文字との類
似度にそれぞれ対応する４６個のユニットとダミー、１
個の計４７個が必要となる゛。これに伴って中間層の数
も数字の場合は５０個程度で済んでいたが、カナ文字の
場合は少なくとも　１００個あるいはそれ以上必要とす
る。

出力層についても数字の場合は１０個、カナ文字の場合
は４６個必要とする。

したがって、大規模となり、しかも手書きカナ文字の場
合、「工、コ、ユ」等のパターンが類似した文字が多い
ため学習に長時間を要し、角足する認識率を得ることが
できないという問題があった。

本発明はこのような課題を解決するためのもので、手書
きカナ文字のように文字種類が多く、多くの類似パター
ンを有した文字群についても、学習に長時間を要すこと
なく、高い正解率で文字認識を行うことのできる文字認
識装置の提［％を目的としている。

［発明の構成］ （課題を解決するための手段） 第１の発明の文字認識装置は上記した目的を達成するた
めに、入力文字パターンと複数の文字パターン候補との
各類似度から入力文字パターンの認識結果として最も確
信度の高い文字パターン候補を判定する文字認識装置に
おいて、文字パターン候補を類似する文字毎に複数のグ
ループに分類し、各グループ内の文字パターン候補をさ
らによく類似する文字毎に分類したグループ毎に、−各
類似度から本来類似度が最大となるべき文字パターン候
補が得られるよう学習を行い、かつ最も確信度の高い文
字パターン候補をそれぞれ判定する複数の下位グループ
ニューラルネットと、下位グループより１段階大きく分
類されたグループ毎に、前記各類似度から本来類似度が
最大となるべき文字パターン候補を含む下位グループニ
ューラルネットの判定結果が選択されるよう学習を行い
、かつ最も確信度の高い文字パターン候補を含む下位グ
ループニューラルネットを選択する複数の下位グループ
選択用ニューラルネットと、前記各類似度から本来類似
度が最大となるべき文字パターン候補を含む下位グルー
プ選択用ニューラルネットの判定結果が最終的な文字認
識結果として出力されるよう学習を行い、かつ最も確信
度の高い文字パターン候補を含む下位グループ選択用ニ
ューラルネットの判定結果を最終的な文字認識結果とし
て選択する最終判定用ニューラルネットとを具備したも
のである。

また第２の発明は、入力文字パターンと複数の文字パタ
ーン候補との各類似度から入力文字パターンの認識結果
として最も確信度の高い文字パターン候補を判定する文
字認識装置において、文字パターン候補を類似する文字
毎に複数のグループに分類し、各グループ内の文字パタ
ーン候補をさらに強く類似する文字毎に分類するように
して文字パターン候補を複数の段階のグループに分類し
、最も細かく分類されたグループ毎に、前記斉類似度か
ら本来類似度が最大となるべき文字パターン候補が得ら
れるよう学習を行い、かつ最も確信度の高い文字パター
ン候補をそれぞれ判定する複数の下位グループニューラ
ルネットと、下位グループより大きく分類された各段階
のグループ毎に、前記各類似度から本来類似度が最大と
なるべき文字パターン候補を含む１段階下位のニューラ
ルネットの判定結果が選択されるよう学習を行い、かつ
最も確信度の高い文字パターン候補を含む１段階下位の
ニューラルネットを選択する複数の下位グループ選択用
ニューラルネットと、各類似度から本来類似度が最大と
なるべき文字パターン蚊捕を含む下位グループ選択用ニ
ューラルネットにおける最上位のニューラルネットの判
定結果が最終的な文字認識結果として出力されるよう学
習を行い、かつ最も確信度の高い文字パターン候補を含
む最上位のニューラルネットの判定結果を最終的な文字
認識結果として選択する最終判定用ニューラルネットと
を具備したものである。

（作　用） 第１の発明の文字認識装置では、各段階のニューラルネ
ットに、それぞれ入力文字パターンと複数の文字パター
ン候補との各類似度が入力されると、各下位グループニ
ューラルネットは、それぞれの下位グループ内において
最も確信度の高い文字パターン候補をそれぞれ判定する
。一方、下位グループ選択用ニューラルネットは、前記
各類似度から最も確信度の高い文字パターン候補を含む
下位グループニューラルネットを判定する。そして最終
判定用ニューラルネットは、前記各類似度から最も確信
度の高い文字パターン候補を含む下位グループ選択用ニ
ューラルネットを判定して、最終的な文字認識結果を得
る。

また学習時において、下位グループニューラルネットは
、文字パターン候補を類似する文字毎に複数のグループ
に分類し、各グループ内の文字パターン候補をさらによ
く類似する文字毎に分類したグループ毎に、入力文字パ
ターンと複数の文字パターン候補との各類似度から本来
類似度が最大となるべき文字パターン候補が最終的な文
字認識結果として得られるよう学習を行う。また、下位
グループ選択用ニューラルネットは、前記各類似度から
本来類似度が最大となるべき文字パターン候補を含む下
位グループニューラルネットの判定結果が選択されるよ
う学習を行う。そして最終判定部ニューラルネットは、
前記各類似度から本来類似度が最大となるべき文字パタ
ーン候補を含む下位グループ選択用ニューラルネットの
判定結果が最終的な文字認識結果として選択されるよう
学習を行う。

したがって、この発明によれば、手書きカナ文字のよう
に文字種類が多く、多くの類似パターンを有した文字群
についても高い正解率で文字認識を行うことができる。

また、一つのニューラルネットで構成したものに比べて
学習時間の大幅な短縮化が図れる。

また第２の発明の文字認識装置では、下位グループ選択
用ニューラルネットは、入力文字パターンと複数の文字
パターン候補との各類似度を入力すると、最も確信度の
高い文字パターン候補を含む１段階下位のニューラルネ
ットの判定結果を選択する。但し、ここで、文字パター
ン候補の類似に基づく分類が三段階以上になされていた
場合、下位グループ選択用ニューラルネットは、下位グ
ループより大きく分類された各段階のグループ毎に、そ
れぞれ１段階下位のニューラルネットの判定結果を選択
する。そして最終判定用ニューラルネットは、前記各類
似度から最も確信度の高い文字パターン候補を含む下位
グループ選択用ニューラルネットにおける最上位のニュ
ーラルネットを判定して、最終的な文字認識結果を得る
。

また学習時において、下位グループ選択用ニューラルネ
ットは、下位グループより大きく分類された各段階のグ
ループ毎に、それぞれ前記各類似度から本来類似度が最
大となるべき文字パターン候補を含む１段階下位のニュ
ーラルネットの判定結果が選択されるよう学習を行う。

そして最終判定用ニューラルネットは、前記各類似度か
ら本来類似度が最大となるべき文字パターン候補を含む
下位グループ選択用ニューラルネットにおける最上位の
ニューラルネットの判定結果が最終的な文字認識結果と
して出力されるよう学習を行う。

したがって、この発明によれば、第１の発明と同等な効
果が得られるとともに、各パターン候補を必要に応じて
何段階にも細かく分類することができので、認識正解率
の一層の向上が期待できる。

（実施例） 以下、本発明の実施例を図面に基づいて詳細に説明する
。

第２図はこの発明に係る一実施例の文字認識装置の構成
を説明するためのブロック図である。

同図において、１は帳票上に手書きされたカナ文字等を
光学的に読取ってその文字パターンを得るスキャナ部、
２はスキャナ部１により読取られた入力文字パターンと
のマツチング対象となる文字パターン候補群（この実施
例では「ア」〜「ン」までのカナ文字が不可欠）が登録
されたパターン候補格納部、３はスキャナ部１からの入
力文字パターンとパターン候補格納部２に格納された文
字パターン候補との所定のパターン・マ・シチングを行
ってそれぞれの類似度を算出するパターン・マツチング
部、４はパターン・マツチング部３において算出された
各文字パターン候補に対する類似度の組合せから、最も
確からしい文字パターン候補を最終的な文字認識結果と
して判定する文字判定部、５は文字判定部４において判
定された文字認識結果を格納するデータ格納部である。

さて、このような構成の文字認識装置において、上記し
た文字判定部４はニューラルネットを用いて次のように
構成される。

第１図はこのニューラルネットを用いて構成された文字
判定部の構成を示している。

同図に示すように、この文字判定部４は、最終判定用ニ
ューラルネットである上位グループ選択用ニューラルネ
ット１１と、複数の下位グループ選択用ニューラルネッ
ト１２〜１６と（この実施例では５個）、複数の下位グ
ループニューラルネッ　　ト　１２１〜１２５　　・　
　　　　・　　１６１〜１６５　と　　（この実施例で
は各下位グループ選択用ニューラルネット１２〜１６に
５個ずつ属させている）、下位グループ判定部１２ａ〜
１６ａと（この実施例では５個）、最終判定部４１と、
全体学習データベース４２と、データ選別部４３とを備
えて構成される。

下位グループ選択用ニュラルネット１２〜１６は、各文
字パターン候補を、誤読を招き易い「ソッ、す、シ、ン
、ル、し」等の類似文字群のグループに大きく分類し、
入力文字パターンと各文字パターン候補との各類似度か
ら、各グループ毎に本来類似度が最大となるべき文字パ
ターン候補を含む下位グループニューラルネット１２１
〜１２５・・・１６１〜１６５の判定結果が各下位グル
ープ判定部１２ａ〜１６ａにおいて選択されるよう学習
を行い、その学習の結果において、最も確信度の高い文
字パターン候補を含んだ下位グループニューラルネット
１２１〜１２５・・・１６１〜１６５の判定を行うもの
である。

下位グループニューラルネット１２１〜１２５・・・１
６１〜１６５は、下位グループ選択用ニューラルネット
１２〜１６で大きく分類された誤読を招き易い各文字パ
ターン候補を、「ン、ツ、す」、「シ、ン、ン」等のさ
らに細かい類似文字群のグループ毎に分類し、入力文字
パターンと各文字パターン候補との各類似度から、各グ
ループ毎に本来類似度が最大となるべき文字パターン候
補が文字認識結果として得られるよう学習を行い、その
学習の結果において、各グループ毎に最も確信度の高い
文字パターン候補の判定を行うものである。

上位グループ選択用ニューラルネット１１は、入力文字
パターンと各文字パターン候補との各類似度から、本来
類似度が最大となってしかるべき文字パターン候補を含
む下位グループ選択用ニューラルネット１２〜１６の判
定結果が最終的な認識結果として最終判定部４１におい
て選択されるよう学習を行い、その学習の結果において
、最も確信度の高い文字パターン候補を含んだ下位グル
ープ選択用ニューラルネット１２〜１６を判定するもの
である。

全体学習データベース４２は、上位グループ選択用ニュ
ーラルネット１１、各下位グループ選択用ニューラルネ
ット１２〜１６、および各下位グループニューラルネ・
シト１２１〜１２５・　・１６１〜１６５での学習で用
いられるデータ、すなわち入力文字パターンと各文字パ
ターン候補との類似度とこれに対応する正解のデータと
の組が格納される。またこの全体学習データベース４２
に格納された学習データは、学習実行の際、各ニューラ
ルネット１１．１２〜１６．１２１〜１２５・・・１６
１〜１６５の学習データベース（後述する）に転送され
ることになるが、各下位グループ選択用ニューラルネッ
ト１２〜１６と各下位グループニューラルネット１２１
〜１２５・−・・１６１〜１６５に対しては、データ選
別部４３を介してそれぞれ該当する学習データを選別し
た上で転送される。

ところで、上述した各ニューラルネット１１．１２〜１
６．１２１〜１２５・・・１６１〜１６５では、その学
習機能を、例えばパックプロパゲーションアルゴリズム
等の学習アルゴリズムを用いて実現している。

第３図は各ニューラルネットの基本構成を示している。

同図に示すように、この実施例のニューラルネットの基
本構成は、パターン・マツチングにより算出された各パ
ターン候補に対する類似度がそれぞれ入力される複数の
入力ノードＡからなる入力層と、各入力ノードＡとアー
クＢを介してネットワークで結合された複数の中間ノー
ドＣからなる中間層と、各中間ノードＣとアークＤを介
してネットワークで結合され、各パターン候補に対する
類似度からそれぞれの最終的な正解確信度を示す値を出
力する出力ノードＥからなる出力層とから構成されてい
る。

また上述した各アークＢＳＤには、各ノード間の結合の
強さを示す荷重値が設定されており、これらの荷重値は
、次のネットワーク管理部により修正されるようになっ
ている。

このネットワーク管理部の構成を第４図を用いて説明す
る。

同図において、５１は入力ノードＡおよび中間ノードＣ
からそれぞれ出力されたデータを一時的に保持するノー
ド出力値テーブル、５２は各アーりＢ、Ｄに設定された
荷重値を保持する荷重値テーブル、５３は各入力ノード
Ａや中間ノードＣからの出力データにそれぞれ荷重値テ
ーブル５２上の対応する荷重値を乗じて積算を行う積算
器、５４は個々の中間ノードＣや出力ノードＥに終結さ
れる積算結果を加算する加算器である。また５５は通常
の文字認識において出力された各文字パターン候補に対
する最終的な積算値（類似度）の中から最大値を得た文
字パターン候補を最終的な文−字認識結果として判定す
る判定器、５６は学習時において出力された各文字パタ
ーン候補に対する最終的な積算値と本来類似度が最大と
なってしかるべき正解のデータとをそれぞれ取込んで比
較し、それぞれが一致しているかどうかを評価する評価
器、５７は評価器５６において各データが一致しないと
判定されたとき、当該入力文字パターンに対する次回か
らの文字認識処理において正解を得るような方向性を持
って荷重値テーブル５２上の各荷重値を修正する荷重値
修正器、５８は全体学習データベース４２からの学習デ
ータを格納する学習データベース、５９は学習データベ
ース５８の登録内容を管理する学習管理器である。

次にこのネットワーク管理部による学習９基本動作を第
５図のフローチャートを用いて説明する。

まず学習データベース５８から、類似度の組合せとこれ
に対応する正解のデータの組を１つずつ抽出しくステッ
プａ）、これを上位グループ選択用ニューラルネット１
１、各下位グループ選択用ニューラルネット１２〜１６
、および各下位グループニューラルネット１２１〜１２
５・・・１６１〜１６５の各入力ノード出力値テーブル
５１と評価器５６にそれぞれセットする（ステップｂ）
。

さて入力ノード出力値テーブル５１に類似度がセットさ
れると、各類似度は入力ノードＡから中間ノードＣを介
して出力ノードＥに至るまでの間において、アークＢお
よびアークＤにそれぞれ設定された荷重値を用いて積算
、さらに加算され、最終的に各出力ノードＥに終結され
たそれぞれの値が各文字パターン候補に対する確からし
さを示す値（確信度）となる（ステップＣ）。

この後、各出力ノードＥから出力された各文字パターン
候補に対する値は評価器５６に出力される。評価器５６
は、各出力ノードＥから出力されたデータと正解のデー
タとを比較評価しくステップｄ）、その比較評価の結果
、両者が一致していなければ、荷重値修正器５７を起動
させて荷重値テーブル５２における各荷重値を、次回か
らの処理において正解のデータが得られるような方向性
を持って修正する（ステップｅ）。同時に学習管理器５
９は、今回の文字認識処理における入力類似度の組合せ
と正解のデータとの組を再び学習データとし゛て学習デ
ータベース５８に格納する。

全ての文字パターンのサンプルに対する　１回目の学習
が終了すると、学習管理器５９は、２回目の学習を開始
させるため学習データベース５８から再度１組ずつ各類
似度の組合せと正解のデータとの組を抽出し、これらを
各ニューラルネット１１．１２〜１６．１２１〜１２５
・＠φ１６１〜１６５にそれぞれセットする。

以上の学習動作を延々と繰り返し、全ての文字パターン
のサンプルについて正解のデータが得られるようになっ
た時点で、あるいは所定回数の荷重値修正を終えた時点
で、全ての学習を終了させる（ステップｆ）。

次にこの文字認識装置の動作を説明する。

ある手書きカナ文字についてパターン・マツチングを行
うことによって各文字パターン候補に対する類似度の組
合せが得られると、これらの類似度は、上位グループ選
択用ニューラルネット１１、各下位グループ選択用ニュ
ーラルネット１２〜１６、各下位グループニューラルネ
ット１２１〜１２５・　・１６１〜１６５にそれぞれ渡
される。

すると上位グループ選択用二二一うルネット１１は、前
記各類似度の組合せから、どの下位グループ選択用ニュ
ーラルネット１２〜１６の判定結果が最も確信度が高い
かを決定し、その下位グループ選択用ニューラルネット
１２〜１６に対応する下位グループ判定部１２ａ〜１６
ａの番号を最終判定部４１に送る。

また、各下位グループ選択用ニューラルネット１２〜１
６は、前記各類似度の組合せから、それぞれ自身のグル
ープに属する各下位グループニューラルネット１２１〜
１２５・・・１６１〜１６５においてどの二二一うルネ
ットの判定結果が最も確信度が高いかを判定し、それぞ
れのネット番号を各下位グループ判定部１２ａ〜１６ａ
に送る。

一方、各下位グループニューラルネット１２１〜１２５
φ　・１６１〜１６５は、前記各類似度の組合せから、
それぞれ自身のグループに属する文字パターン候補間で
、入力文字パターンの認識結果として最も確信度の高い
文字パターン候補がどれであるか決定し、各文字パター
ン候補をそれぞれ対応する下位グループ判定部１２ａ〜
１６ａに送る。

各下位グループ判定部１２ａ〜１６ａは、各下位グルー
プニューラルネット１２１〜１２５・・・１６１〜１６
５から入力された文字パターン候補群の中から、各下位
グループ判定部１２ａ〜１６ａにそれぞれ対応する下位
グループ選択用ニューラルネット１２〜１６で決定され
た下位グループニューラルネットの判定結果を選び、こ
れらを最終判定部４１に送る。

そして、最終判定部４１は、各下位グループ判定部１２
ａ〜１６ａからそれぞれ入力された文字パターン候補群
の中から、上位グループ選択用二二一うルネット１１で
決定した下位グループ選択用ニューラルネットの判定結
果を最終的な文字認識結果として出力する。

かくしてこの実施例の文字認識装置によれば、各下位グ
ループニューラルネット１２１〜１２【・・・・１６１
〜１６５において、それぞれ類似パターン毎に分類され
た文字パターン候補間での学習および文字認識結果の判
定を行うとともに、各下位グループ選択用ニューラルネ
ット１２〜１６で、それぞれに属する下位グループニュ
ーラルネット１２１〜１２５・　・１６１〜１６５の中
で最も確信度の高い文字パターンを含むものを学習およ
び判定し、さらに上位グループ選択用ニューラルネット
１１で、どの下位グループ選択用ニューラルネット１２
〜１６が最も確信度の高い文字パターン候補を含んでい
るかを学習、判定するようにしたので、手書きカナ文字
のように文字種類が多く、類似文字パターンを多く含ん
だものであっても、高い正解率で文字認識を行うことが
できる。また、一つのニューラルネットで同等の機能を
果すようにしたものに比べ、個々の二二一うルネットの
構成が非常に簡単になるため、学習時間の短縮化も図れ
る。

なお、上述した実施例では、文字判定部４を、上位グル
ープ選択用ニューラルネット１１、下位グループ選択用
二二一うルネット１２〜１６、下位グループニューラル
ネット１２１〜１２５・・１６１〜１６５の三段階のニ
ューラルネットから構成したが、必要に応じてそれ以上
の段階とすることもできる。この場合、上位グループ選
択用ニューラルネット１１に相当する二二一うルネット
を複数の段階で設ければよい。

このようにしてニューラルネットを多段階に組合せるこ
とにより、文字種類が多く、多くの類似パターンを有し
た文字群についても、学習に長時間を要すことなく、よ
り一層高い正解率で文字認識を行うことが可能となる。

また、この実施例では手書きカナ文字の認識について説
明したが、本発明はこれに限定されるものではなく、例
えば、ローマ字や漢字等の認識にも適用が可能である。

［発明の効果］ 以上説明したように本発明の文字認識装置によれば、手
書きカナ文字のように文字種類が多く、多くの類似パタ
ーンを付した文字群についても、学習に長時間を要すこ
となく、高い正解率で文字認識を行うことができる。

【図面の簡単な説明】

第１図は本発明の一実施例の文字認識装置におけるニュ
ーラルネットを用いた文字判定部の構成を説明するため
のブロック図、第２図は第１図の文字認識装置の全体構
成を説明するためのブロック図、第３図は二二一うルネ
ットの基本構成を示す図、第４図は各ニューラルネット
におけるネットワーク管理部の構成を説明するためのブ
ロック図、第５図は第４図のネットワーク管理部による
学習の基本動作を示すフローチャートである。 １１・・・上位グループ選択用ニューラルネット、１２
〜１６・・・下位グループ選択用ニューラルネット、１
２１〜１２５・・・１６１〜１６５・・・下位グループ
二二一うルネット、１２ａ〜１６ａ・・・下位グループ
判定部、４１・・・最終判定部。

Claims (2)

【特許請求の範囲】
1. （１）入力文字パターンと複数の文字パターン候補との
   各類似度から入力文字パターンの認識結果として最も確
   信度の高い文字パターン候補を判定する文字認識装置に
   おいて、 前記文字パターン候補を類似する文字毎に複数のグルー
   プに分類し、各グループ内の文字パターン候補をさらに
   よく類似する文字毎に分類したグループ毎に、前記各類
   似度から本来類似度が最大となるべき文字パターン候補
   が得られるよう学習を行い、かつ最も確信度の高い文字
   パターン候補をそれぞれ判定する複数の下位グループニ
   ューラルネットと、 前記下位グループより１段階大きく分類されたグループ
   毎に、前記各類似度から本来類似度が最大となるべき文
   字パターン候補を含む前記下位グループニューラルネッ
   トの判定結果が選択されるよう学習を行い、かつ最も確
   信度の高い文字パターン候補を含む前記下位グループニ
   ューラルネットを選択する複数の下位グループ選択用ニ
   ューラルネットと、 前記各類似度から本来類似度が最大となるべき文字パタ
   ーン候補を含む下位グループ選択用ニューラルネットの
   判定結果が最終的な文字認識結果として出力されるよう
   学習を行い、かつ最も確信度の高い文字パターン候補を
   含む前記下位グループ選択用ニューラルネットの判定結
   果を最終的な文字認識結果として選択する最終判定用ニ
   ューラルネットとを具備したことを特徴とする文字認識
   装置。
2. （２）入力文字パターンと複数の文字パターン候補との
   各類似度から入力文字パターンの認識結果として最も確
   信度の高い文字パターン候補を判定する文字認識装置に
   おいて、 前記文字パターン候補を類似する文字毎に複数のグルー
   プに分類し、各グループ内の文字パターン候補をさらに
   強く類似する文字毎に分類するようにして前記文字パタ
   ーン候補を複数の段階のグループに分類し、最も細かく
   分類されたグループ毎に、前記各類似度から本来類似度
   が最大となるべき文字パターン候補が得られるよう学習
   を行い、かつ最も確信度の高い文字パターン候補をそれ
   ぞれ判定する複数の下位グループニューラルネットと、
   前記下位グループより大きく分類された各段階のグルー
   プ毎に、前記各類似度から本来類似度が最大となるべき
   文字パターン候補を含む１段階下位のニューラルネット
   の判定結果が選択されるよう学習を行い、かつ最も確信
   度の高い文字パターン候補を含む前記１段階下位のニュ
   ーラルネットを選択する複数の下位グループ選択用ニュ
   ーラルネットと、 前記各類似度から本来類似度が最大となるべき文字パタ
   ーン候補を含む前記下位グループ選択用ニューラルネッ
   トにおける最上位のニューラルネットの判定結果が最終
   的な文字認識結果として出力されるよう学習を行い、か
   つ最も確信度の高い文字パターン候補を含む前記最上位
   のニューラルネットの判定結果を最終的な文字認識結果
   として選択する最終判定用ニューラルネットとを具備し
   たことを特徴とする文字認識装置。