1.一種具有仿反饋調整機制的脫機手寫體漢字認知方法；其特征是按如下步驟進行：

步驟1、認知需求知識的分析

步驟1.1、選取規則漢字數據樣本庫中的n個樣本作為訓練樣本集；m個樣本作為測試樣本集；

步驟1.2、對所述訓練樣本集進行象素數量的粗分類，獲得所述訓練樣本集中每個樣本的類別，包括：簡單字、一般字和復雜字；選擇占最多比例的類別作為所述訓練樣本集的整體類別，記為z₁；

步驟1.3、對所述訓練樣本集進行漢字結構的粗分類，獲得所述訓練樣本集中每個樣本的漢字結構，包括：上下結構、左右結構和整體結構；選擇占最多比例的結構作為所述訓練樣本集的結構類別，記為z₂；

步驟1.4、對所述訓練樣本集進行漢字筆畫的粗分類，獲得所述訓練樣本集中每個樣本的漢字筆畫數量，包括：橫筆畫數量、豎筆畫數量、撇筆畫數量和捺筆畫數量；每個樣本選擇占最多比例的漢字筆畫數量作為自身樣本的筆畫類別；選擇占最多比例的筆畫類別作為所述訓練樣本集的整體筆畫類別，記為z₃；

以所述整體類別z₁、結構類別z₂和整體筆畫類別z₃作為認知需求知識Z＝(z₁,z₂,z₃)；

步驟2、認知方法的選擇

步驟2.1、將提取規則網格的象素特征方法作為表征漢字整體復雜性的認知方法，記為A₁；

將提取規則網格在四個方向分量上的特征方法作為兼顧漢字輪廓結構信息和局部細節信息的認知方法，記為A₂；

將利用雙樹復小波變換獲得具有6種不同方向的特征系數矩陣方法作為筆畫方向性敏感的認知方法，記為A₃；

由所述表征漢字整體復雜性的認知方法A₁、兼顧漢字輪廓結構信息和局部細節信息的認知方法A₂和筆畫方向性敏感的認知方法A₃構成認知方法庫A＝{A₁,A₂,A₂}；

步驟2.2、定義變量w；并初始化w＝1；

步驟2.3、根據所述認知需求知識Z，利用認知方法選擇規則對所述認知方法庫A中認知方法進行選??；獲得第w次認知過程的認知方法第w+1次認知過程的認知方法和第w+2次認知過程的認知方法j∈{1,2,3}；

所述認知方法選擇規則是按如下步驟進行：

步驟a、判斷z₁≥z₂是否成立，若成立，轉入步驟b；若不成立，轉入步驟c；

步驟b、判斷z₁≥z₃是否成立，若成立，則選用表征漢字整體復雜性的認知方法A₁；若不成立，則選用對筆畫方向性敏感的認知方法A₃；

步驟c、判斷z₂≥z₃是否成立，若成立，則選用能兼顧漢字輪廓結構信息和局部細節信息的認知方法A₂；若不成立，則選用對筆畫方向性敏感的認知方法A₃；

步驟3、集成模式分類器的設計

步驟3.1、利用第w次認知過程的認知方法對所述訓練樣本集進行特征提取，獲得相應的訓練特征向量；

步驟3.2、將相應的訓練特征向量作為隨機權向量函數連接網絡RVFL分類器的輸入并進行集成訓練，得到第w次最優RVFL模型；

步驟4、認知結果的評價

步驟4.1、利用多個相同的隨機權向量函數連接網絡RVFL分類器所組成的集成模式分類器對所述訓練樣本集進行分類，得到第w次認知過程的訓練認知結果；

步驟4.2、根據第w次訓練過程所獲得的最優RVFL模型對測試樣本進行分類認知得到第w次認知過程的測試認知結果；

步驟4.3、判斷w＞1是否成立，若成立，則執行步驟5；若不成立，則執行步驟4.4；

步驟4.4、對第w次認知過程的測試認知結果進行可信性評估，若滿足閾值則將第w次認知過程的測試認知結果輸出，否則，將第w次認知過程的認知方法從所述認知方法庫A中刪除后，將w+1賦值給w；

步驟4.5、判斷w＞3是否成立，若成立，則將第w-1次認知過程的測試認知結果作為所述測試集的最終認知結果；否則，返回步驟3執行；

步驟5、基于模糊積分的融合認知

基于模糊積分融合認知方法對第w-1次認知過程的測試認知結果和第w次認知過程的測試認知結果進行融合處理，獲得的融合結果作為第w次認知過程的測試認知結果；并返回步驟4.4。