Интересует такой аспект при распознавании речи\рукописных символов как 

простейшая схема(тут рассматривается именно случай когда мы работаем с массивом пикселей\спектром и проходимся скользящим окном):
мы не знаем где у нас находится буква(или в более сложном случае некий примитив из которых сделаны буквы(в речи это вроде как морфемы)) и значит мы проходимся по всему сигналу неким скользящим окном ищем совпадение, только как потом учитывать отношения между соседними окнами?