On-line распознавание рукописных символов
Этап предварительной обработки данных, классификации, принятия решения. Изображения обучающих рукописных символов, тестового символа. Выход нейронной сети для тестового символа. График тренировки нейронной сети. Последовательность точек. Входные вектора.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 29.09.2008 |
| Размер файла | 245,7 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Пушников А. А., ПС-569
Тезисы доклада на научно-практическую конференцию «Современные методы и средства автоматического управления техническими объектами»
On-line распознавание рукописных символов
В настоящее время, в связи с развитием миниатюрных компьютеров, таких как PDA, TabletPC, стоит проблема безклавиатурного ввода данных. Одним из альтернативных средств ввода является сенсорная панель. Был исследован способ метод распознавания рукописных символов с помощью искусственной нейронной сети.
Задача on-line распознавания состоит из трех основных этапов:
1. На этапе предварительной обработки данных выбираем основные признаки и преобразуем их в удобную для классификации форму, например вектор в каком-либо пространстве. В задаче on-line распознавания известен путь пера, в виде последовательности точек. Для упрощения классификатора, уменьшаем количество точек до некоторого фиксированного числа n. Такая выборка делает расстояния между точками практически одинаковыми, что позволяет не учитывать при распознавании размер символа. Для инвариантности символа относительно его положения на изображении, преобразуем входную последовательность в вектор синусов и косинусов углов между осями координат и прямой, соединяющей две соседние точки. В результате получаем вектор размерностью 2*(n -1).
2. На этапе классификации разделяем пространство входных векторов на отдельные области, в качестве классификатора используем нейронная сеть. Была исследована двухслойная нейронная сеть обратного распространения с логарифмической сигмоидной функцией активации нейронов. Число входов - 2*(n -1), число выходов равно числу символов. Такая нейронная сеть позволит получить на выходе оценку совпадения исследуемого образа с исходными.
При исследовании выбиралось: n=10, количество входных нейронов - 18, количество исследуемых символов - 4, количество выходных нейронов - 4. Схема нейронной сети представлена на рис. 1. График тренировки нейронной сети представлен на рис. 2. Изображения обучающих символов представлены на рис. 3. Изображение тестового символа представлено на рис. 4. В таблице 1 представлены выходы нейронной сети.
Рисунок 1 - Схема нейронной сети
Рисунок 2 - График тренировки нейронной сети
Рисунок 3 - Изображения обучающих символов. Линией обозначены выбранные точки, окружностями - введенные
Рисунок 4 - Изображение тестового символа. Линией обозначены выбранные точки, окружностями - введенные
Таблица 1. Выход нейронной сети для тестового символа.
|
№ выхода нейронной сети |
Выход нейронной сети |
Название обучающего символа, соответствующего данному выходу |
|
|
1 |
0.9996 |
Символ «а» |
|
|
2 |
0.0000 |
Символ «б» |
|
|
3 |
0.0000 |
Символ «в» |
|
|
4 |
0.0001 |
Символ «г» |
3. На этапе принятия решения делаем вывод, на какой из обучающих символов более похож тестовый символ. Для этого выбираем символов, которому соответствует наибольшее значение выхода нейронной сети. Если же максимальное значение не превысит некоторое пороговое значение или несколько выходов будут иметь близкие значения, то делаем вывод, что введен неизвестный символ.
Исследованная модель уверенно распознает рукописные символы и позволяет сделать вывод о том является ли исследуемый символ одним из известных ранее.
Подобные документы
Базовые архитектуры компьютеров: последовательная обработка символов по заданной программе и параллельное распознавание образов по обучающим примерам. Искусственные нейронные сети. Прототип для создания нейрона. Поведение искусственной нейронной сети.
контрольная работа [229,5 K], добавлен 28.05.2010Описание структурной схемы искусственного нейрона. Характеристика искусственной нейронной сети как математической модели и устройств параллельных вычислений на основе микропроцессоров. Применение нейронной сети для распознавания образов и сжатия данных.
презентация [387,5 K], добавлен 11.12.2015Нейронные сети и оценка возможности их применения к распознаванию подвижных объектов. Обучение нейронной сети распознаванию вращающегося трехмерного объекта. Задача управления огнем самолета по самолету. Оценка экономической эффективности программы.
дипломная работа [2,4 M], добавлен 07.02.2013Разработка алгоритма и программы для распознавания пола по фотографии с использованием искусственной нейронной сети. Создание алгоритмов: математического, работы с приложением, установки весов, реализации функции активации и обучения нейронной сети.
курсовая работа [1,0 M], добавлен 05.01.2013Исследование нечеткой модели управления. Создание нейронной сети, выполняющей различные функции. Исследование генетического алгоритма поиска экстремума целевой функции. Сравнительный анализ нечеткой логики и нейронной сети на примере печи кипящего слоя.
лабораторная работа [2,3 M], добавлен 25.03.2014Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
дипломная работа [2,6 M], добавлен 23.09.2013Процессы распознавания символов. Шаблонные и структурные алгоритмы распознавания. Процесс обработки поступающего документа. Обзор существующих приложений по оптическому распознаванию символов. Определение фиксированного шага и сегментация слов.
дипломная работа [3,3 M], добавлен 11.02.2017Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017Выявление закономерностей и свойств, применимых в искусственной нейронной сети. Построение графиков и диаграмм, определяющих степень удаленности между объектами. Моделирование, тестирование и отладка программной модели, использующей клеточный автомат.
дипломная работа [4,1 M], добавлен 25.02.2015Методы предобработки изображений текстовых символов. Статистические распределения точек. Интегральные преобразования и структурный анализ. Реализация алгоритма распознавания букв. Анализ алгоритмов оптического распознавания символов. Сравнение с эталоном.
курсовая работа [2,1 M], добавлен 20.09.2014
