ارائه روشي براي شناسايي کاراکترهاي دستنويس، برپايه شبکه LVQ.

Presentation on theme: "ارائه روشي براي شناسايي کاراکترهاي دستنويس، برپايه شبکه LVQ."— Presentation transcript:

1 ارائه روشي براي شناسايي کاراکترهاي دستنويس، برپايه شبکه LVQ

2 فهرست مطالب مقدمه نحوه کد کردن کاراکتر ورودي شبکه عصبي ارائه شده بررسي نتا يج فهرست منابع

3 مقدمه شناسايي کاراکتر هاي حروف کوچک انگليسي ابتدا اين کاراکترها کد شده سپس کد حاصل که در قالب ده فريم مي باشد، بطور همزمان به ده شبکه LVQ اعمال مي شود. هر شبکه کد ورودي را خوشه بندي مي کند در نهايت خروجي ده شبکه که ده خوشه بندي مختلف براي فريمها ارائه مي کنند با هم and شده و کاراکتر ورودي به اين ترتيب شناسايي مي شود.

4 نحوه کد کردن کاراکتر ورودي نواحي کاراکتر مورد نظر به ده ناحيه مربعي (فريم) تقسيم شده و سپس هر ناحيه بطور جدا کد شده و کد حاصل به عنوان ورودي به شبکه LVQ اعمال مي شود. در واقع هر فريم به يک LVQ اعمال مي شود. 21 543 876 109

5 نحوه کد کردن کاراکتر ورودي هر فريم 12 بيت دارد که از چپ به راست به صورت زير تعريف مي شوند:.× End Point ∩UC)O 12345 6 7 89 101112 در واقع ماتريس کد ارائه شده شامل 10 سطر و 12 ستون است که هر سطر متناظر با کد شماره فريم مورد نظر است.

6 نمونه ای از کاراکتری کد شده 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0

7 يافتن خوشه ها پس از بررسي کدهاي حاصل، خوشه ها را براي هر فريم پيدا مي کنيم. در واقع در رابطه با تک تک فريم هاي هر کاراکتر بررسي مي کنيم که ببينيم با فريم کدام کاراکتر ديگر يکسان است.

8 شبکه عصبي ارائه شده با توجه به اينکه 10 فريم مختلف داريم که بطور همزمان وارد مي شوند، شبکه ما شامل 10 شبکه LVQ مي باشد و با توجه به اينکه هر فريم 12 بيت دارد، ورودي هاي شبکه ها 12*1 مي باشند. هر يک از اين شبکه ها عمل خوشه بندي انجام داده و بردار خروجيشان با توجه به تعداد خوشه هايي که بايد توليد کنند، داراي ابعاد مختلف مي باشد. حال که خوشه بندي انجام شد، براي شناسايي کاراکتر مورد نظر 26 شبکه and نياز داريم. در واقع براي هر کاراکتر کوچک انگليسي به يک and نياز داريم.

9 شبکه عصبي ارائه شده فریم اول LVQ1 LVQ2 LVQ3 LVQ4 LVQ5 LVQ6 LVQ7 LVQ8 LVQ9 LVQ10 فریم دوم فریم سوم فریم چهارم فریم پنجم فریم ششم فریم هفتم فریم هشتم فریم نهم فریم دهم............ AND...... a z

10 بررسي نتا يج با دادن وروديهاي مختلف بطور مکرر به شبکه ديديم که در مورد شبکه هايي که تعداد خوشه هاي آنها زياد است، (شبکه هاي سوم، چهارم، ششم و هفتم) منحني يادگيري آنها گاهي اوقات نوساني شده و شبکه ياد نمي گيرد. براي رفع اين مشکل، شبکه با α هاي مختلف، بررسي شد، از روش بهبود يافته نيز استفاده شد، تعداد epoch ها نيز افزايش يافت. با اعمال تمام اين بهبودها و بررسي مکرر شبکه ديديم که شبکه در 85% مواقع مي تواند کاراکتر ورودي را صحيح شناسايي کند.

11 فهرست منابع 1- Andrew William Senior, “Off-line Cursive Handwritten Recognition Using Recurrent Neural Networks”. Trinty Hall, Cambridge, England, September 1994. 2- دکتر محمد باقر منهاج، " مباني شبکه هاي عصبي" ، مرکز نشر دانشگاه صنعتي اميرکبير، 964-463- 087-4، پاييز 1381.