دانلود فایل پاورپوینت ارائه روشی برای شناسایی کاراکترهای دستنویس ، برپایه شبکه LVQ

بخشی از پاورپوینت

--- پاورپوینت شامل تصاویر میباشد ----

اسلاید 1 :

مقدمه                                                                                                                                     

نحوه کد کردن کاراکتر ورودي                                                                                          

شبکه عصبي ارائه شده                                                                                                          

بررسي نتا يج                                                                                                                                                                                                                                                        

فهرست منابع                                                                                                                        

اسلاید 2 :

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 VQ 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.

اسلاید 3 :

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 VQ اعمال مي شود. در واقع هر فريم به يک VQ اعمال مي شود.

اسلاید 4 :

هر فريم 12 بيت دارد که از چپ به راست به صورت زير تعريف مي شوند:

در واقع ماتريس کد ارائه شده شامل 10 سطر و 12 ستون است که هر سطر متناظر با کد شماره فريم مورد نظر است.

اسلاید 5 :

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.

اسلاید 6 :

با توجه به اينکه 10 فريم مختلف داريم که بطور همزمان وارد مي شوند، شبکه ما شامل 10 شبکه VQ 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.

اسلاید 7 :

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.

اسلاید 8 :

1- Andrew Wi iam Senior, “Off- ine Cursive Handwritten Recognition Using Recurrent Neura Networks”. Trinty Ha , Cambridge, Eng and, September 1994.

2- دکتر محمد باقر منهاج، " مباني شبکه هاي عصبي" ، مرکز نشر دانشگاه صنعتي اميرکبير،     964-463-087-4، پاييز 1381.