Пушніков А. А., ПС-569
Тези доповіді на науково-практичну конференцію «Сучасні методи та засоби автоматичного управління технічними об'єктами»
On - line розпізнавання рукописних символів
В даний час, у зв'язку з розвитком мініатюрних комп'ютерів, таких як PDA, TabletPC, стоїть проблема безклавіатурного введення даних. Одним з альтернативних засобів введення є сенсорна панель. Був досліджений спосіб метод розпізнавання рукописних символів за допомогою штучної нейронної мережі.
Завдання on-line розпізнавання складається з трьох основних етапів:
1. На етапі попередньої обробки даних вибираємо основні ознаки і перетворимо їх у зручну для класифікації форму, наприклад вектор в будь-якому просторі. У задачі on-line розпізнавання відомий шлях пера, у вигляді послідовності точок. Для спрощення класифікатора, зменшуємо кількість точок до деякого фіксованого числа n. Така вибірка робить відстані між точками практично однаковими, що дозволяє не враховувати при розпізнаванні розмір символу. Для інваріантності символу щодо його положення на зображенні, перетворимо вхідну послідовність у вектор синусів і косинусів кутів між осями координат і прямої, що з'єднує дві сусідні точки. У результаті отримуємо вектор розмірністю 2 * (n -1).
2. На етапі класифікації поділяємо простір вхідних векторів на окремі області, в якості класифікатора використовуємо нейронна мережа. Була досліджена двошарова нейронна мережу зворотного поширення з логарифмічною сігмоідной функцією активації нейронів. Число входів - 2 * (n -1), число виходів дорівнює числу символів. Така нейронна мережа дозволить отримати на виході оцінку збіги досліджуваного образу з вихідними.
При дослідженні вибиралося: n = 10, кількість вхідних нейронів - 18, кількість досліджуваних символів - 4, кількість вихідних нейронів - 4. Схема нейронної мережі представлена на рис. 1. Графік тренування нейронної мережі представлений на рис. 2. Зображення навчальних символів представлені на рис. 3. Зображення тестового символу представлено на рис. 4. У таблиці 1 представлені виходи нейронної мережі.
Малюнок 1 - Схема нейронної мережі
Рисунок 2 - Графік тренування нейронної мережі
Рисунок 3 - Зображення навчальних символів. Лінією позначені обрані точки, колами - введені
Рисунок 4 - Зображення тестового символу. Лінією позначені обрані точки, колами - введені
Таблиця 1. Вихід нейронної мережі для тестового символу.
3. На етапі прийняття рішення робимо висновок, на який з навчальних символів більше схожий тестовий символ. Для цього вибираємо символів, якому відповідає найбільше значення виходу нейронної мережі. Якщо ж максимальне значення не перевищить деяке граничне значення або кілька виходів будуть мати близькі значення, то робимо висновок, що введений невідомий символ.
Опрацьована модель впевнено розпізнає рукописні символи і дозволяє зробити висновок про те чи є досліджуваний символ одним з відомих раніше.
Тези доповіді на науково-практичну конференцію «Сучасні методи та засоби автоматичного управління технічними об'єктами»
On - line розпізнавання рукописних символів
В даний час, у зв'язку з розвитком мініатюрних комп'ютерів, таких як PDA, TabletPC, стоїть проблема безклавіатурного введення даних. Одним з альтернативних засобів введення є сенсорна панель. Був досліджений спосіб метод розпізнавання рукописних символів за допомогою штучної нейронної мережі.
Завдання on-line розпізнавання складається з трьох основних етапів:
1. На етапі попередньої обробки даних вибираємо основні ознаки і перетворимо їх у зручну для класифікації форму, наприклад вектор в будь-якому просторі. У задачі on-line розпізнавання відомий шлях пера, у вигляді послідовності точок. Для спрощення класифікатора, зменшуємо кількість точок до деякого фіксованого числа n. Така вибірка робить відстані між точками практично однаковими, що дозволяє не враховувати при розпізнаванні розмір символу. Для інваріантності символу щодо його положення на зображенні, перетворимо вхідну послідовність у вектор синусів і косинусів кутів між осями координат і прямої, що з'єднує дві сусідні точки. У результаті отримуємо вектор розмірністю 2 * (n -1).
2. На етапі класифікації поділяємо простір вхідних векторів на окремі області, в якості класифікатора використовуємо нейронна мережа. Була досліджена двошарова нейронна мережу зворотного поширення з логарифмічною сігмоідной функцією активації нейронів. Число входів - 2 * (n -1), число виходів дорівнює числу символів. Така нейронна мережа дозволить отримати на виході оцінку збіги досліджуваного образу з вихідними.
При дослідженні вибиралося: n = 10, кількість вхідних нейронів - 18, кількість досліджуваних символів - 4, кількість вихідних нейронів - 4. Схема нейронної мережі представлена на рис. 1. Графік тренування нейронної мережі представлений на рис. 2. Зображення навчальних символів представлені на рис. 3. Зображення тестового символу представлено на рис. 4. У таблиці 1 представлені виходи нейронної мережі.
Малюнок 1 - Схема нейронної мережі
|
|
Рисунок 2 - Графік тренування нейронної мережі
Рисунок 3 - Зображення навчальних символів. Лінією позначені обрані точки, колами - введені
Рисунок 4 - Зображення тестового символу. Лінією позначені обрані точки, колами - введені
Таблиця 1. Вихід нейронної мережі для тестового символу.
№ виходу нейронної мережі | Вихід нейронної мережі | Назва навчального символу, відповідного даному виходу |
1 | 0.9996 | Символ "а" |
2 | 0.0000 | Символ «б» |
3 | 0.0000 | Символ «в» |
4 | 0.0001 | Символ «г» |
Опрацьована модель впевнено розпізнає рукописні символи і дозволяє зробити висновок про те чи є досліджуваний символ одним з відомих раніше.