|
|
|
|
توسعه‌ی الگوریتم بازشناسی اعداد دست‌نویس فارسی، بر پایه‌ی الگوریتم‌های طبقه‌بندی شبکه‌ی عصبی چندلایه و احتمالاتی، به کمک مراکز خوشه
|
|
|
|
|
|
|
|
نویسنده
|
میری علی ,خدمتی مجید
|
|
منبع
|
مهندسي صنايع و مديريت شريف - 1402 - دوره : 39 - شماره : 1 - صفحه:23 -34
|
|
چکیده
|
در این پژوهش تلاش شده است تا با ارائه‌ی الگوریتمی بهبودیافته و مبتنی بر خوشه‌بندی، بازشناسی اعداد دست‌نویس فارسی با دقت قابل توجهی صورت پذیرد. بر این اساس، آموزش و بازشناسی الگوها به کمک شبکه‌ی عصبی احتمالاتی و چندلایه‌ی پرسپترون میسر شده است، به این صورت که پس از استخراج دو دسته ویژگی مکان مشخصه و ناحیه‌یی از داده‌های آموزشی، داده‌های هریک از کلاس‌های دهگانه بر اساس هر ویژگی با استفاده از روش‌های پیوند کامل، pam و fcm خوشه‌بندی شده و کلاس‌های دهگانه‌ی جدید حاصل از خوشه‌بندی، توسط یکی از دو الگوریتم طبقه‌بندی کننده آموزش می‌بینند. تعداد بهینه خوشه‌های هر کلاس با استفاده از الگوریتم بهینه‌سازی جست‌وجوی ممنوعه با تابع برازندگی نرخ بازشناسی تعیین می‌شود. میزان دقت الگوریتم در نهایت با استفاده از داده‌های آزمایش مورد سنجش قرار می‌گیرد و با توجه به نتایج ملاحظه می‌شود که الگوریتم پیشنهادی، بازشناسی اعداد دست‌نویس فارسی را با دقت بالایی انجام می‌دهد.
|
|
کلیدواژه
|
خوشه‌بندی، شبکه‌ی عصبی چندلایه، شبکه‌ی عصبی احتمالاتی، بازشناسی، جست‌وجوی ممنوعه
|
|
آدرس
|
دانشگاه صنعتی شریف, دانشکده‌ی مهندسی صنایع, ایران, دانشگاه صنعتی شریف, دانشکده‌ی مهندسی صنایع, ایران
|
|
پست الکترونیکی
|
khedmati@sharif.edu
|
|
|
|
|
|
|
|
|
|
|
|
|
|
development of an algorithm for persian handwriting digits recognition based on mlp and pnn classifiers and using cluster centers
|
|
|
|
|
Authors
|
|
|
Abstract
|
pattern recognition is a branch of machine learning that recognizes the patterns and regularities in a set of data, and digit recognition is considered one of the pattern recognition categories. due to the similarities between some digits in each language, especially in persian, different algorithms have been developed to recognize the handwriting digits with the least error and in the shortest time complexity. one of the most commonly used methods in data classification is the neural network algorithm. while neural networks have been used in the literature for handwriting digits recognition, the combination of clustering approaches and neural network classifiers has not been considered for this problem. accordingly, this paper proposes an algorithm based on the combination of clustering approaches and neural network classifiers to recognize the persian handwritten digits accurately. this algorithm performs pattern training and recognition based on probabilistic neural networks (pnn) and multilayer perceptron (mlp) neural networks. in this regard, after extracting the characteristic loci feature and zoning from each image in the training database, the data of each of the ten classes has been clustered using linkage, partition around medoids (pam), and fuzzy c-means (fcm) methods based on the extracted features. then, the new ten classes resulting from the clustering algorithm are taught by one of the two classifiers, including mlp and pnn. in order to determine the optimal number of clusters in each class, the tabu search optimization algorithm, one of the most accurate meta-heuristic optimization algorithms, is used. the performance of the proposed algorithms is evaluated and compared with existing algorithms based on the hoda dataset. based on the results, the proposed algorithm accurately recognizes the persian handwritten digits. in addition, the proposed method performs more accurately and much faster than most competing algorithms.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|