Реферат: On-line распознавание рукописных символов

Пушников А. А., ПС-569

Тезисы доклада нанаучно-практическую конференцию «Современные методы и средства автоматическогоуправления техническими объектами»

On-lineраспознавание рукописных символов

 

В настоящее время, всвязи с развитием миниатюрных компьютеров, таких как PDA, TabletPC, стоит проблема безклавиатурного ввода данных. Одним из альтернативных средствввода является сенсорная панель. Был исследован способ метод распознаваниярукописных символов с помощью искусственной нейронной сети.

Задача on-line распознавания состоит из трех основных этапов:

1.        На этапепредварительной обработки данных выбираем основные признаки и преобразуем их вудобную для классификации форму, например вектор в каком-либо пространстве. Взадаче on-line распознавания известен путь пера, в виде последовательноститочек. Для упрощения классификатора, уменьшаем количество точек до некоторого фиксированногочисла n. Такая выборка делает расстояниямежду точками практически одинаковыми, что позволяет не учитывать прираспознавании размер символа. Для инвариантности символа относительно егоположения на изображении, преобразуем входную последовательность в векторсинусов и косинусов углов между осями координат и прямой, соединяющей двесоседние точки. В результате получаем вектор размерностью 2*(n -1).

2.        На этапе классификацииразделяем пространство входных векторов на отдельные области, в качествеклассификатора используем нейронная сеть. Была исследована двухслойнаянейронная сеть обратного распространения с логарифмической сигмоидной функциейактивации нейронов. Число входов – 2*(n -1), число выходов равно числусимволов. Такая нейронная сеть позволит получить на выходе оценку совпадения исследуемогообраза с исходными.

При исследованиивыбиралось: n=10, количество входных нейронов –18, количество исследуемых символов – 4, количество выходных нейронов – 4.Схема нейронной сети представлена на рис. 1. График тренировки нейронной сетипредставлен на рис. 2. Изображения обучающих символов представлены на рис. 3.Изображение тестового символа представлено на рис. 4. В таблице 1 представленывыходы нейронной сети.

/>

Рисунок 1 — Схеманейронной сети

Число эпох обучения

 

Ошибка обучения

  />

Рисунок 2 — Графиктренировки нейронной сети

/>

Рисунок 3 — Изображенияобучающих символов. Линией обозначены выбранные точки, окружностями — введенные

/>

Рисунок 4 — Изображениетестового символа. Линией обозначены выбранные точки, окружностями – введенные

Таблица 1. Выходнейронной 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 принятиярешения делаем вывод, на какой из обучающих символов более похож тестовый символ.Для этого выбираем символов, которому соответствует наибольшее значение выходанейронной сети. Если же максимальное значение не превысит некоторое пороговоезначение или несколько выходов будут иметь близкие значения, то делаем вывод,что введен неизвестный символ.

Исследованная модельуверенно распознает рукописные символы и позволяет сделать вывод о том являетсяли исследуемый символ одним из известных ранее.