ارایه یک روش مبتنی بر شبکه عصبی برای تشخیص و بازشناسی اعداد فارسی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 574

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

FROMIHE01_047

تاریخ نمایه سازی: 19 خرداد 1396

چکیده مقاله:

از نظریه ی مجموعه ی فازی به عنوان یک رویکرد تحمل پذیر در برابر عدم قطعیت و ابهام استفاده می شود و از شبکه عصبی مصنوعی به عنوان یک روش ماشین یادگیری استفاده می گردد در این مقاله، ما پیشنهاد یک ویژگی استنتاج عصبی- فازی را براساس استخراج اعداد فازی ارایه کرده ایم. رویکرد ماهیت جامع از طریق مقایسه ویژگی های ماهیت ناشناخته با ویژگی های ماهیت موجود از طریق استخراج استدلال قوانین فازی مشخص شد که تا حد زیادی با یک پرسپترون چند لایه یادگیری شبکه های عصبی بر روی ویژگی های بهبود یافته ویژگی فونت های مختلف که منجر به شناخت جامع تر اعداد فارسی در سیستم می شود، ارایه شده است. با انجام این استخراج جدید برروی مجموعه داده از ماهیت های اعداد ناشناخته که شامل 33فونت مختلف فارسی می شود، نتایج دقیق تری از تحقیقات مربوط به دست می دهد. میزان شناخت ماهیت اعداد ناشناخته بیشتر از 97 %به استثنای 4ماهیت فارسی می باشد، بنابراین به عنوان طرح پیشنهادی، نمی توان یک نتایج بهتر از 95 %را برای به رسمیت شناختن ماهیت اعدادی که هنوز هم نیاز به افزایش نتیجه ی بهتر از 95 %دارند ارایه کرد.

کلیدواژه ها:

ماهیت شناسی- قوانین فازی- شبکه های عصبی پرسپترون چند لایه ای- اعداد فارسی- استدلال فازی عصبی ، استخراج ویژگی

نویسندگان

طاهر محمدیان

دانشجوی کارشناسی ارشد مهندسی کامپیوتر موسسه غیرانتفاعی میرداماد گرگان

مجتبی سلیمانی

دکتری مهندسی مخابرات دانشگاه صنعتی نوشیروانی بابل ، عضو هیات علمی موسسه غیرانتفاعی میرداماد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • L. Rokach, _ FEns emble-based classifiers, " Artif Intellient Rev, ...
  • H. Aljuaid, Z. Muhammad and et al, "A Tool to ...
  • N. Ahmad, T. Natarjan, and K, Roa, "Discrete Cosine Transform, ...
  • AI-Alawi, R. (2004). A hybrid n-tuple neuro-fuzzy classifier for handwriten ...
  • Al-Muhtaseb, H. A., Mabmoud, S. A., & Qahwaji, R. S. ...
  • Al-Omari, F. A, & Al-Jarrah, O. (2004). ...
  • Amin, A. (2000). Recognition of printed Arabic text based on ...
  • Amor, N. B., & Amara, N. E. B. (2005). Multifont ...
  • Patil, P. M., & Sontakke, T. R. (2007). Rotation, scale ...
  • Ping, Z., & Lihui, C. (2002). A novel featue extraction ...
  • Solimanpour, F., Sadri, J., & Suen, C. Y. (2006). Standard ...
  • Srihari, S. N., Hong, T., & Srikantan, G. (1997). M ...
  • Su, T.-H., Zhang, T.-W., Guan, D.-J., & Huang, H.-J. (2009). ...
  • نمایش کامل مراجع