سال انتشار: ۱۳۹۰

محل انتشار: نوزدهمین کنفرانس مهندسی برق ایران

تعداد صفحات: ۶

نویسنده(ها):

زهره حکیمی – دانشکده برق، رایانه و فناوری اطلاعات- دانشگاه آزاد اسلامی واحد قزوین
محمدرضا دلیری – دانشکده مهندسی برق- دانشگاه علم و صنعت ایران

چکیده:

در این نوشتار بر مبنای ویژگیهای حاصل از گرادیان و کلاسبندی توسط ماشین بردار پشتیبان، روشی برای تشخیص اعداددستنویس به نحوی که قید لاتین و عربی وجود نداشته باشد مطرح شده است. مجموعه دادههای استفاده شده برای آموزش و تست اعداد لاتین و عربی به ترتیبADBase و MNISTهستند، که هر یک شامل مجموعهای از ۶۰۰۰۰ نمونه برای آموزش و ۱۰۰۰۰ نمونه برای تست میباشند. از هر تصویر، برداری شامل ۱۰۰ عنصر که در برگیرندهی ویژگیهای گرادیان تصویر است استخراج شده و توسط شبکه عصبی و ماشین بردار پشتیبان، کلاسبندی به ۲۰ کلاس هدف برای مجموعهی آموزش و تست صورت گرفته است. با کلاسبندی توسط شبکه عصبی، نرخ تشخیص بطور متوسط ۹۰/۵%و با استفاده از ماشین بردار پشتیبان، پس از بهینهسازی پارامترها، به میزان ۹۵/۳۶%حاصل شد که با بررسی نتایج حاصل و روش ارائهشده، این نرخ تشخیص تا ۹۷/۳۵%بهبود مییابد.