توجه: محتویات این صفحه به صورت خودکار پردازش شده و مقاله‌های نویسندگانی با تشابه اسمی، همگی در بخش یکسان نمایش داده می‌شوند.
۱ادغام شبکه های عصبی بر اساس یادگیری با همبستگی منفی در بازشناسی برون خط کلمات دست نویس
اطلاعات انتشار: مهندسي برق و مهندسي کامپيوتر ايران - ب مهندسي كامپيوتر، بهار, دوره  ۱۴ , شماره  ۱، سال
تعداد صفحات: ۱۰
در این تحقیق، یک روش طبقه بندی جمعی بر اساس یادگیری با همبستگی منفی برای بازشناسی کل نگر کلمات دست نویس با حجم محدود پیشنهاد می شود. در این روش مجموعه داده آموزشی پس از پیش پردازش و استخراج ویژگی به طبقه بندهای پایه پرسپترون چندلایه اعمال می شود. سپس شبکه های عصبی پایه به روش یادگیری با همبستگی منفی، آموزش داده شده و از این طریق گوناگون می شوند. هنگامی که داده های آزمایشی پس از استخراج ویژگی به طبقه بندهای پایه اعمال می شوند، هر طبقه بند پایه خروجی نسبتا متفاوتی را تولید می کند. با ادغام خروجی طبقه بندهای پایه، خروجی نهایی سیستم به دست می آید. برای آزمایش روش پیشنهادی از سه نوع ویژگی شامل ویژگی های مبتنی بر منطقه بندی، گرادیان تصویر و کد زنجیره ای کانتور استفاده شده است. در آزمایش هایی که روی 775 تصویر از نام 31 مرکز استان کشور، از مجموعه داده "ایرانشهر" انجام شده است، استفاده از ویژگی های مبتنی بر گرادیان و آموزش 6 شبکه پرسپترون با همبستگی منفی و ادغام آنها از طریق رأی گیری، میانگین نرخ بازشناسی برابر با 96.10 درصد را به دست داده است. سپس خطاهای روش پیشنهادی تحلیل و ردیابی شده است.
نمایش نتایج ۱ تا ۱ از میان ۱ نتیجه