سیستم بازشناسی حروف با استفاده از قا ببندی در استخراج ویژگیها و بر اساس الگوریتم یادگیری فعال و شبک ههای عصبی

در مسائل یادگیریِ واقعی ، بدست آوردن نمون هها ی برچسب دار برای آموزش بسیار پرهزینه م یباشد. در این مقاله روشی برای دسته بندی ارقام پیشنهاد شده است که در آن ابتدا یک شبکه عصبی ساده چند لایه با تعداد کمی نمونه برچسب دار ساخته م یشود، سپس با استفاده از یادگیری فعال و با بکارگیری روش نمونه برداری بر اساس عدم اطمینان و عدم مشابهت و اضافه کردن تعدادی از نمون هها یی که در مرحله تست اشتباه دسته بندی شد ه اند (نمونه ها ی منحرف )، نمونه های مفید را برای برچسب گذاری به کاربر م یدهد تا در آموزش شبکه استفاده کند . این مقاله همچنین از هوش قا ببندی برای استخراج ویژگیها استفاده م یکند. در این روش یک تصویر باینری از حرف جزء بندی شده به مقدار ثابتی از تصاویر کوچکتر که قاب نامیده م یشوند شکسته م ی شود . از هر جعبه یک نقط ه ثابت که بردار فاصله م ی باشد استخراج م یشود. این روش وابسته به قلم و اندازه حرف ورودی نیست و با یک تغییر کوچک در مرحله پیش پردازش برای هر زبانی با هر قلمی و هر اندازه ای م یتواند کارا باشد. نمون ههای استفاده شده بصورت دستی جمع آوری و پردازش شد هاند.

کلیدواژه ها:

آموزش فعال ، روش قا ببندی ، شبکه عصبی ، نمونه برداری