انتخاب ویژگی های مؤثر در بازشناسی ارقام دستنویس فارسی با الگوریتم تکاملی ژنتیک

ساناز یاسایی; احمد حاتم

انتخاب ویژگی های مؤثر در بازشناسی ارقام دستنویس فارسی با الگوریتم تکاملی ژنتیک

محل انتشار: اولین کنفرانس بین المللی دستاوردهای نوین پژوهشی در مهندسی برق و کامپیوتر

سال انتشار: 1395

نوع سند: مقاله کنفرانسی

زبان: فارسی

مشاهده: 810

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

دریافت فایل کامل مقاله

صدور گواهی نمایه سازی
من نویسنده این مقاله هستم

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

https://civilica.com/doc/496656

شناسه ملی سند علمی:

CBCONF01_0200

تاریخ نمایه سازی: 16 شهریور 1395

چکیده مقاله:

انتخاب الگوی طبقه بندی مناسب و روش مورد استفاده برای استخراج ویژگی از عوامل اصلی برای قضاوت در مورد دقت وقابلیت تشخیص سیستم های نوری میباشد. تمرکز اصلی این مقاله بر روی انتخاب ویژگی های مؤثر در بازشناسی ارقامدست نویس فارسی با استفاده از الگوریتم تکاملی ژنتیک می باشد. ویژگی ها از طریق گرادیان در هشت جهت از هر تصویراستخراج می شود. برای طبقه بندی ارقام دست نویس از شبکه عصبی پرسپترون چند لایه استفاده شده است. استفاده ازبرخی عملیات پیش پردازش مانند نازک سازی، حذف نویزهای پس زمینه و پیش زمینه ، استاندارد سازی کردن اندازهتصویر قبل از استخراج ویژگی می تواند در نتایج خروجی مفید واقع شود. نتیجه بدست آمده با استفاده از این روش بر رویپایگاه دادهی هدا برابر 98.85 درصد بوده است.

کلیدواژه ها:

استخراج ویژگی ، سیستم های نوری ، بازشناسی ارقام دست نویس ، الگوریتم ژنتیک ، گرادیان ، شبکه عصبی پرسپترون چند لایه

نویسندگان

ساناز یاسایی

دانشجوی کارشناسی ارشد هوش مصنوعی، دانشگاه هرمزگان

احمد حاتم

استادیار گروه مهندسی برق و کامپیوتر دانشگاه هرمزگان

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 :

Alaei A., Nagabhushan P., Pal U., "Fine Classification of Unconstrained ...
زیارت بان، م، فائز، ک.، مظفری، س، ازوجی، م، "ارائه ...
رضوی، س. م.، کبیر، ا.، "بازشناسی برخط حروف مجزای فارسی ...
نحوی، م.، کیانی، ک، ابراهیم پور، ر0، "بهبود روش استخراج ...
بازشناسی ارقام دست نوشته فارسی"، هیجدهمین کنفرانس مهندسی برق ایران، ...
مه آبادی امین اله , کاظمیان عبدالمجید , ترکمنی محمدعلی، ...
صدیقی ناو، محسن، سلیمانی ایوری، محسن، خسروی، حسین، کاهش ویژگی ...
I.Liu, C.L., Nakashima, K., Sako, H., Fujisawa, H., " Handwritten ...
Sadri, J., Izadi, S., Solimanpour, F., Suen, C.Y., Bui, T.D., ...
Soltanzadeh, H., Rahmati, M., "Recognition of Persian handwritten digits using ...
Sadri, j., Sueny, C. Y., Bui, T.D., "Application of Support ...
Impedovo D., Pirlo G. _ Zoning methods for handwritten character ...
El Kessab, B., Daoui , C., Bouikhalene , B., Fakir ...
Salimi, Hamid, Giveki, Davar, Farsi/Arabic handwriten digit recognition based on ...
AlKhateeb Jawad H, Alseid Marwan, DBN - Based learning for ...
Biglari, Mohsen, Mirzaei, Faezeh, Jalil Ghavidel Neycharan, Jalil, Persian/Arabc Handwritten ...
H. E. Said, T. N. Tan and K. D. Baker, ...
G.S. Peake, T.N. Tan, "Script and language identification from document ...
Y. Zhu, T.N. Tan and Y. Wang, "Font recognition based ...
Cheng L. Liu, K. Nakashima, H. Sako, H. Fujisawa, Handwritten ...
Y.S. CHOI; B. R. MOON, "Feature Selection in Genetic Fuzzy ...
S. K. Singhi; H. Liu, "Feature Subset Selection Biasfor Classification ...
Kosravi, H., Kabir, E., Introducing a very large dataset of ...
Alaei, A. Pal , U. _ using modified Contour Features ...

نمایش کامل مراجع