关键字 |
OCR, MCR,安,字符识别中,反向传播算法等 |
介绍 |
字符识别是一个过程,将一个象征意义与对象(字母、符号和数字)画在一个图像。字符识别可以联机或脱机。在字符识别实时上下文信息而行脱机字符识别系统在非实时运营。这两个系统面临性能挑战由于许多的可变性来源。噪声可能是已知变异的主要来源,可以随机变化模式或特征从而使其解释困难。 |
光学字符识别(OCR)和磁字符识别(MCR)方法最广泛用于识别的字符或模式。OCR使用光学手段获取字符通常使用相机或光学扫描仪。这里的字符像素图像和它的形式可以是手写或印刷任何大小、形状或方向。另一方面在MCR与磁性墨水字符印刷和阅读设备识别字符的基础上独特的磁场所创建的每个字符。MCR和OCR找到在银行和各种工业应用中使用。 |
安字符识别方法现在越来越重要,因为安的高度并行体系结构和容错。赵出版社。[1]提出了一种SMT(表面安装技术)产品使用反向传播神经网络的字符识别。刘出版社。[2]提出了退化字符识别系统通过两个阶段的过程,一个用于图像质量评价和其他字符识别。本文描述了基于ANN的方法设计字符识别系统噪声的存在。获得不同的英文字母和在收购他们由于各种原因被扭曲。一个图形用户界面(GUI)的字符识别系统也是在MATLAB设计。 |
剩下的纸是组织如下:第二节介绍简要介绍神经网络。反向传播神经网络架构是在第三节描述。第四部分介绍了设计步骤设计采用的字符识别系统。实验结果显示在第五部分是第六章最后的结论。 |
神经网络 |
神经网络是由连接的元素称为神经元在不同的层。这些神经元在相同的方式,因为他们工作在生物方面。考虑的系统使用三层固化,形成神经网络隐层和输出如图,输入层用于所有输入数据输入网络,这是紧随其后的是一个隐藏层神经元对数据进行进一步的处理,最后输出层神经元计算所需的响应创建的神经网络。 |
上面的图1显示的是三层的神经网络输入,隐层和输出层。可以由单个神经元的输出: |
![方程](//www.cheescube.com/articles-images/IJAREEIE-116-e001.gif) |
输入值而W1 W2和W3这一层的权重。 |
一些函数用于神经网络如下:- |
在多层神经网络,Log-sigmoid传递函数称为Logsig经常使用。[9] |
图3显示logsig函数给出了输出在0和1之间时神经元的净输入从负到正无穷,如上面图所示。谭乙状结肠传递函数Tansig也可以用于多层网络。[9] |
上面的图4显示了Tan-sigmoid传递函数调用.Another函数的线性传递函数Purelin用于反向传播方法。[9],所示公布。 |
反向传播神经网络 |
有两个主要基础类型的网络可以分化即网络反馈,没有反馈的网络。在前面的一个,输出值反馈到输入值。有一些网络,输出可以预测的输出值计算的输入值美联储在网络没有应用反馈,所以只有向前流动的信息通过网络。这种网络结构称为前馈网络。但最重要的有很多这样的网络类型的前馈网络反向传播网络[14]。 |
反向传播法用于训练多层人工神经网络与数学基础。向前多层网络中使用的方法是基于三角洲则与梯度下降规则和监督培训学习方法。这个网络的主要目的是培养之间的网络平衡输入模式,用于训练和他们的反应与输入模式。[14] |
在反向传播方法,测量误差函数给出了均方误差“E” |
![方程](//www.cheescube.com/articles-images/IJAREEIE-116-e002.gif) |
y =输出神经元在哪里 |
X =去年隐层神经元 |
隐层神经元: |
![方程](//www.cheescube.com/articles-images/IJAREEIE-116-e003.gif) |
提出的模型 |
该模型设计步骤设计总结了基于ANN的嘈杂的字符识别系统的形式在fig.-6流程图如图所示 |
创建一个GUI在MATLAB和英文字符的形式5 x 7矩阵作为网络的输入。例如- - - |
字母A = [0 0 1 0 0… |
![方程](//www.cheescube.com/articles-images/IJAREEIE-116-e004.gif) |
神经n / w是设计3层(输入、隐藏、输出层)。在这工作2使用隐藏层和每个隐层神经元的数量是8。噪音水平设置为一个特定的值,然后n / w是训练有素的。培训是在噪声的存在,没有噪音。这里使用监督式学习的最后训练n / w是测试它是否创造了一个良好的平衡b / w记忆(精度)和泛化。 |
实验结果 |
在这项工作中,系统设计使用MATLAB神经网络识别的字符。被训练和测试创建的网络。每个字符,特性计算和存储培训网络。这里有一些表显示程序的结果。 |
答:网络参数 |
![方程](//www.cheescube.com/articles-images/IJAREEIE-116-e005.gif) |
网络设计是第一次培训在一个特定的值o噪音水平达到预期的性能目标。Figure-7shows的情节在训练阶段性能均达到目标0.2。 |
这里我们的目标是建立网络必须训练水平和提供性能信息图表的形式 |
以数字显示的性能图在训练阶段目标0.6 |
最后设计后,网络的训练和测试。 |
测试的字母“A”识别字符f igure-9所示 |
b .比例错误 |
人们已经发现,网络的性能与目标0.6比训练网络培训目标为0.2。结果表明,network1(0.2)网络效率不及2 (0.6) |
结论 |
神经网络的字符识别提供了一种有效的方法噪声的存在在这工作,识别的神经网络设计&测试英文字母在嘈杂的环境条件。MATLAB仿真结果给出了识别的英文字母“A”。仿真结果给出了不同性能目标的0.2和0.6。0.1网络设计训练的噪音水平 |
表乍一看 |
|
数据乍一看 |
![Click Here 图](//www.cheescube.com/articles-images/IJAREEIE-116-g001.gif) |
![Click Here 图](//www.cheescube.com/articles-images/IJAREEIE-116-g002.gif) |
![Click Here 图](//www.cheescube.com/articles-images/IJAREEIE-116-g003.gif) |
![Click Here 图](//www.cheescube.com/articles-images/IJAREEIE-116-g004.gif) |
![Click Here 图](//www.cheescube.com/articles-images/IJAREEIE-116-g005.gif) |
图1 |
图2 |
图3 |
图4 |
图5 |
![Click Here 图](//www.cheescube.com/articles-images/IJAREEIE-116-g006.gif) |
![Click Here 图](//www.cheescube.com/articles-images/IJAREEIE-116-g007.gif) |
![Click Here 图](//www.cheescube.com/articles-images/IJAREEIE-116-g008.gif) |
![Click Here 图](//www.cheescube.com/articles-images/IJAREEIE-116-g009.gif) |
图6 |
图7 |
图8 |
图9 |
|
引用 |
- 普拉萨德Kauleshwer DevvratC。尼噶,Ashmita Lokhotiya & DheerenUmre“字符识别Matlab的神经网络工具箱”国际科技期刊,2013年,6卷,第一。
- 特雷弗·汉德里,“光学字符识别神经网络”
- 穆罕默德Tahir Qadir穆罕默德阿西夫,“自动车牌识别系统对车辆识别使用光学CharacterRecognition”,教育技术和计算机国际会议上,2009年。
- Caudil打烊,巴特勒。C,“理解神经网络”,麻省理工学院出版社,1992年,
- 拉施德状态”——Jafri,”阿拉伯语手写字符识别Lenet使用神经网络”,阿拉伯国际信息技术学报,2009个,3号。
- Anita Pal, Dayashanker辛格“英语手写字符识别使用神经网络”,国际通信电脑科学杂志》,2010年,卷,1号2,pp.141 - 144。
- N.K.玻色,P,梁,“神经网络基本原理和算法,应用”TataMcgraw-Hill版,2005年。
- Sutha.J Ramraj。N,“基于神经网络离线泰米尔手写字符识别系统”,IEEE国际会议OnComputational情报和多媒体应用,2007年,卷。21日,13 - 15,- 446 - 450页。
- 西蒙微积分”,神经网络作为全面基础”,普伦蒂斯霍尔,2009年,第二版
- U。巴塔查里亚,博博。Chaudhri,印度“手写数字的数据库脚本和多级识别的混合数值”,IEEETransaction模式分析与机器智能,2009卷。3,第三,页444 - 457。
- M。Handmandlu,投资者米汉,H。Kumar“基于神经的手写字符识别”,IEEE会议进行DocumentAnalysis和认可,ICDAR, 1999年,班加罗尔,pp241 - 244。
- h·沃,J。好的“性格——提取场景图像中的文本区域验证”,ICDAR, 2001, pp.957 - 962。
|