تشخیص ارقام دست نویس فارسی با استفاده از ادغام طبقه بندها با استفاده از تصمیم گیری چند معیاره فازی

Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 535

This Paper With 9 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

AEBSCONF02_216

تاریخ نمایه سازی: 16 خرداد 1394

Abstract:

در این مقاله قصد ارائه الگوریتمی بر اساس ترکیب کلاسیفایرها برای بهبود دقت شناسایی ارقام دست نویس فارسی را داریم. این ترکیب بر اساسترکیب فازی طبقه بند ها می باشد که علاوه بر افزایش دقت در برخورد با عدم قطعیت باعث افزایش قدرت طبقه بند شده است.در این مقاله برای استخراج ویژگی از روش هیستوگرام جهتدار گرادیان استفاده شده است و برای ترکیب شبکه های عصبی از روش میانگین گیری استفاده شده است که در عین ساده بودن از کارایی بالایی بخوردار است. در این مقاله از روش ادغام طبقه بندها با استفاده از تصمیم گیری چند معیاره فازی استفاده شده است. دراین روش مبادله بین معیارها مجاز می باشد. هدف از مکانیزم های تصمیم گیری، انتخاب بهترین گزینه از میان گزینه های ممکن می باشد بطوریکه گزینه انتخاب شده دارای بیشترین درجه ارضای معیارها باشد. آزمایش ها روی مجموعه ارقام دست نویس فارسی "هدی" انجام شده است که دارای 60 هزار نمونه آموزش و 20 هزار نمونه برای تست می باشد. نرخ بازشناسی برای الگوریتم پیشنهادی به 99.23 %رسیده است.

Authors

رضا پاژنگ

کارشناسی ارشد کنترل

علی علیخانی

استادیار دانشگاه

امیربهادر بیات

کارشناسی ارشد الکترونیک

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • L, Malik2008. A Survey of Methods and Strategies for Feature ...
  • Parvez, Mohammad Tanvir, and Sabri A. Mahmoud, 2013.Offline arabic handwritten ...
  • Jayadevan, R., et al, 2012 .Automatic processing of handwritte bank ...
  • Foroozandeh, Atefeh, et al. 2012 .A NOVEL AND PRACTICAL SYSTEM ...
  • Kamranian, Zahra, S. Amirhassan Monadjemi, and Naser Nematbakhsh, 2013.A novel ...
  • Kumar, K. Siva, and D. Uma Devi. 2012 .Handwritten ZIP ...
  • A. Falcao, 2010 .Shape feature extraction and description based on ...
  • S. Chau. 2007.An Efficient Shape Representation And Description Technique .Wilfrid ...
  • F. B.-A. R. . Saeed Reza Kheradpisheh. 2013 .Combining classifiers ...
  • C.-H. W. B.-H. X. L.-B. Z. Yun-Xue SHAO. 2013 .Self-generation ...
  • M. Dehghan _ 1997 .Farsi _ Character Recognition With Momet ...
  • H. Shirali- Shahreza, K. Faez and A Khotanzad, 1995 .Recognition ...
  • Alaei, Alireza, Pal, Umapada and Nagabhushan, P. 2009. Using Modiied ...
  • Ping Zhang, Bui, Tien D. and Suen, Ching Y. 2007. ...
  • H. Parvin, H. Alinej ad-Rokny, and S. Parvi. 2011. Divide ...
  • Shen-Wei Le , 2008. Effective mulip le-features extraction for off-line ...
  • Rajashe kararadhya, S.V, "Neural network based handwritten numeral recognition ofKannada ...
  • N. D. a. B. Triggs, 2005 .Histograms of oriented gradients ...
  • Chuan-Yu Chang .2006. Image Classification using a Module RBF Neural ...
  • Yi Gao, Xiaoming Fang.201 0.Research On strip surface defect classifier ...
  • Muenzing, S.E.A.2012. DIRBoost: An algorithm for boosting deformable image registration ...
  • Kavitha, C.2010. Implementation of fuzzy multi criteria decision technique to ...
  • نمایش کامل مراجع