Чернуха Сергей Николаевич

Рассмотрен алгоритм автоматизированной генерации обучающей выборки для нейронной сети с обратным распространением ошибки. Обучение и распознавание рукописного символа происходит путем генерации конечного множества вариантов написания символа. В качестве обучающей последовательности символов использовались цифры от 0 до 9. Отклонение параметров трассировки символа не превышает 15% (величины углов значимых отрезков с осями координат) от начертания эталонного рукописного символа. Показано, что нейронная сеть обучается быстрее на сгенерированной выборке, чем на выборке, заданной человеком. Алгоритм реализован на языке программирования Microsoft C#.

Рассмотрен алгоритм автоматизированной генерации обучающей выборки для нейронной сети с обратным распространением ошибки. Обучение и распознавание рукописного символа происходит путем генерации конечного множества вариантов написания символа. Отклонение параметров трассировки символа не превышает 15% (величины углов значимых отрезков с осями координат) от начертания эталонного рукописного символа. Показано, что нейронная сеть обучается быстрее на сгенерированной выборке, чем на выборке, заданной человеком. Алгоритм реализован на языке программирования Microsoft C#.

В статье исследована зависимость быстродействия on - line распознавателя почерка, построенного на основе искусственных нейронных сетей, от архитектуры этих сетей и программного решения в целом для ручного и автоматизированного методов выделения символов (букв) из связанной последовательности (слов). Для каждого метода разработана имитационная модель, которая реализована на языке GPSS. Результаты моделирования показали, что карманные персональные компьютеры (КПК), позволяют выполнить программную реализацию распознавателя почерка, способную предоставить пользователю полезную функциональность на приемлемом уровне.