СИНТЕЗ ПЕРЦЕПТРОННОЇ СТРУКТУРИ ДЛЯ ЗАДАЧІ РОЗПІЗНАВАННЯ ЕЛЕМЕНТІВ ТЕКСТУ
DOI:
https://doi.org/10.36994/2788-5518-2025-01-09-20Ключові слова:
перцептрон, імовірнісні оцінки, цифрові компоненти, нейронне навчання, логічні функціїАнотація
У статті розглядається проблема синтезу нейронної мережі на основі перцептронів кореляційного типу для задачі автоматизованого розпізнавання символів латинського алфавіту. Розроблена структура мережі орієнтована на використання вбудованих засобів програмного середовища Matlab, зокрема його спеціалізованих функцій і бібліотек машинного навчання.Як навчальні дані для формування вхідних і вихідних параметрів нейронної мережі застосовано стандартний генератор prprob, який створює бінарні растрові представлення латинських літер розміром 5×7 пікселів. Результатом є матриця вхідних даних X і цільових значень T, що формують основу для навчання мережі.Основна увага приділена синтезу двошарової нейронної мережі прямого поширення сигналу.Перший шар побудовано з 25 прихованих модифікованих перцептронів, що використовують сигмоїдні функції активації, другий шар є лінійним. Це забезпечує підвищену гнучкість порівняно з класичними перцептронами з пороговими функціями активації. Окремо розглядається питання стабілізації випадкової ініціалізації вагових коефіцієнтів для забезпечення відтворюваності результатів навчання. Навчання першої нейронної мережі виконано на еталонних зображеннях літер.Також детально описано експериментальні дослідження стійкості нейронної мережі до зашумлених вхідних даних. Навчання другої мережі проводилося з урахуванням додаткового шуму у вхідних образах. Аналіз результатів показав, що модель, навчена на зашумлених даних, демонструє менший відсоток помилок розпізнавання при різних рівнях шуму, що підтверджено графічними й числовими результатами. Подано алгоритм обчислення середньоквадратичної помилки (MSE) для оцінювання якості навчання й результати числового моделювання роботи нейромереж, навчених за різної кількості навчальних прикладів. Результати дослідження можуть бути використані для розробки адаптивних систем розпізнавання тексту, здатних працювати в умовах зовнішніх перешкод, а також як приклад побудови практичних нейронних мереж у середовищі Matlab для навчальних цілей.
Посилання
Chaudhary K., Bali R. Easter 2.0: Improving convolutional models for handwritten text recognition. Computer Vision and Pattern Recognition. 2022. 12 p.
Qiao L., Tang S., Cheng Z., Xu Y., Niu Y., Pu S., Wu F. Text Perceptron: Towards End-to-End Arbitrary-Shaped Text Spotting. Proceedings of the AAAI Conference on Artificial Intelligence. 2020. Р. 11899–11907.
Hassen Mohammed H., Malik J., Al-Madeed S., Kiranyaz S. 2D Self-Organized ONN Model For Handwritten Text Recognition. Computer Vision and Pattern Recognition. 2022. 12 p.
Coquenet D., Chatelain C., Paquet T. DAN: A Segmentation-free Document Attention Network for Handwritten Document Recognition. Computer Vision and Pattern Recognition. 2022. 13 p.
Mas-Candela E., Calvo-Zaragoza J. Exploring recursive neural networks for compact handwritten text recognition models. International Journal on Document Analysis and Recognition. 2024. № 27(3). Р. 213–223.
Матвійчук А. М. Аналіз архітектур нейронних мереж для розпізнавання рукописних цифр. Телекомунікаційні та інформаційні технології. 2023. № 4. С. 118–127. DOI: 10.31673/2412-4338.2023.041827.
Гороховатський О. В., Тесленко О. В. Розпізнавання зображень літер із використанням проекцій та багатошарового персептрону. Системи обробки інформації. 2017. Вип. 2. С. 163–167.
Jeng J.-H., Hsieh J.-G. Pathways to Machine Learning and Soft Computing. EHGBooks, 2018. 397 p.
Khan G. M. Evolution of Artificial Neural Development: In Search of Learning Genes. Springer, New York, 2018. 142 р.
McKeon R. Neural Networks for Electronics Hobbyists. Apress, 2018. 139 p.
Руденко О. Г., Бодянський Є. В. Штучні нейронні мережі Н навчальний посібник для студентів вищих навчальних закладів. Київ : СМІТ, 2006. 404 с.
Chapter 1: Using neural nets to recognize handwritten digits. Electronic resource. http://neuralnetworksanddeeplearning.com/chap1.html.
Chollet F. Deep Learning with Python. 2018. 384 p.
Коробко О. В. Комп’ютеризовані системи штучного інтелекту : методичні вказівки до лабораторних робіт. Миколаїв : НУК, 2014. 76 с.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
