کاربردهای شبکه عصبی در OCR (نسخه آپدیت شده + فایل ارائه در قالب PDF )

          س 
            بازدید : 353
          دوشنبه 14 دی 1394
           نظرات (0)
        

کاربردهای شبکه عصبی در OCR (نسخه آپدیت شده + فایل ارائه در قالب PDF )

سیستم همکاری در فروش فایلینا fileina دانلود مقاله کارشناسی ارشد هوش مصنوعی با عنوان کاربردهای شبکه عصبی در OCR

سیستم همکاری در فروش فایلینا
fileina
دانلود مقالات کارشناسی ارشد هوش مصنوعی
خرید مقالات،پایان نامه ها و پروژه های پایانی کارشناسی ارشد هوش مصنوعی
مقالات کارشناسی ارشد هوش مصنوعی
مقالات ارشد هوش مصنوعی
کاربردهای شبکه عصبی در OCR
دانلود مقاله کارشناسی ارشد هوش مصنوعی با عنوان کاربردهای شبکه عصبی در OCR

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	599 کیلو بایت
تعداد صفحات فایل	15

کاربردهای شبکه عصبی در OCR (نسخه آپدیت شده + فایل ارائه در قالب PDF )

چكیده

این گزارش به بررسی كاربردهای شبكه های عصبی مصنوعی در بازشناسی شناسه های دستنویس اختصاص دارد. این كاربردها را میتوان به سه دسته تقسیم كرد: كاربرد در پیش پردازش، كاربرد در بخش بندی و كاربرد در دسته بندی. بعضی از كاربردهای پیش پردازشی مربوط به یادگیری فیلترهای مناسب برای بهبود تصویر، تعیین زاویه چرخش شناسه یا سند حاوی شناسه ها برای اصلاح آن و خوشه بندی پیكسل های مربوط به شناسه، برای باریك سازی آن است. در بخش بندی، از شبكه عصبی برای تعیین تعداد شناسه های موجود در تصویر ورودی و جداسازی آنها از هم استفاده می شود. در مهم ترین كاربرد یعنی دسته بندی، از شبكة عصبی برای تعیین دستة مربوط به الگوها استفاده می شود. علاوه بر استفاده از شبكه های عصبی جهت دسته بندی به صورت منفرد، از آنها به صورت تركیبی نیز استفاده می شود. بعضی روش ها، شبكة عصبی را برای تركیب خروجی بدست آمده از دسته بندهای منفرد به كار گرفته اند.

واژه های كلیدی:

پیش پردازش

Optical Character Recognition

OCR

شبکه عصبی

رمزگذاری ورودی

مقدمه

یکی از مسائل مهم در حوزة شناسایی الگو، بازشناسی شناسه‎های دست‎نویس است که تا کنون تحقیقات وسیعی روی آن به انجام رسیده و هنوز از بعضی جهات به عنوان یکی از مسائل باز مطرح است. توسعه روش‎های کارآمد جهت بازشناسی شناسه‎های دست‎نویس می‎تواند در شناسایی خودکار حروف و اعداد درج شده در فرم‎ها، مبالغ چک‎ها و بسیاری کاربردهای دیگر راهگشا باشد. بزرگ‎ترین چالش در این حوزه، تنوع شیوه‎های رسم شناسه‎ها است.

یکی از اولین مسائلی که شبکه‎های عصبی به عنوان گزینه‎ای برای حل آن مطرح شد، بازشناسی شناسه‎ها بود. امروزه، شبکه‎های عصبی مصنوعی به صورت گسترده در بازشناسی و تحلیل اسناد به کار می‎رود. بیشتر این تلاش‎ها به بازشناسی شناسه‎های مجزای دست‎نویس و چاپی اختصاص داشته، که اغلب با موفقیت همراه بوده است. تنوع شبکه‎های عصبی مورد استفاده در این حوزه قابل توجه است. از آن جمله می‎توان به پرسپترون چند لایه (MLP)، ماشین بردار پشتیبان (SVM)، شبکه‎های خود سازمانده (SOM)، شبکه‎های انجمنی و انواع دیگر اشاره کرد.

این گزارش، به بررسی کاربرد‎های شبکه‎های عصبی در مراحل مختلف سیستم‎ها بازشناسی شناسه‎های دست‎نویس اختصاص دارد. پس از مقدمه و در بخش دوم، به کاربرد‎های شبکه‎های عصبی در پیش‎پردازش تصاویر ورودی پرداخته می‎شود. در بخش سوم، موارد استفاده از شبکه‎های عصبی در بخش‎بندی مورد بررسی قرار می‎گیرد. در بخش چهارم، کاربردهای شبکة عصبی در دسته‎بندی مورد توجه قرار می‎گیرد. در بخش پنجم نیز، جمع‎بندی و پیشنهادات ارائه شده است.

فهرست

چكیده1

واژه های كلیدی1

مقدمه1

2- پیش‎پردازش2

2-1- بهبود تصویر2

شکل 1-1) بهبود تصویر با استفاده از شبکة عصبی3

2-2- اصلاح چرخش4

2-3- باریک‎سازی4

3- بخش بندی4

4- دسته‎بندی6

4-1- بازنمایی الگو و رمزگذاری7

4-3- رمزگذاری ویژگی‎های ساختاری9

4-4- ساختارهای ترکیبی10

5- جمع‎بندی و پیشنهادها12

مراجع14

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

          س 
            بازدید : 88
          دوشنبه 14 دی 1394
           نظرات (0)
        

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

سیستم همکاری در فروش فایلینا fileina تشخیص کاراکتر با استفاده از شبکه عصبی LVQ شبکه عصبی LVQ

دانلود مقالات کارشناسی ارشد هوش مصنوعی
خرید مقالات،پایان نامه ها و پروژه های پایانی کارشناسی ارشد هوش مصنوعی
مقالات کارشناسی ارشد هوش مصنوعی
سیستم همکاری در فروش فایلینا
fileina
تشخیص کاراکتر با استفاده از شبکه عصبی LVQ
شبکه عصبی LVQ

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	375 کیلو بایت
تعداد صفحات فایل	13

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

چکیده

شبکه عصبی LVQ

Learning Vector Quantization یا LVQ یک روش کلاس بندی الگو است که هر کدام از خروجی ها نمایش دهنده یک کلاس می باشند و هر کدام توسط بردار وزن آن کلاس مشخص می شود . بردار وزن هر کدام از کلاسها توسط یکی مجموعه های آموزشی مقدار دهی اولیه شده و سپس توسط الگوریتم های یادگیری (با نظارت) بهینه می شود. بعد از یادگیری ، شبکه LVQ ورودی را به کلاسی که برداری با نزدیک ترین فاصله به آن باشد ، نسبت می دهد .

شبیه سازی فعالیت های انسان توسط ماشین ها یکی از زمینه های تحقیقاتی از زمان اختراع کامپیوترهای دیجیتال بوده است . در برخی زمینه ها که نوع خاصی از هوشمندی را نیاز داشته ؛ مانند بازی شطرنج ؛ پیشرفت های خوبی صورت گرفته است اما در مسائلی مانند بینایی ماشین حتی قدرتمندترین کامپیوترها نیز به راحتی از انسان شکست می خورند . شبیه سازی خواندن انسان نیز یکی از بخشهای جذابی است که طی سه دهه گذشته موضوع تحقیقات بسیاری از دانشمندان بوده و هنوز تا تکامل آن راه بسیاری در پیش است .

کلمات کلیدی:

شبکه عصبی

تشخیص کاراکتر

شبکه عصبی LVQ

Learning Vector Quantization

ساختار شبکه های LVQ

مقدمه:

شبیه سازی خواندن و تشخیص متن توسط ماشین به 2 گروه کلی تقسیم می شود

1. جمع آوری اطلاعات برای تشخیص :

الف. Offline :

شامل تصاویری است که از نوشته ها تهیه می شود . مانند عکس توسط دوربین دیجیتالی ، اسکن نامه ها و صفحه های کتاب و از این دست تصاویر .

ب. Online :

در این مدل تشخیص متن ، همزمان با نوشتن آن ، متن ِ نوشته شده تشخیص داده شده و تبدیل به کاراکترهای آن می شود . مانند تشخیص دست خط در handled ها و یا در TabletPC ها .

2. نوع متن

الف. دست نویس

ب. متن تایپ شده که توسط ماشین چاپ شده است ، مانند کتابها ، مجلات و ...

عملیات تشخیص متن عموما ً شامل مراحل زیر است :

1. پیش پردازش : شامل روش های مختلف پردازش تصویر است که تصویری بدون نویز و مناسب برای قطعه بندی را آماده می کند .

2. قطعه بندی : مهمترین و مشکلترین کاری که برای تشخیص متن باید انجام شود قطعه بندی تصویر به قطعاتی است که توسط قسمت تشخیص متن باید به کاراکتر یا کلمه تفسیر شود . قطعه بندی اشتباه تصویر منجر به تفسیری اشتباه از کاراکتر نقاشی شده در آن می شود . انواع قطعه بندی به شرح زیر است :

الف. External Segmentation : هدف در این نوع قطعه بندی جدا کردن اجزای کلی متن مانند پاراگراف و سطرها می باشد . امکان برچسب زنی بر روی اجزای صفحه ، مانند عنوان یا چکیده نیز در این نوع قطعه بندی می تواند وجود داشته باشد .

ب. Internal Segmentation : برای جدا کردن کاراکترها از یکدیگر استفاده می شود .

یک. Implicit segmentation : تشخیص کاراکترها با توجه به معانی که از قطعات جدا شده قابل تفسیر است صورت می گیرد .

دو. Explicit Segmentation : جدا کردن کاراکترها با توجه مشخصه هایی که برای آنها قابل تصور است . مثلا ً horizontal projection که از روی قله ها یا دره ها در هیستوگرام افقی یا عمودی سطر، کلمه یا حرف را پیدا می کند .

3. آموزش و تشخیص کاراکترها : بعد از قطعه بندی ، تصویر قطعه قطعه شده می بایست توسط الگوریتمی به متن تفسیر شود . روشهای مختلفی برای این کار وجود دارد که هر کدام از آنها را می توان با دو دیدگاه اجرایی کرد. در دیدگاه اول قطعات تصویر حاوی "کلمه" های متن اصلی هستند و الگوریتم باید کلمه ها را تشخیص دهد . در این دیدگاه دایره لغات کم خواهد بود ولی مشکل قطعه قطعه کردن تصویر کمتر است . برای تفسیر دست خط با توجه به تعدد روش نوشتن یک کلمه ، نرخ تفسیر کمتری از متن تایپی دارد . روش دوم روشهای analytic است که از پایین به بالا عمل کرده و سعی می کند کاراکترها را شناسایی کرده و با ترکیب آنها لغت ها را بسازد . در عمل از ترکیب روشهای زیر استفاده می شود :

الف. Template Matching : تعدادی template از کاراکترها یا کلمات از قبل حاضر شده است . عکسهای قطعه قطعه شده با این template ها مقایسه می شود و با توجه به شباهت برنده انتخاب می شود .

ب. روشهای آماری : با استفاده از برخی مشخصه های آماری و توابع تصمیم گیری آماری کار تشخیص نوع هر کدام از تصاویر قطعه قطعه شده را انجام می دهد . روشهای non-paramteric ، parametric ، cluster analysis و hidden markov modeling از انواع این روش است .

پ. روشهای ساختاری : با توجه به تعدادی الگوی پایه که از قبل تعریف شده است و میزان استفاده هر کدام از تصاویر از این الگوهای پایه عملیات تشخیص انجام می شود . Grammatical methods و graphical methods از انواع این روشها می باشد .

ت. شبکه های عصبی : با توجه به خاصیت شبکه های عصبی که قابلیت تطبیق پذیری با اطلاعات جدید و مختلف را در حد بالایی دارند ، از آنها برای تشخیص استفاده می شود .

4. پس پردازش : بعد از بدست آوردن متن از تصویر می توان آنها را با توجه به اطلاعاتی که درباره آن عکس داریم تصحیح کرد. مثلا ً با توجه به موضوع متن ، لغت هایی که احتمالا ً اشتباهی جزو متن تشخیص داده شده را حذف یا تصحیح کرد . استفاده از لغت نامه نیز یکی از ابزارهایی است که در این مرحله قابل استفاده می باشد .

در ادامه خلاصه ای از تئوری شبکه عصبی LVQ و مباحث مربوطه به قطعه بندی شامل بهبود تصویر و روش projection افقی و عمودی شرح داده شده است . پس از آن روش پیاده سازی و نمونه اجرایی در حالت تک کاراکتر و تصویر اسکن شده آمده است .

فهرست

مقدمه1

شبیه سازی خواندن و تشخیص متن توسط ماشین به 2 گروه کلی تقسیم می شود1

1. جمع آوری اطلاعات برای تشخیص :1

الف. Offline :1

ب. Online :1

2. نوع متن2

الف. دست نویس2

ب. متن تایپ شده که توسط ماشین چاپ شده است ، مانند کتابها ، مجلات و ...2

عملیات تشخیص متن عموما ً شامل مراحل زیر است :2

شبکه عصبی LVQ3

ساختار شبکه های LVQمانند شکل زیر است :3

در الگوریتم یادگیری LVQ از عبارتهای زیر استفاده شده است :4

بهبود تصاویر5

Adaptive Median Filter5

Spatial Smoothing6

Thresholding6

Projection افقی و عمودی6

حذف نقاط تنها7

پیاده سازی و اجرا8

آزمایش یک کاراکتر9

آزمایش تصویر اسکن شده9

منابع13

رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی

          س 
            بازدید : 91
          یکشنبه 13 دی 1394
           نظرات (0)
        

رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی

مقاله فوق لیسانس هوش مصنوعی با عنوان رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی fileina سیستم همکاری در فروش فایلینا

دانلود پایان نامه کارشناسی ارشد هوش مصنوعی
خرید مقالات،پایان نامه ها و پروژه های پایانی کارشناسی ارشد هوش مصنوعی
مقالات کارشناسی ارشد هوش مصنوعی
مقالات ارشد هوش مصنوعی
مقاله فوق لیسانس هوش مصنوعی با عنوان رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی
رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی
fileina
سیستم

دسته بندی	هوش مصنوعی
فرمت فایل	doc
حجم فایل	1782 کیلو بایت
تعداد صفحات فایل	20

رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی + 20 اسلاید انگلیسی + داده های همراه

چکیده:

در مکتوبی که پیش رو دارید، روشی برای طبقه بندی کالاهای موجود در فروشگاه های اینترنتی معرفی میگردد. این طبقه بندی بر اساس سلیقه مشتری و همچنین اطلاعات گرفته شده از دیگر موتور جستجوها پیرامون کالای مورد نظر بنا شده است. سلایق مشتری که به صورت زبانی درباره ی کالاها بیان شده (Linguistically defind) ، یا همان خواص محصول، مستقیما از مشتری دریافت می گردد. از طرف دیگر موتورهای جستجو اطلاعاتی پیرامون کالا و بر اساس نظر دیگر مشتریان جمع آوری می کنند. مجموع سلایق مشتری و اطلاعات موتور جستجوها به عنوان مقیاسی جهت آماده سازی اطلاعات جدید و رتبه بندی کالاها مطابق نیاز مشتری استفاده می شود. میانگین وزن دار شده (Weighted average) محصولات، که از اطلاعات پیشین و سلایق عنوان شده توسط مشتری بدست می آید به ما کمک می کند تا محصولات را در فروشگاه اینترنتی رتبه بندی کنیم.

کلمات کلیدی:

سیستم های فازی

رده بندی کالا

رهیافت فازی

رتبه بندی

کمیت سنج زبانی

مقدمه:

در هر دو نوع فروشگاه کلاسیک و آنلاین، یک مشتری مشخصات مورد نظر خود را هنگام خرید کالا مطرح می کند. همزمان مایل است بداند نظر دیگر مشتریان در ارتباط با کالایی که وی قصد خرید ان را دارد چیست.

با این پروسه مشتری خواهد فهمید که انتخابش چه قدر با بهترین کالا فاصله دارد. (فاصله صفر وقتی مشتری بهترین انتخاب را دارد). مشتری انتظار دارد این رده بندی و پیشنهادات از طرف خود سیستم بازار الکترونیکی به وی داده شود. در این راه گرفتن اطلاعات، جهت دادن پیشنهاد، کار نسبتا دشواری است.

این دشواری چند برابر می شود وقتی مشتری خواسته ها و سلایق خود را به صورت فازی بیان می کند. سیستم فروش الکترونیک نیاز دارد که در جهت هرچه مشتری مدارتر شدن، این اصطلاحات فازی را نمایش داده و ترکیب کند. یک مشکل دیگر در فروش الکترونیک بیرون کشیدن وزن های پنهان شده درون هر یک از خصوصیاتی است که مشتری بر اساس این وزن های ذهنی، قضاوت و رده بندی نهایی را می طلبد. اعلام این وزن های پنهان، فروش الکترونیکی را هر چه بیشتر بر روی خواست مشتری متمرکز می کند. اما بسیار دشوار است که این وزن ها در فروشگاه های الکترونیکی دریافت و تعریف شوند، زیرا درگیر کردن مشتری با جزئیات از جذابیت خرید خواهد کاست. مطلب بعدی به میزان محبوبیت کالای انتخاب شده بر می گردد. نهایتا سیستم نیاز دراد تمام موارد فوق را با هم ترکیب کرده و رده بندی نهایی را به مشتری اعلام کند.

در این گزارش ما با مشکل اول از طریق نمایش خواص کالا که توسط مشتری بیان می شود، به صورت مجموعه های فازی، روبرو می شویم. مسئله دوم با مفاهیم اپراتور OWA (Ordered Weighted Average) و کمیت سنج زبانی مدیریت می شود. اطلاعات سایر مشتریان از طریق اینترنت و با استفاده از موتورهای جستجو انجام می شود، و نهایتا از ترکیب تمام اطلاعات فوق جهت ارائه یک رده بندی مناسب و دادن اطلاعات جدید جانبی راجع به کالای مورد نظر استفاده خواهد شد.

در بخش 1، مروری بر کارهای انجام شده در این زمینه خواهیم داشت. در بخش 2، به شرح فواید مجموعه های فازی در نمایش یک کالا و کمیت سنج زبانی (Linguistic quantifier)، همراه با توضیح مختصری در ارتباط با اپراتور OWA می پردازیم. در بخش 3، ما به چگونگی رتبه بندی بر اساس اطلاعات گرفته شده از مشتری و همچنین موتورهای جستجو خواهیم پرداخت. در بخش 4، یک مثال عددی را در ارتباط با پروسه فوق از نظر می گذرانیم. مثالی که بررسی خواهد شد مربوط به کاری است که در مقاله مرجع بر روی داده ها انجام شده است. در بخش 5، پیاده سازی روش های رتبه بندی عنوان شده را بر روی داده های گرفته شده از پایگاه اینترنتی UCI، با تغییراتی که جزئیات آن شرح داده خواهد شد، انجام داده و نتایج حاصله را مورد بحث و بررسی قرار می دهیم.

فهرست

چکیده:3

مقدمه:3

1_ مروری بر کارهای قبلی:4

2_ سفارشی کردن کالا:6

2_1_ مفاهیم فازی در ویژگی های محصول:6

2_2_ کمیت سنج زبانی (Linguistic Quantifier):8

2_3_ اپراتور OWA:9

3_ رتبه بندی محصولات:9

3_1_ رده بندی از دیدگاه ویژگی های مورد نظر مشتری:10

3_1_ رده بندی از دیدگاه موتورهای جستجو:11

4_ رتبه بندی نهایی محصولات:12

5_ مثال عددی:13

5_1_ رتبه بندی ماشین ها از دیدگاه مشتری:14

5_2_ رتبه بندی ماشین ها از دیدگاه مشتری:14

6_ پیاده سازی روش:16

6_1_ داده ها:17

6_2_ مسئله و حل آن:18

6_3_ بحث و نتیجه گیری:19

مراجع:20

دانلود

دانلود محصولات علمی

کاربردهای شبکه عصبی در OCR (نسخه آپدیت شده + فایل ارائه در قالب PDF )

کاربردهای شبکه عصبی در OCR (نسخه آپدیت شده + فایل ارائه در قالب PDF )

پیش پردازش

Optical Character Recognition

OCR

شبکه عصبی

رمزگذاری ورودی

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

تشخیص کاراکتر با استفاده از شبکه عصبی LVQ

شبکه عصبی LVQ

شبکه عصبی

تشخیص کاراکتر

شبکه عصبی LVQ

Learning Vector Quantization

ساختار شبکه های LVQ

عملیات تشخیص متن عموما ً شامل مراحل زیر است :

رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی

رده بندی کالاها در فروشگاه های الکترونیکی _ یک رهیافت فازی + 20 اسلاید انگلیسی + داده های همراه

سیستم های فازی

رده بندی کالا

رهیافت فازی

رتبه بندی

کمیت سنج زبانی