این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۵، شماره ۱، صفحات ۵۷-۶۸
عنوان فارسی کاهش ویژگی توسط اذحام ذرات دودویی برای بازشناسی ارقام دستنویس فارسی
چکیده فارسی مقاله : بازشناسی ارقام دستنویس یکـی از مسائل مهم درحوزه شناسی الگو است. در این مقاله با ترکیب روشهای هیستوگرام گرادیان و مکان مشخصه توسعه یافته، ویژگیهای تصاویر ارقام دستنویس فارسی استخراج شده است. توسط الگوریتم بهینه سازی توده ذرات دودویی بهبود یافته جدید (INBPSO) و ارائه تابع برازندگی مناسب، ویژگیها با اهمیت بیشتر انتخاب و ارقام توسط طبقه بند ماشین بردار پشتیبان (SVM) شناسایی شده‌اند. ابتدا در مرحله آموزش پس از استخراج ویژگی بر روی داده‌های آموزش با استفاده از روش پیشنهادی، الگوی مناسبی برای انتخاب ویژگی بدست می‌آید سپس در مرحله آزمون پس از استخراج ویژگی داده‌های آزمون بردار ویژگی توسط الگوی بدست آمده کاهش داده شده و عمل طبقه بندی نهایی صورت می‌گیرد. با اعمال روش ذکر شده روی پایگاه داده تصاویر ارقام دستنویس فارسی هدی، دقت بازشناسی99.40% بدون کاهش ویژگی و دقت بازشناسی 99.28% با کاهش ویژگی بدست آمده است. مقایسه نتایج با کار محققان دیگر حاکی از آن است روش ارائه شده در استخراج ویژگی و انتخاب ویژگی از کارآیی مناسبی برخوردار است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Feature Reduction Using Binary PSO towards Recognition of Farsi Handwritten Digits
چکیده انگلیسی مقاله Recognition of handwritten digits is one of the most important problems in Optical Character Recognition (OCR) domain. In this paper a combination of two features, gradient histogram and modified characteristic Loci, are used for Persian handwritten digits. Furthermore, the most important features are selected using improved New Binary Particle Swarm Optimization algorithm (INBPSO) with an appropriate fitness function. SVM is used for classification of the digits. Having the selection pattern found in the training phase, the extracted features of the test samples are reduced using this pattern and then the final vector of the selected features are classified with the trained SVM model. The proposed method is applied on HODA database. Without reducing the features we achieved 99.40% accuracy and after reducing, the accuracy of 99.28% is reached. Comparing the results with the previous works, indicates that the proposed method has better performance in feature extraction and feature selection.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حسین خسروی |
دانشگاه صنعتی شاهرود
سازمان اصلی تایید شده: دانشگاه صنعتی شاهرود (Shahrood university of technology)

حسین خسروی |
دانشگاه صنعتی شاهرود
سازمان اصلی تایید شده: دانشگاه صنعتی شاهرود (Shahrood university of technology)

علی سلیمانی |
دانشگاه صنعتی شاهرود
سازمان اصلی تایید شده: دانشگاه صنعتی شاهرود (Shahrood university of technology)

محسن صدیقی ناو | sedighi nav
دانشگاه صنعتی شاهرود
سازمان اصلی تایید شده: دانشگاه صنعتی شاهرود (Shahrood university of technology)

نشانی اینترنتی http://isee.ui.ac.ir/article_15380_e4e2ef0f65881275733774e44191e1fa.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-343779.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات