این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۴، شماره ۲، صفحات ۳-۲۴
عنوان فارسی تشخیص دست‌نوشته‌ برخط فارسی با استفاده از مدل زبانی و کاهش قوانین نگارش کاربر
چکیده فارسی مقاله پیوسته بودن کلمات فارسی و وجود تنوع بسیار زیاد رسم‌الخط این زبان و همچنین شکل‌های متنوع حروف فارسی بسته به محل قرارگیری‌شان در کلمه، تشخیص دست‌نوشته‌های فارسی را به چالش کشانده‌اند. مهم‌ترین اشکال در اغلب روش‌های بازشناسی بی‌توجهی به بافت جمله است که باعث می‌گردد در مواردی که کلمه‌ی ورودی اشتباه بازشناسی می‌شود، واژه‌ای با ظاهر درست در جمله‌ای نابجا به کار رود. طراحی مدلی که بتواند بافت جمله را به خوبی تحلیل کند مستلزم در اختیار داشتن منابع زبانی حجیمی است که نماینده خوبی از زبان مورد بازشناسی باشند. در این مقاله روش جدیدی برای بازشناسی کلمات برخط فارسی ارائه شده است که با استفاده از بافت جمله سعی در بهبود بازشناسی دارد. فرآیند بازشناسی معرفی شده در این نوشتار به این صورت است که ابتدا علائم و بدنه‌ی زیرکلمات دست‌نوشته‌ی ورودی تفکیک شده و بدنه‌ی هر زیرکلمه و علائم آن مشخص می‌شود. سپس علائم زیرکلمات تشخیص داده شده و بر اساس آن مجموعه‌ای از واژگان به‌عنوان فرضیه در نظر گرفته می‌شوند. به هر فرضیه بر اساس میزان شباهت آن به دست‌نوشته ورودی امتیازی تعلق می‌گیرد و بر اساس امتیاز حاصله محتمل‌ترین فرضیات مشخص می‌شوند. سپس این رویه توسط مدل زبانی برای یافتن فرضیات محتمل‌تر، هدایت می‌شود. نتایج آزمایش‌های به‌عمل‌آمده نشان می‌دهد که کاهش قابل توجهی در نرخ خطای بازشناسی کلمات حاصل شده و کاربر در نگارش ملزم به رعایت محدودیت‌های کمتری است. از طرفی روش پیشنهادی می‌تواند نسبت به روش‌های قبلی با در اختیار داشتن یک پایگاه داده دست‌نویس محدود، صحت مطلوب‌تری ارائه کند. با به‌کارگیری روش ارائه‌شده، دقت بازشناسی در مرحله‌ اولیه در سطح حروف 95.9% و پس از بازشناسی به کمک مدل زبانی دقت بازشناسی به 99.3% ارتقاء یافت. برای بهبود عملکرد الگوریتم، استفاده از الگوریتم یادگیری تقویتی برای تطبیق پذیری الگوریتم با نویسنده به عنوان کار آینده پیشنهاد می گردد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Online Persian Hand Writing Recognition Using Language Model and Reduction of User Writing Rules
چکیده انگلیسی مقاله The Joint-up and cursive form of Persian words and immense variety of its scripts and also different figures of Persian letters which depend on their sitting positions in the words have turned the Persian handwritings recognition to an intense challenge. The major obstacle of most often recognition ways is their inattention to sentence contexture, causes utilization of a word with correct appearance within an incorrect sentence all when input word is misrecognized. Sketching a solution that provides suitable analysis of sentence contexture requires huge linguistic resources to takes place as a fine representative for the chosen language to be recognized. In this article, a new method for Persian words online recognition is presented which tries to improve recognition process by using the term contexture. Also, to reduce the limits and rules that gainers compel to submit. The recognition method demonstrated in this article includes: the symptoms and morphemes framework of input handwritten are segregated and the framework of each morpheme with its symptoms is specified at first, then the symptoms of morphemes are specified and based on them a collection of words is being considered as a hypothesis. Each hypothesis is given a score by measuring its similarity to input handwritten and according to taken scores the likely hypothesizes are indicated. Then this procedure is led to achieve more likely hypothesizes by lingual model. To totalize the scores of a hypothesis, for the reason of the differences in scale of taken scores, a method of scores normalization is being offered. The test results demonstrate that by utilization of a language model with an online system of handwriting recognition, a significant reduction of words recognition error rate is being achieved. In addition of error rate reduction, by taking advantage of language model, a technique is being offered that can handle the Persian vocabulary recognition entirely. By availing the offered manner, the recognition precision at initial stage of letters level up to 95.9% and so the language model recognition up to 99.3% improved. So using a huge linguistic resources for Persian language and utilization of a language model, can improved the accuracy of recognition. For furture work, reinforcement learning algorithm is suggested for adaptation the algorithm to users.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سلمان مسکنتی | salman maskanati
artificial intelligence and machine vision lab, persian gulf university
آزمایشگاه هوش مصنوعی و ماشین بینایی دانشگاه خلیج فارس

احمد کشاورز | ahmad keshavarz
electrical department, faculaty of engineering, persian gulf university, boushehr
بوشهر- دانشگاه خلیج فارس- دانشکده مهندسی- گروه مهندسی برق

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-116-2&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-474282.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش متن
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات