Kompyuter tizimlari

1. 
   KIRISH
   

Qo'l yozuvini tanib olish - bu kompyuter yoki qurilmaning bosma jismoniy hujjatlar, rasmlar va boshqa qurilmalar kabi manbadan qo'l yozuvini kiritish sifatida qabul qilish qobiliyati. Shuningdek, u qo'l yozuvini sensorli ekranga to'g'ridan-to'g'ri kiritish sifatida ishlatishi va keyin uni matn sifatida talqin qilishi mumkin.
Endi smartfonlar, planshetlar va PDA kabi qo'l yozuvini stilus yoki barmoq orqali sensorli ekranga kiritish sifatida qabul qiladigan ko'plab qurilmalar mavjud. Bu foydali, chunki u foydalanuvchiga raqamlar va matnni qurilmalarga tezda yozib olish imkonini beradi. Bugungi kunda qo'l yozuvini tanib olish uchun ko'plab ilovalar mavjud. Qo'l yozuvini tanib olish uchun ko'plab texnikalar ishlab chiqilgan. Ulardan biri optik belgilarni aniqlash (OCR). OCR skanerlangan hujjatdagi matnni o'qiydi va tasvirlarni kompyuter uni boshqarishi mumkin bo'lgan shaklga aylantiradi. Ushbu maqolada biz qo'l yozuvini tanib olish uchun uchta (3) tasniflash algoritmidan foydalanamiz: Yordam Vektor mashinasi (SVM), K-Yaqin qo'shni (KNN) va Neyron Tarmoq. Bu uchta (3) hammasi keyinroq ushbu maqolada muhokama qilinadi.

2. 
   BOG'LIK ISHLAB CHIQISH
   

Turli sohalarda qo'l yozuvini tanib olish bo'yicha ko'plab tadqiqotlar olib borildi. Youssouf Chheravala, Partha Pratim Roy va Mohamed Cheriet o'zlarining "Oflayn qo'l yozuvini aniqlash tizimlari uchun xususiyatlar to'plamini baholash: takroriy neyron tarmoqqa qo'llash" nomli maqolalarida qo'l yozuvini aniqlash tizimi so'z tasviridan olingan xususiyatlarga bog'liqligini ta'kidladilar.

Xususiyatlarni ajratib olishning turli usullari mavjud, ammo tan

olish darajasiga asoslangan to'g'ridan-to'g'ri taqqoslashdan tashqari ularning eng istiqbollilarini aniqlash uchun taklif qilingan usullar mavjud emas. Shuning uchun ular uchun ramka taklif qilishadi


hamkorlik sozlamalariga asoslangan xususiyatlar to'plamini baholash. Ular takroriy neyron tarmoq (RNN) klassifikatorining vaznli ovoz kombinatsiyasidan foydalanadilar. Ular xususiyatlar to'plamining ahamiyatini ularning kuchi va bir-birini to'ldiruvchiligini aks ettiruvchi kombinatsiyalangan og'irliklar orqali aniqlaydi.
Nurul Ilmi, Tjokorda Agung Budi V va Kurniawan Nur R o'zlarining "Mahalliy ikkilik naqsh farqi va K-yaqin qo'shnilar tasnifi yordamida qo'l yozuvi raqamlarini aniqlash" nomli maqolalarida mahalliy ikkilik namunadan (LBP) xususiyatni ajratib olish va qo'l yozuvini aniqlash tizimida K-NN tasnifidan foydalangan holda.
Indoneziya Bosh saylov komissiyasi tomonidan qo'llaniladigan C1 shaklida. Sinov natijasi shuni ko'rsatadiki, LBP dispersiyasi MNIST ma'lumotlar to'plamidagi qo'l yozuvi raqamlarini 89,81% aniqlik
bilan taniy oladi va C1 shaklidagi ma'lumotlar uchun aniqlik 70,91% ni tashkil qiladi.

"Xavfsiz parol bilan qo'l yozuvini onlayn tekshirish va xususiyatlar sonini ko'paytirish" maqolasida Bayes Net, Naïve Bayes, K-NN va Multi-layer Perceptron (MLP) klassifikatoridan foydalangan holda foydalanuvchini xavfsiz qo'lda yozilgan parol bilan tekshirish yechimini taqdim eting. Asosiy maqsad - reytingdan keyin bir xil yoki yaxshiroq natijaga erishish uchun xususiyatlarni kamaytirish va tasniflash uchun ishlov berish vaqtini qisqartirish.

Natija shuni ko'rsatadiki, Bayes Net klassifikatori ustuvor vaqt,
tezlik va munosabatlar uchun 100% to'g'ri va FAR (noto'g'ri qabul qilish darajasi) 3,13% bo'lgan eng yaxshi tasniflagichdir.
Behnam Fallah va Hasan Xotanlou o'zlarining "Neyron tarmoq yordamida qo'l yozuvi asosida inson shaxsiyati parametrlarini aniqlash" maqolalarida qo'l yozuvi parametrlari anatomiyasi psixologlarni xulq-atvor, temperament, xarakter, shaxsiyat va asabiy va ijtimoiy jihatlarning psixologik tamoyillarini o'rganishga olib keladi. odamning miyasi. Ular qo'l yozuvi orqali odamning shaxsini aniqlash usulini maqsad qiladi. Xarakter parametrlarini aniqlash uchun ular Minnesota ko'p fazali shaxsiyat inventarini qo'lladilar. Va ular qo'l yozuvidan shaxsni aniqlash uchun tasniflash uchun yashirin Markov modeli va neyron tarmog'ini (MLP)
qo'lladilar. MLP yozuvchiga tegishli bo'lmagan xususiyatlarni
aniqlash uchun ishlatilgan va yozuvchiga tegishli bo'lgan xususiyatlarni tasniflash uchun yashirin Markov modeli ishlatilgan.
Maqsad algoritmining afzalliklari ular ta'kidlaganidek, matnning qaram va mustaqil xususiyatlaridan foydalanishdir.

Xususiyatlarni ajratib olish, taklif etilayotgan shaxsiyat tizimi avtomatlashtirilgan, xususan, xususiyatlarni ajratib olish jarayonida, o'qitish bosqichida MMPI testidan foydalanish, xususiyatlarni ajratib olish bosqichida segmentatsiyalash va GDA dan foydalanish tufayli shaxsni aniqlash tizimining aniqligi va ishonchliligini oshiradi. sinflar orasidagi masofani oshirish.

3. 
   TAKLIF ETILGAN TIZIM
   

Ushbu tizim uchun biz tasniflash va ma'lumotlar to'plamini o'qish uchun python, openCV va sklearn dan foydalandik. Biz MNIST ma'lumotlar to'plamidan
o'qitish va tasniflash uchun baholash uchun foydalandik. MNIST muammosi - qo'lda yozilgan raqamlarni tasniflash muammosi bo'yicha mashinani o'rganish
modellarini baholash uchun ma'lumotlar to'plami. Ma'lumotlar to'plami Milliy standartlar va texnologiyalar institutida (NIST) mavjud bo'lgan bir qator
skanerlangan hujjatlar ma'lumotlar to'plamidan tuzilgan. Ushbu ma'lumotlar
to'plamidagi har bir rasm 28x28 piksel kvadrat (jami 748 piksel). Ma'lumotlar to'plamida tizimni o'qitish va baholash uchun ishlatilishi mumkin bo'lgan 70000 ta rasm mavjud.
Ushbu taklif qilingan tizimda biz qo'llab-quvvatlash vektor mashinasini aniqlash uchun uchta (3) tasniflash algoritmidan foydalandik.
(SVM), K-Eng yaqin qo'shni va ko'p qatlamli Perceptron Neyron tarmoq (MLP)

1. 
   Ma'lumotlar bazasidagi har bir namuna uchun HOG xususiyatlarini hisoblang.
   

2. 
   Har bir namunaning HOG xususiyatlari va tegishli yorliq bilan ko'p sinfli chiziqli SVMni o'rgating.
   

3. 
   Tasniflagichni faylda saqlang.
   

2-rasm - MNIST ma'lumotlar to'plamini yuklab oling

1.