مدل ساده شبکه عصبی در متلب

به موازات گسترش كاربردهاي شبكه عصبي، نياز به فراگيري آن و آشنايي با تواناييها و قابليتهاي آن رخ مي نمايد. در اين راستا، تأليفات زيادي وجود دارد كه مي توان به آن ها استناد نمود اما در اكثر قريب به اتفاق اين خودآموزها، مباني اين شبكه ها با تفاصيل و جزئيات بسيار بيان شده است و کمتر به جنبه کاربردی بودن آن توجه شده است.

لذا گروه برنامه نويسي ايران متلب تصميم گرفت تا يك فيلم آموزشي جامع براي شبكه هاي عصبي تهيه كند تا هم مفاهيم آن به طور كامل توضيح داده شود و هم برنامه نويسي مقدماتي تا پيشرفته شبكه هاي عصبي در متلب MATLAB با مثالهاي گوناگوني آورده شود.
اين فيلم آموزشي حاصل تجربه هاي مختلف ما در پروژه هاي گوناگون شبكه عصبي مي باشد. بيشتر تمركز ما در اين فيلم آموزشي بر روي كدنويسي و پياده سازي در متلب MATLAB ميباشد.

در قسمت هايي هم كه لازم باشد ما كدهاي متلب جديدي معرفي مي كنيم كه در نرم افزار متلب وجود ندارد و به كار پياده سازي شبكه هاي عصبي در متلب كمك بسيار زيادي مي كند.

آشنایی با خطاهای رایج :
در هر قسمت خطاهاي رايج در هنگام كدنويسي هم به طور كامل تشريح مي شود تا كاربران گرامي بتوانند در هنگام كد نويسي به مشكلي برنخورند.

تعداد بالای مثال و نمونه کد :
به جرات ميتوان ادعا كرد كه اين سطح از كدنويسي شبكه هاي عصبي و اين تعداد مثالها در هيچ كتابي قابل دسترس نيست.

مخاطبین :
اين فيلم آموزشي توسط هر فردي كه دوست دارد تا با مفاهیم شبكه هاي عصبي آشنا بشود قابل استفاده است و نياز به هيچ پيش نيازي ندارد و مخاطب آن عموم مي باشد و توسط دانشجويان تمامي رشته ها قابل استفاده است.

.

.

پیشنهاد ویژه:
علاقه مندانی که بخواهند کل مجموعه را تهیه کنند از تخفیف 62 درصدی برخوردار می شوند . کافی است با پرداخت کمتر از نصف کل هزینه، این مجموعه فیلم آموزشی را دریافت کنند.

بخش های مختلف این مجموعه فیلم آموزشی :

.

نوشته مجموعه فيلم های آموزش فارسي جامع شبكه هاي عصبي اولین بار در ایران متلب پدیدار شد.

  Handwritten and Printed Word Identification Using Gray-Scale Feature Vector and Decision Tree Classifier

Abstract
Document image analysis is one of the important steps towards a paper free world. An effective Optical  Character Recognition (OCR) system would be helpful for achieving this fit. But the next question may arise that whether a single OCR system will be sufficient for encoding both handwritten and printed text or not. So to come out of this dilemma, the work as reported here determines the category of a word from the document images containing words both in handwritten and printed forms. A 6-elements feature set is estimated from each gray level image and then these features are ranked based on discriminatory capabilities. Finally, a decision tree classifier has been designed and 1500 words images of handwritten and printed forms (equal in number) are fed to the classifier to evaluate the performance of the present technique. An overall success rate of 96.80% is achieved.

خروجی برنامه :

چکیده
تجزیه و تحلیل تصویر سند یکی از گام های مهم به سمت یک جهان آزاد کاغذ است. یک سیستم تشخیص صحیح نویسی نوری (OCR) برای دستیابی به این ویژگی مفید خواهد بود. اما سوال بعدی می تواند این باشد که آیا یک سیستم OCR تنها برای رمزگذاری متن های دست نویس و چاپی کافی است یا خیر. بنابراین، از این معضل بیرون می آید، کار همانطور که در اینجا گزارش شده است، طبقه بندی یک کلمه از تصاویر سند حاوی کلمات را در قالب های دست نوشته و چاپ شده تعیین می کند. مجموعه ای از ویژگی های 6 عنصری از هر تصویر سطح خاکستری تخمین زده می شود و سپس این ویژگی ها بر اساس قابلیت های تبعیض آمیز رتبه بندی می شوند. در نهایت، یک طبقه بندی کننده درخت تصمیمی طراحی شده و تصاویر 1500 عدد از اشکال دست نوشته و چاپ شده (برابر با عدد) به طبقه بندی داده می شود تا عملکرد تکنیک فعلی را ارزیابی کند. میزان موفقیت کلی از 96.80٪ به دست می آید.

دانلود اصل مقاله

نوشته MP00 – تشخیص کلمه دستنویس و تایپی با بردار ویژگی و دسته بندی درخت تصمیم گیری اولین بار در ایران متلب پدیدار شد.