Использование нейронных сетей для распознавания символов рукописного текста

Распознавание образов - раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов. Создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой. Необходимость в таком распознавании возникает в самых разных областях – от военного дела и систем безопасности до оцифровки всевозможных аналоговых сигналов.

Процесс распознавания символов можно разделить на 2 этапа: предварительная обработка (сегментация) и распознавание. Можно выделить 2 подхода к распознаванию символов - шрифтозависимый и шрифтонезависимый.

Распознавание рукописных символов является более сложной задачей по сравнению с распознаванием печатных символов. Особую сложность представляет процесс сегментации изображения. На практике часто используются системы ввода форм, заполненных от руки ПЕЧАТНЫМИ символами. Для решения этой задачи представляется целесообразным использовать искусственные нейронные сети (ИНС).

ИНС - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Первой такой моделью мозга был персептрон. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Технически обучение заключается в нахождении коэффициентов связей между нейронами (весовых коэффициентов). В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.

Для распознавания символов нами предлагается использовать многослойный персептрон с числом слоев не менее трех. На вход первого слоя подается вектор длиной 256 элементов. Выходом сети является вектор, содержащий код распознанного символа. Обучение сети выполняется методом обратного распространения ошибки, путем предъявления эталонных образцов.

Думчев Д.А.