Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: pismo drukowane

Sortuj według:

Ogranicz wyniki do:

Analysis of the Arabic using neural networks: an overview

Soori H., Platos J., Snasel V.

Przegląd Elektrotechniczny

2013

R. 89, nr 11

47-50

This paper is a quick review of some of the scholarly work aiming at solving various problems of the Arabic language using neural networks. It includes some research work concerning online recognition of handwritten Arabic characters, speech recognition, offline character text recognition, text categorization and recognition of printed text. This paper concludes that more research should be conducted in this area considering the importance of the Arabic language, the rapid growth of internet users in the Arab world, and the widespread usage of Arabic characters by many languages other than Arabic.

W artykule przedstawiono metody analizy języka arabskiego z wykorzystaniem sieci neuronowych. Analizowano możliwości rozpoznawania pisma odręcznego, drukowanego jak i mowy.

Rozpoznawanie znaków za pomocą drzew decyzyjnych

Szkodzik A., Materka A.

Elektronika : prace naukowe

1998

nr 3

99-110

W pracy przedstawiono wyniki zastosowania drzew decyzyjnych do rozpoznawaniu znaków. Na etapie tworzenia drzew zastosowano metodę wyznaczania optymalnych cech, dzięki której uzyskano bardzo dobre wyniki klasyfikacji zbiorów testowych. Zaproponowany algorytm uczenia drzew nie powoduje powiększenia ich rozmiarów. Udowodniono, że proces uczenia daje lepsze wyniki niż powiększanie zbiorów wykorzystanych przy konstruowaniu drzew. Za pomocą klasyfikatora równoległego zbudowanego w oparciu o kilkadziesiąt drzew decyzyjnych uzyskano rezultat ponad 95% prawidłowych klasyfikacji zbioru testowego.

Results of applying decision trees to printed and handwritten character recognition are presented in the paper. An automatic feature generation method was employed during the construction of the trees, which improved the recognition rate for the testing set. This learning process significantly reduces the drawback of the tree classifiers that is their rapid error accumulation with depth, while it does not influences the size of trees. It was shown that learning gives better results than increasing the sets used to construction of the trees. The recognition rate above 95% was obtained by means of a parallel classifier built of multiple decision trees despite no advanced preprocessing of input characters (like skeletonization or slant reduction) was performed.