📄Работа №84228
Тема: Автоматизированная информационная система распознавания символов рукописного ввода
Тип работы
Магистерская диссертация
Предмет
Информационные системы
Объем:
99 листов
Год:
2016
Просмотров:
94
4930
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 6
1 Виды, типы и возможности распознавания 8
1.1 История возникновения и применения технологий перевода из
рукописного текста в машинный 8
1.1.1 История возникновения 8
1.1.2 Интеграция рукописного ввода в Office 9
1.1.3 Программное обеспечение 9
1.1.4 Актуальность формирования механизма компактных обобщенных
образов, в различных методах распознавания 10
1.2 Типы задач в распознавании 13
1.2.1 Задача распознавания 15
1.2.1.1 Способы определения классов объектов 15
1.2.1.2 Обучение с учителем, обучающая выборка 18
1.2.1.3 Системы, решающие задачу распознавания 19
1.2.2 Классификация методов 19
1.2.2.1 Способы определения критериев различия 19
1.2.2.2 Обучение без учителя 20
1.2.2.3 Пример системы классификации 21
1.3 Виды правил принятия решений 22
1.3.1 Параллельное распознавание 23
1.3.2 Последовательное распознавание 24
1.3.2.1 Формальное определение последовательной процедуры 26
1.3.2.2 Байесовское правило для последовательных процедур 27
1.3.2.3 Сравнение с параллельными процедурами 28
1.4 Основные подходы к распознаванию 29
1.4.1 Евклидово пространство 29
1.4.1.1 Решающие (дискриминантные) функции 30
1.4.1.2 Функции расстояния 31
1.4.2 Списки признаков 32
1.4.3 Структурное описание 35
1.4.3.1 Грамматические методы распознавания 40
1.5 Нейросетевые методы 41
1.5.1 Обзор 42
1.5.2 Персептрон 43
1.5.3 Однослойные и многослойные нейронные сети 46
1.5.4 Сети с обратным распространением ошибки 50
1.5.5 Сети Кохонена и обучение без учителя 52
1.5.6 Сети Хопфилда 55
2 Модель процесса 59
2.1 Сбор данных для процесса распознавания 59
2.1.1 Подпроцесс “Входные данные” 60
2.1.2 Подпроцесс «Расчет сторон квадров изображения» 61
2.1.3 Подпроцесс «Распознание символа» 62
2.1.4 Подпроцесс «Добавление символа в базу данных» 63
2.1.5 Подпроцесс «Вывод символа на монитор» 64
2.2 Наглядное представление алгоритма распознавания рукописных
символов на примере 64
3 Компьютерное проектирование обучения и распознавания символов
рукописного ввода 67
3.1 Схема компьютерного проектирования в среде Microsoft Visual C# 67
3.2 Описание сеанса работы с компьютерной программой 69
3.3 Апробация результатов 72
ЗАКЛЮЧЕНИЕ 74
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 75
ПРИЛОЖЕНИЕ
1 Виды, типы и возможности распознавания 8
1.1 История возникновения и применения технологий перевода из
рукописного текста в машинный 8
1.1.1 История возникновения 8
1.1.2 Интеграция рукописного ввода в Office 9
1.1.3 Программное обеспечение 9
1.1.4 Актуальность формирования механизма компактных обобщенных
образов, в различных методах распознавания 10
1.2 Типы задач в распознавании 13
1.2.1 Задача распознавания 15
1.2.1.1 Способы определения классов объектов 15
1.2.1.2 Обучение с учителем, обучающая выборка 18
1.2.1.3 Системы, решающие задачу распознавания 19
1.2.2 Классификация методов 19
1.2.2.1 Способы определения критериев различия 19
1.2.2.2 Обучение без учителя 20
1.2.2.3 Пример системы классификации 21
1.3 Виды правил принятия решений 22
1.3.1 Параллельное распознавание 23
1.3.2 Последовательное распознавание 24
1.3.2.1 Формальное определение последовательной процедуры 26
1.3.2.2 Байесовское правило для последовательных процедур 27
1.3.2.3 Сравнение с параллельными процедурами 28
1.4 Основные подходы к распознаванию 29
1.4.1 Евклидово пространство 29
1.4.1.1 Решающие (дискриминантные) функции 30
1.4.1.2 Функции расстояния 31
1.4.2 Списки признаков 32
1.4.3 Структурное описание 35
1.4.3.1 Грамматические методы распознавания 40
1.5 Нейросетевые методы 41
1.5.1 Обзор 42
1.5.2 Персептрон 43
1.5.3 Однослойные и многослойные нейронные сети 46
1.5.4 Сети с обратным распространением ошибки 50
1.5.5 Сети Кохонена и обучение без учителя 52
1.5.6 Сети Хопфилда 55
2 Модель процесса 59
2.1 Сбор данных для процесса распознавания 59
2.1.1 Подпроцесс “Входные данные” 60
2.1.2 Подпроцесс «Расчет сторон квадров изображения» 61
2.1.3 Подпроцесс «Распознание символа» 62
2.1.4 Подпроцесс «Добавление символа в базу данных» 63
2.1.5 Подпроцесс «Вывод символа на монитор» 64
2.2 Наглядное представление алгоритма распознавания рукописных
символов на примере 64
3 Компьютерное проектирование обучения и распознавания символов
рукописного ввода 67
3.1 Схема компьютерного проектирования в среде Microsoft Visual C# 67
3.2 Описание сеанса работы с компьютерной программой 69
3.3 Апробация результатов 72
ЗАКЛЮЧЕНИЕ 74
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 75
ПРИЛОЖЕНИЕ
📖 Введение
Распознавание — это способность организмов обнаруживать поступающие от органов чувств, определённые объекты. Это осуществляться на основе слуховой, тактильной информации, зрительной. Таким образом, человек может узнать другого знакомого, взглянув на него.
Возможность распознавания однотипных объектов опирается на их схожесть. Несмотря на то, что в строгом смысле все предметы и ситуации уникальны, между некоторыми можно найти сходства, всегда, по какому-то признаку. Отсюда возникает понятие классификации — некое разбиения множества объектов на подмножества непересекающиеся между собой - классы, элементы которых имеют некоторые схожие свойства, отличающие их от элементов других классов. И, тем самым, задачей распознавания является отнесение рассматриваемых объектов или явлений по их описанию к нужным классам. Понятие распознавания можно расширить, если говорить об обнаружении объектов в потоке не только чувственной, но и любой другой информации. Например, можно говорить о распознавании болезни по её симптомам у больного или о распознавании социальных явлении по статистической информации[1].
Распространение и развитие компьютерной обработки информации привели к возникновению в середине 20-ого века потребностей в технологиях, позволяющие распознавать обрабатываемую ими информации. Примерами могут служить машинное зрение, распознавание речи, распознавание текста, отпечатков пальцев. Некоторые из этих задач решаются человеком с большой скоростью на подсознательном уровне, до настоящего времени ещё не создано компьютерных программ, решающих их в столь же общем виде. А существующие системы ограниченны областью применения и предназначены для работы лишь в специальных случаях.
Возможность распознавания однотипных объектов опирается на их схожесть. Несмотря на то, что в строгом смысле все предметы и ситуации уникальны, между некоторыми можно найти сходства, всегда, по какому-то признаку. Отсюда возникает понятие классификации — некое разбиения множества объектов на подмножества непересекающиеся между собой - классы, элементы которых имеют некоторые схожие свойства, отличающие их от элементов других классов. И, тем самым, задачей распознавания является отнесение рассматриваемых объектов или явлений по их описанию к нужным классам. Понятие распознавания можно расширить, если говорить об обнаружении объектов в потоке не только чувственной, но и любой другой информации. Например, можно говорить о распознавании болезни по её симптомам у больного или о распознавании социальных явлении по статистической информации[1].
Распространение и развитие компьютерной обработки информации привели к возникновению в середине 20-ого века потребностей в технологиях, позволяющие распознавать обрабатываемую ими информации. Примерами могут служить машинное зрение, распознавание речи, распознавание текста, отпечатков пальцев. Некоторые из этих задач решаются человеком с большой скоростью на подсознательном уровне, до настоящего времени ещё не создано компьютерных программ, решающих их в столь же общем виде. А существующие системы ограниченны областью применения и предназначены для работы лишь в специальных случаях.
✅ Заключение
Исследование методов и программных систем распознавания символов рукописного ввода позволило сформулировать следующие вывод, что современные технологии по распознаванию печатных текстов позволяет выполнять задачи на высоком уровне, но с рукописными символами все усложняется, ведь, сколько людей - столько и уникальных написаний.
Есть программы «выполняющие», эти задачи распознавания, более 90%, но большая часть таких программ, основывается, на работе со словарями.
Перейдя к программе разработанной в ходе выпускной квалификационной работы хотелось бы отметить, что в ней не применяю системы искусственного интеллекта, а использую довольно простой метод сравнения с базой эталонов. По результатам тестирования, алгоритм даёт приемлемый результат на заранее созданном наборе эталонов.
При всем, этот метод сравнения с базой эталонов, гораздо, проще других алгоритмов. Используются несложные математические вычисления. И небольшие отклонения входных данных от значений эталонных, не приводит к резкому падению качества распознавания.
Работоспособность не сложного, «прозрачного» алгоритма, по результатам испытаний, была доказана. Размер базы эталонов небольшой, около 27 кбайт, то есть вполне компактный, «сжатый», Выполнилось условие, которое являлось актуальной задачей, при создании алгоритмов распознавания.
Результаты тестирования, я считаю, достойные. База эталонов можно обучать и обучать, есть еще что корректировать, и есть планы на модификацию, после чего должны повыситься точность распознавания.
Есть программы «выполняющие», эти задачи распознавания, более 90%, но большая часть таких программ, основывается, на работе со словарями.
Перейдя к программе разработанной в ходе выпускной квалификационной работы хотелось бы отметить, что в ней не применяю системы искусственного интеллекта, а использую довольно простой метод сравнения с базой эталонов. По результатам тестирования, алгоритм даёт приемлемый результат на заранее созданном наборе эталонов.
При всем, этот метод сравнения с базой эталонов, гораздо, проще других алгоритмов. Используются несложные математические вычисления. И небольшие отклонения входных данных от значений эталонных, не приводит к резкому падению качества распознавания.
Работоспособность не сложного, «прозрачного» алгоритма, по результатам испытаний, была доказана. Размер базы эталонов небольшой, около 27 кбайт, то есть вполне компактный, «сжатый», Выполнилось условие, которое являлось актуальной задачей, при создании алгоритмов распознавания.
Результаты тестирования, я считаю, достойные. База эталонов можно обучать и обучать, есть еще что корректировать, и есть планы на модификацию, после чего должны повыситься точность распознавания.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.