بهینه سازی تشخیص اعداد دست نویس با استفاده از الگوریتم شبکه های عصبی

شناسایی دست نوشته ها یکی از فعال ترین حوزه های تحقیقاتی در زمینه بینایی ماشین و پردازش الگو می باشد. در این میان پردازش و شناسایی اعداد دست نوشته به دلیل ویژگی های خاص آن و همچنین کاربردهای بسیار زیاد مورد توجه بیشتری قرار گرفته است. از جمله کاربردهای تشخیص دست نوشته ها می توان به دسته بندی نامه های پستی، خواندن خودکار مبالغ چک های بانکی، شناسایی خودکار اطلاعات ثبت شده در فرم ها، و غیره اشاره کرد. در تمامی این کاربردها، همواره مساله دقت و سرعت سیستم از درجه اهمیت بسیار بالایی برخوردار بوده است. این امر منجر به انتخاب این زمینه به عنوان پایه ای برای آزمون الگوریتم های پردازش الگو و دسته بندی اطلاعات شده است. مشکلی که بر سر راه وجود دارد، یافتن شبکه ای بزرگ و بهینه برای آموزش شبکه های عصبی با الگوهای ورودی بزرگ است، که این امر وقتگیر است. بنابراین ایجاد یک شبکه منحصربه فرد برای طبقه بندی الگوهای بسیار بزرگ، کاری دشوار و گاهی اوقات غیر ممکن می باشد. برای حل مشکلات فوق می توان به جای استفاده از یک شبکه بزرگ منحصربه فرد، از چندین شبکه کوچک تر با نرخ دقت و تشخیص بسیار بالا استفاده کرد. همچنین برای تشخیص کاراکترهای مشابه می توان از یک ماژول تصحیح گر در خروجی استفاده نمود. در این تحقیق، تشخیص اعداد دست نویس با استفاده از ماشین یادگیری، بهینه سازی شده است. در روش ارائه شده دقت تشخیص، نسبت به الگوریتم های مشابه افزایش چشمگیری داشته است.