کلاس بندی حروف دستنوشته بر اساس خصوصیات جهت و روش های یادگیری ماشین

استخراج و انتخاب خصوصیات خوب یک پارامتر اصلی در سیستمهای تشخیص الگو میباشد و استفاده از روشهای یادگیری ماشین در دستهبندی و خوشهبندی الگوهای موجود در مجموعه دادههای تصویری و چندرسانهای در کنار خصوصیات خوب بسیار موردتوجه پژوهشگران است. این مقاله یک سیستم موثر رابرای کلاسبندی حروف دست نوشته براساس روشهای یادگیری ماشین درخت تصمیمگیری C5.0 و K نزدیکترین همسایه نشان میدهد. با استفاده از تشخیص جهت خطوط متفاوتی که کاراکتر را شکل می- دهند، یک مجموعه ویژگی به نام خصوصیات جهت، در نواحی تقسیمشده تصویر حروف استخراج گردید.هر حرف دستنوشته به 9 ناحیه مساوی تقسیم شد و برای هر ناحیه 8 خاصیت استخراج گردید، که یک بردار خاصیت با 72 عنصر برای هر حرف به دست آمد. یکی از مزیتهای این خصوصیات سادگی آنها است که نیازی به نرمال سازی ندارند. خصوصیات استخراج شده به دو مجموعه، 90 درصد برای آموزش و 10 درصد برای تست تقسیم شدند . این عمل با تستهایی برای حالتهای مختلف انتخاب دادههای آموزش و تست انجام گرفت و با استفاده از روشهای درخت تصمیمگیری C5.0 و K نزدیکترین همسایه نتایج مطلوبی به دست آمد.