هدف تشخیص ارقام دست‌نویس فارسی با استفاده از یادگیری عمیق –MLP-SVM-KNN

از تشخیص ارقام دست نویس فارسی در اکثر مجموعه هایی که با جمع آوری عمومی اطلاعات رقمی سروکار دارند می توان استفاده کرد مانند خواندن مبالغ چک ها و ارقام کد پستی و … هدف از ارائه این پروژه شناسایی ارقام دست نویس فارسی است که با دست خط افراد مختلف نوشته شده اند را بتوان تشخیص داد تا در نرم افزارهای خودکارسازی مانند خواندن کد پستی در بخش اداره پست استفاده کرد .

در این پروژه با استفاده از روش‌های یادگیری عمیق، شبکه عصبی پرسپترون چندلایه(MLP)، ماشین بردار پشتیبان (SVM) و  Kنزدیکترین همسایه  (k-nearest-neighbor)به تشخیص ارقام دست‌نویس فارسی پرداخته شده و این نتایج با هم مقایسه شده است.

برای این کار از داده‌های موجود در پایگاه داده‌ یا ارقام دست‌نویس هدی استفاده شده است. این داده‌ها هم مانند دیتابیس mnist شامل ۶۰۰۰۰ داده‌ی آموزش، ۲۰۰۰۰ داده‌ی تست و ۲۲۳۵۲ نمونه‌ی متفرقه است که دراین پروژه ازآن‌ها استفاده شده است.

• شبکه‌ی عمیق استفاده ‌شده در این پروژه از دو لایه‌ی  auto-encoder و یک لایه‌ی   softmax تشکیل شده است.
• برنامه MLP از شبکه عصبی پرسپترون سه لایه پنهان با ۲۰ نورون در هر لایه و روش آموزش ‘trainlm’، به عنوان طبقه‌بندی ‌کننده استفاده می‌کند.
• برنامه SVM از روش ماشین بردار پشتیبان به عنوان طبقه‌بندی ‌کننده استفاده می‌کند. چون در این مسئله بیش از دو کلاس وجود دارد و ماشین بردار پشنیبان یک طبقه‌بندی ‌کننده باینری است، از روش “یک درمقابل همه” برای دسته ‌بندی هرجفت کلاس وکلاس‌های باقی‌مانده استفاده شده است.
• برنامه KNN از روش K  نزدیکترین همسایه، به عنوان طبقه‌بندی ‌کننده استفاده می‌کند.

عنوان شبیه سازی

تشخیص ارقام دست‌نویس فارسی با استفاده از چهار الگوریتم

(یادگیری عمیق –MLP-SVM-KNN)

مشخصات شبیه ساز:

کارشناسی ارشد مخابرات سیستم

دانشگاه خواجه نصیر

محتویات

• M-File برنامه نویسی شده
• توضیحات برنامه بصورت کامل
• دیتابیس : ۶۰۰۰۰ داده‌ی آموزش، ۲۰۰۰۰ داده‌ی تست
• گزارش کامل الگوریتم
• Readme سورس کد
• گزارش کار و نتایج خروجی در Word

دانلود