عنوان المقالة:تمييز الحروف العربية باستخدام شبكة الانتشار العكسي المعتمدة على العزوم السبعة Recognition of Arabic Characters by using back propagation neural network based on seven invariant moments.
خليل اب ا رهيم السيف و نجلاء متي اسحق و هدية صالح عبدالله
المؤلفون بالإنجليزي
Prof. Dr. Khalil I. Alsaif - Najla Matti Safar - Dr.Hadia S. AlBadrani
الملخص العربي
تم في هذا البحث اعتماد العزوم السبعة لاستخلاص خواص صور الحروف العربية وحساب قيم تلك العزوم، ومن ثم ادخالها الى شبكة عصبية ذات الانتشار العكسي لغرض تمييز الحروف العربية بالطرق الذكية. كما تم بناء برنامج محاكاة لتجربة الشبكة العصبية ذات الانتشار العكسي لتمييز عزوم الحروف العربية، استخدم نظام التشغيل ويندوز 98 (windows 98) كبيئة في تنفيذ البرنامج لأجل استخدام ذاكرة الحاسبة كلها. وتم استخدام المترجم (Mathlab V.6) في إعداد كل البرامج المتعلقة بالنظام.
تم التدريب بعدة أشكال على مجموعة من الحروف ضمت ( ا، ب ، ح ، ع ، س ، ظ ، ر ، ذ ، ف، ك) وتم استخدام عدة أنواع من دوال التدريب المستخدمة مع شبكة الانتشار العكسي مثل Gradient descent backpropagation ، دالة Gradient descent w/adaptive lr backpropagation ، دالة Gradient descent w/momentum backpropagation ودالة BFGS quasi-Newton backpropagation وكانت الأخيرة ألا بطأ في العمل مع بيانات الشبكة لكنها حققت نتائج افضل عند الاختبار للحروف التي لم يتم التدريب عليها كما وإنها وصلت إلى الهدف في التدريب بعدد دارات اقل من باقي الدوال.
الملخص الانجليزي
In this research, it has been using seven moments to extract attributes of Arabic character images to calculates values of these moments, and then enter these values to the backpropagation neural network to recognize Arabic characters by intelligence methods. Also it has been building a simulating program for backpropagation neural network for recognition of Arabic characters moments experiments. It has been implementing the programs under windows98 environment to exploitation computer memory. The programs was written using mathlab compiler version 6.
The backpropagation neural network was trained in different shapes of group of character that include ( ا، ب ، ح ، ع ، س ، ظ ، ر ، ذ ، ف، ك) using several types of training functions that was used with backpropagation neural network like Gradient descent backpropagation function, Gradient descent w/adaptive lr backpropagation function, Gradient descent w/momentum backpropagation function and BFGS quasi-Newton backpropagation function. The last was working slower with the data of the network but achieved better results during testing of character that was not trained previously by the neural network and it was reached goal in training by fewer iterations from other functions.
نجلاء متي اسحق سفر | Najla Matti Isaac Safar | 10321