Red neuronal para el reconocimiento de escritura a mano

Autores/as

  • Mikhail M. Butaev JSC Research and Production Enterprise «Rubin», 440000, Russia
  • Mikhail Yu. Babich JSC Research and Production Enterprise «Rubin», 440000, Russia
  • Igor I. Salnikovq Department of Computational Machines and Systems, Penza State Technological University
  • Alexey I. Martyshkin Department of Computational Machines and Systems, Penza State Technological University, 440039, Russia
  • Dmitry V. Pashchenko Penza State Technological University
  • Dmitry A. Trokoz Penza State Technological University

Palabras clave:

red neuronal, reconocimiento de patrones, algoritmos de redes neuronales, precisión, entrenamiento de redes, reentrenamiento de redes

Resumen

Hoy, en la era digital, el problema del reconocimiento de patrones es muy relevante. En particular, la tarea de reconocimiento de texto es importante en la banca, para la lectura automática de documentos y su control; en sistemas de control de video, por ejemplo, para identificar la matrícula de un automóvil que violó las reglas de tránsito; en los sistemas de seguridad, por ejemplo, para verificar los billetes en un cajero automático y en muchas otras áreas. Se conocen una gran cantidad de métodos para resolver el problema del reconocimiento de patrones, pero la principal ventaja de las redes neuronales sobre otros métodos es su capacidad de aprendizaje. Es esta característica la que hace que las redes neuronales sean atractivas para estudiar. El artículo propone un modelo básico de red neuronal. Se consideran los principales algoritmos y se implementa un modelo de programación en el lenguaje de programación Python. En el curso de la investigación, se revelaron las siguientes deficiencias del modelo básico: baja tasa de aprendizaje (el número de dígitos reconocidos correctamente en las primeras épocas de aprendizaje); reentrenamiento: la red no ha aprendido a generalizar los conocimientos adquiridos; baja probabilidad de reconocimiento: 95,13%. Para resolver las desventajas anteriores, se utilizaron varias técnicas que aumentan la precisión y la velocidad del trabajo, así como también reducen el efecto del reentrenamiento de la red.

Descargas

Los datos de descargas todavía no están disponibles.

Descargas

Publicado

2020-12-31

Número

Sección

Artículos