ترجمه مقاله آنالیز مجموعه ویژگی مبتنی بر ماشین بردار پشتیبان در تشخیص کاراکتر دست خط مالایایی - نشریه IEEE

قیمت خرید این محصول

۳۵,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

تجزیه و تحلیل مجموعه ویژگی مبتنی بر ماشین بردار پشتیبان در تشخیص کاراکتر دست خط مالایایی

عنوان انگلیسی

SVM Based Feature Set Analysis in Dynamic Malayalam Handwritten Character Recognition

صفحات مقاله فارسی

18

صفحات مقاله انگلیسی

6

سال انتشار

2015

نشریه

آی تریپل ای - IEEE

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

7769

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه شده است

رشته های مرتبط با این مقاله

مهندسی کامپیوتر

گرایش های مرتبط با این مقاله

مهندسی الگوریتم ها و محاسبات و هوش مصنوعی

مجله

کنفرانس بین المللی کاربرد های پردازش سیگنال و تصویر

دانشگاه

آزمایشگاه پردازش سیگنال و ارتباطات، دانشکده مهندسی دولتی

فهرست مطالب

چکیده
1 – مقدمه
A . متن مالایالام و چالش های مرتبط به ان
B . دسته کننده ماشین بردار پشتیبان
II . جمع آوری داده
III . پیش پردازش
IV . استخراج مشخصه
A . ویژگی های حوزه زمان
B . ویژگی های حوزه فرکانس
C . ویژگی های سمتی
D . ویژگی های انحناء
V . نتایج عملکردی
VI : نتیجه گیری

نمونه چکیده متن اصلی انگلیسی

Abstract

Dynamic or Online handwritten character recognition is a challenging field in Human Computer Interfaces. The classification success rate of current techniques decreases when the dataset involves the similarity and complexity in stroke styles, number of strokes and stroke characteristics variations. Malayalam is a complex south indian language spoken about 35 million people especially in Kerala and Lakshadweep islands. In this paper, a classification scheme based on support vector machines (SVM) is proposed to improve the accuracy in classification and recognition of online malayalam handwritten characters. SVM Classifier is a popular one in academy as well as in industry. This Classifiers are more suitable in a real world applicative problem, if we have major concern on the speed of recognition per character. The contribution of various features towards the accuracy in recognition is analyzed. Performance for different kernels of SVM are also studied. A graphical user interface has developed for reading and displaying the character. Different writing styles are taken for each of the 44 alphabets. Various features are extracted and used for classification after the preprocessing of input data samples. Feature Selection is carried out by choosing of different combinations of extracted features versus accuracy. Highest recognition accuracy of 97% is obtained for the best selected features in SVM with polynomial kernel. Recognition speed of a single stroke is obtained 0.52 secs.

نمونه چکیده ترجمه متن فارسی

چکیده

تشخیص کاراکتر دست خط به صورت دینامیک یا آنلاین یک حوزه چالش برانگیز در واسط های کامپیوتر و انسان می باشد . زمانی که مجموعه داده شامل شباهت و پیچیدگی در شیوه های حرف زدن ، تعداد حرف ها و تغیرات مشخصه های حرف ها می باشد ، نرخ موفقیت دسته بندی تکنیک های جاری کاهش می یابد . مالایایی یک نوع گویش زبانی پیچیده جنوب هندوستان می باشد که در حدود 35 میلیون نفر بویژه در جزایر لاکشادوید و کرالا به این زبان صحبت می کنند . الگوی دسته بندی مبتنی بر ماشین های بردار پشتیبان در این مقاله برای بهبود دقت دسته بندی و تشخیص آنلاین کاراکتر های دست خط مالایایی پیشنهاد می گردد . دسته کننده ماشین بردار پشتیبان در سطح دانشگاهی و صنعت معروف می باشد . این دسته کننده ها در مسئله عملی جهان واقعی مناسب تر می باشد اگر ما دارای نگرانی مهمی در مورد سرعت تشخیص در هر کاراکتر می باشیم . عمکلرد برای شالوده های متفاوت ماشین بردار پشتیبان مورد مطالعه قرار می گیرد . واسط کاربر گرافیکی برای خواندن و نمایش کاراکتر توسعه یافته بود . شیوه های متفاوت نوشتن برای هر 44 حرف الفباء پذیرفته می شوند . ویژگی های مختلف استخراج می گردند و بعد از پیش پردازش نمونه های داده ورودی برای دسته بندی مورد استفاده قرار می گیرند . انتخاب مشخصه از طریق انتخاب ترکیب های متفاوت ویژگی های استخراج شده در برابر دقت انجام گرفته اند . بالاترین دقت شناخت 97 درصدی برای بهترین ویژگی های منتخب در ماشین بردار پشتیبان با شالوده چند جمله ای بدست می آید . سرعت تشخیص یک حرف تکی در 0.52 ثانیه بدست می آید .

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات انگلیسی هوش مصنوعی