دانلود ترجمه مقاله روش قابل اطمینان برای طبقه بندی اسکناس با شبکه های عصبی مصنوعی – مجله اشپرینگر

عنوان فارسی: | روش قابل اطمینان برای طبقه بندی اسکناس با استفاده از شبکه های عصبی مصنوعی |
عنوان انگلیسی: | A reliable method for classification of bank notes using artificial neural networks |
تعداد صفحات مقاله انگلیسی : 7 | تعداد صفحات ترجمه فارسی : 18 |
سال انتشار : 2004 | نشریه : اشپرینگر - Springer |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 4133 | رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 1.54Mb |
رشته های مرتبط با این مقاله: مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله: هوش مصنوعی، مهندسی نرم افزار و رباتیک |
مجله: زندگی مصنوعی و رباتیک |
دانشگاه: گروه کامپیوتر، دانشگاه اوزاکا، کشور ژاپن |
کلمات کلیدی: تشخیص اسکناس، قابلیت اطمینان، PCA ،LVQ ،HMM |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
چکیده
1 مقدمه
2 اکتساب داده و پیشپردازشها
2 1 حسگر نقطهای
3 استخراج ویژگیهای تحلیل مولفههای اصلی
4 طبقه بندی
4 1 یادگیری بردار کوانتیزه
4 2 مدل مخفی مارکوف
5 شاخص اعتبارسنجی قابلیت اطمینان
6 نتایج آزمایشی و بحث
6 1 بردار کوانتیزه یادگیری
6 2 مدل مخفی مارکوف
7 نتیجه
Abstract We present a method based on principal component analysis (PCA) for increasing the reliability of bank note recognition machines. The system is intended for classifying any kind of currency, but in this paper we examine only US dollars (six different bill types). The data was acquired through an advanced line sensor, and after preprocessing, the PCA algorithm was used to extract the main features of data and to reduce the data size. A linear vector quantization (LVQ) network was applied as the main classifier of the system. By defining a new method for validating the reliability, we evaluated the reliability of the system for 1200 test samples. The results show that the reliability is increased up to 95 % when the number of PCA components as well as the number of LVQ codebook vectors are taken properly. In order to compare the results of classification, we also applied hidden Markov models (HMMs) as an alternative classifier.
چکیده
ما روشی بر اساس تجزیه و تحلیل مولفه های اصلی (PCA) برای افزایش قابلیت اطمینان مکانیزم تشخیص اسکناس نمایش دادهایم. این سیستم برای طبقه بندی هرنوع پول در نظر گرفته شده است، اما در این مقاله تنها ما دلار ایالات متحده را امتحان میکنیم. اطلاعات با استفاده از یک سنسور خط پیشرفته بدست میآیند، و بعد از پیش پردازشها، الگوریتم PCA برای استخراج ویژگی اصلی داده ها و به منظور کاهش حجم اطلاعات استفاده میشود. بردار خطی تدریجی (LVQ) شبکه به عنوان طبقه بندی اصلی سیستم اعمال میشود. با مشخص کردن روش جدید برای اعتبارسنجی قابلیت اطمینان، ما قابلیت اطمینان سیستم برای 1200 نمونه تست را ارزیابی میکنیم. نتایج نشان میدهند که زمانیکه تعداد مولفههای PCA و همچنین تعداد بردار کدهای کتابی LVQ به درستی گرفته شده باشند، قابلیت اطمینان به 95% میرسد. به منطور مقایسه نتایج طبقهبندی، ما نیز مدل مخقی مارکوف (HMM) را به عنوان یک طبقهبندی جایگزین اعمال کردهایم.
اگر مایل به تهیه نسخه پاورپوینت مقاله روش قابل اطمینان برای طبقه بندی اسکناس با استفاده از شبکه های عصبی مصنوعیهستید اینجا کلیک نمایید. همچنین برای خرید مقاله ورد از دکمه های زیر استفاده نمایید.