Оптимизация параметров нейронной сети неокогнитрон для распознавания символов государственных регистрационных знаков
Опубликовано: 10.10.2012
Авторы: Кангин Д.Н., Куров А.В.
Опубликовано в выпуске: #1(1)/2012
DOI: 10.18698/2308-6033-2012-1-30
Раздел: Информационные технологии
Исследована нейронная сеть неокогнитрон Фукусимы. Описаны методы определения пороговых значений, измерений слоев, параметров ядра функции Гаусса, используемого для вычисления выходных значений слоев. Предложены методы оптимизации параметров. В результате исследования достигнут коэффициент распознавания тестовой выборки 97%.
Литература
[1] Fukunaga K. Introduction to Statistical Pattern Recognition. Second ed. – London: Academic Press, 1990
[2] Briggs W.L., Van Emden Henson The DFT: an owner’s manual for the discrete Fourier transform. Society of industrial and applied mathematics. PA, USA. 1995. P. 143–179
[3] Kimura F., Shridhar M. Handwritten Numerical Recognition Based on Multiple Algorithms // Pattern Recognition. – 1991. – Vol. 24, No. 10. – P. 969–983
[4] Persistence Barcodes for Shapes / G. Carlsson, A. Zomorodian, A. Collins, and L. Guibas // Int. J. of Shape Modeling. 2005. 11 P. 149–187
[5] Dutta A., Chaudhury S. Bengali alpha-numeric character Recognition Using Curvature Features // Pattern Recognition 1993. 26. P. 1707–1720
[6] Fukushima K. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position // Biological Cybernetics. 1980.– 36(4). – P. 93–202
[7] Fukushima K. Neocognitron for handwritten digit recognition // Neurocomputing / R. Eckmiller & C. Von der Malsburg, eds. 2003. 51. 161–180
[8] Fukushima K. Increasing robustness against background noise: Visual pattern recognition by a neocognitron // Neural networks. – 2011. – Vol. 24 (7). – P. 767–778
[9] Fukushima K. Cognitron: A selfЏorganizing multilayer neural network model // NHK Technical Monograph 1981. No. 30. – P. 1–25