Neural Network Based Recognition System Integrating Feature Extraction and Classification for English Handwritten

شناسايي دست خط يكي از حوزه هاي پژوهشي محرك و چالش برانگيز در زمينه پردازش تصوير و الگو شناسي بوده است. اين حوزه داراي كاربردهاي متعددي است كه شامل كمكي براي خواندن براي افراد نابينا، چك هاي بانكي، و تبديل هر نوع سند دست نوشته به فرم متن ساختاري است. شبكه هاي عصبي (NN) با توانايي يادگيري ذاتي خود راه حل هاي اميدوار كننده اي براي شناسايي كاراكتر هاي دست نوشته ها ارايه مي دهد.اين مقاله مناسب ترين NN را براي طراحي سيستم شناسايي كاراكتر انگليسي نوشته شده با دست را شناسايي مي كند. توپولوژي هاي مختلف شبكه هاي عصبي (NN) يعني ، انتشاررو به عقب شبكه هاي عصبي، نزديكترين شبكه همسايه وشبكه با پايه تابع شعاعي است براي طبقه بندي كاراكترها ساخته شده اند. تمامي سيستم هاي شناسايي مبتني بر NN از مجموعه داده هاي اموزشي يكساني استفاده نموده و براي رسيدن به متوسط مربع خطاي يكساني اموزش ميبينند.دويست مجموعه كاراكتر مختلف هر يك از 26 كاراكتر انگليسي براي آموزش شبكه استفاده مي شود.به منظور دريافت نتيجه نهايي از اين مقاله عملكرد سيستم هاي شناسايي به صورت گسترده با استفاده از داده هاي تست مقايسه شده اند

Handwriting recognition has been one of the active and challenging research areas in the field of image processing and pattern recognition. It has numerous applications that includes, reading aid for blind, bank cheques and conversion of any hand written document into structural text form. Neural Network (NN) with its inherent learning ability offers promising solutions for handwritten character recognition. This paper identifies the most suitable NN for the design of hand written English character recognition system. Different Neural Network (NN) topologies namely, back propagation neural network, nearest neighbour network and radial basis function network are built to classify the characters. All the NN based Recognition systems use the same training data set and are trained for the same target mean square error. Two hundred different character data sets for each of the 26 English characters are used to train the networks. The performance of the recognition systems is compared extensively using test data to draw the major conclusions of this paper.