شناسايي حروف فارسي با استفاده از شبكه هاي عصبي فازي و دامنه واژگان و تغيير الگوريتم

Identification of Persian letters using fuzzy neural networks and vocabulary domain and change the algorithm.

به علت وجود دستخط هاي مختلف، بازشناسي حروف يك مساله پيچيده است. در اين فرآيند استخراج ويژگيهاي حروف به صورت صحيح، گامي مهم در جهت تشخيص درست حروف خواهد بود. اين مقاله از روشي جديد به صورت تلفيقي از سيستم هاي عصبي و فازي استفاده مي نمايد بدين ترتيب با توجه به اينكه اطلاعات در خط هاي مختلف متفاوت مي باشد و از فونت با شخصي به فونت يا شخص ديگر فرق مي كند.پردازش اطلاعات نيز بايد بصورت فازي باشد. بدين منظور با ارائه الگوريتمي جديد و استفاده از شبكه هاي عصبي ديگر انجمني و قانون هب و با استفاده از قاب بندي و بعد از طي مراحلي، با استفاده از روش برون خطه و راهكار مبتني بر شناسايي، حروف را شناسايي مي نماييم و سپس با استفاده از سيستم فازي حروف را بازشناسي كرده، كه با استفاده از روش جديد ارائه شده ميزان كارايي تشخيص حروف تا ۹۹ درصد براي حروف مختلف با فونت هاي مختلف كه دستاوردي در اين مبحث مي باشد خواهد رسيد و سپس با استفاده از دامنه واژگان صحت و سقم حروف شناسايي شده مورد بررسي قرار گرفته و با استفاده از اين قسمت در نهايت ميزان كارايي شبكه تا 9/99% درصد بهبود مي يابد.

Recognizing the letters is a complicated issue, due to the existence of different manuscripts. In this process, extracting the character properties of the letters correctly is an important step in the correct recognition of the letters. This paper uses a new method in a combination of neural and fuzzy systems. Thus, given that the information varies from one line to another, the font is different from person to font or another person. Information processing must also be Fuzzy. To this end, by introducing a new algorithm and using other neural networks, the association and the law By using framing and after the steps, we identify the letters using an out-of-band method and an identification-based approach, and then by The use of the fuzzy system recognizes the letters, which is presented using the new method, the efficiency of the detection of letters up to 99% for different letters with different fonts, which is an achievement in this topic, and then using the range of verbs and verbs The letters have been examined and, using this section, the network performance is up to 99.9% percent Heals.