آموزش منيفلد در حوزه‌ي تبديل جهت شناسايي ارقام دست‌نويس فارسي

Manifold Learning in Transform Area for Persian Handwritten digit recognition

در اين مقاله، روشي مبتني بر آموزش منيفلد در حوزه تبديل، جهت شناسايي ارقام دست‌نويس فارسي معرفي مي‌گردد. آموزش منيفلد، جهت كاهش ابعاد بردارهاي ويژگي به كار گرفته مي‌شود. در اين مقاله، از تبديل‌هاي موجك و كسينوسي گسسته جهت محاسبه تصوير ارقام دست‌نويس در حوزه تبديل استفاده مي‌گردد. سپس به مقايسه ميزان نرخ تشخيص در دو حوزه‌ي تصوير و تبديل پرداخته مي‌شود. نتايج به‌دست آمده نشان مي‌دهد كه ميزان نرخ تشخيص در دو حوزه تبديل و تصوير يكسان بوده و تركيب خطي بردارهاي ويژگي، موجب بهبود ميزان نرخ تشخيص نمي‌گردد. همچنين آزمايش‌هايي مبتني بر زيربردارهاي ويژگي حاصل از حوزه تبديل صورت گرفته كه موجب بهبود عملكرد مي‌گردد. نتايج شبيه‌سازي بر روي ارقام پايگاه داده متون دست‌نويس فارسي FHT نشان داده شده است.

In this paper, a manifold learning based method in transform area is proposed for Persian handwritten digit recognition. Manifold learning methods are used to reduce the dimensionality of the feature vectors. In this paper, wavelet and discrete cosine transforms are applied to convey image of handwritten digits to transform area. Then, the recognition rates are calculated in both intensity and transform areas. The results show the recognition rate is completely equal in both areas. Also, linear combination of the feature vectors in intensity and transform areas don’t improve the recognition rate. The experiments on sub-vector of feature vector of transform area improve the results. The experiments are done on Persian handwritten text (FHT) database.