BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  25,014,914
  • Công bố khoa học và công nghệ Việt Nam

Khoa học máy tính

Trần Thị Kiều, Đặng Xuân Vinh, Vương Quang Phước(1)

Nghiên cứu mạng nơ-ron nhân tạo và ứng dụng vào nhận dạng chữ số viết tay

A study about neuron network and applying to recognize handwritten digits

Tạp chí Khoa học và công nghệ - Trường Đại học Khoa học, Đại học Huế

2020

1

49-62

2354-0850

Mạng nơ-ron nhân tạo, Chữ số viết tay, Nhận dạng, Mạng nơ-ron nhân tạo đa lớp, AI

AI, Handwriting number recognition, MLP network

Trong nghiên cứu này, nhóm tác giả đã tìm hiểu về một số mô hình mạng nơ-ron nhân tạo để ứng dụng vào việc nhận dạng chữ số viết tay. Mô hình được lựa chọn là mô hình mạng nơ-ron nhân tạo đa lớp MLP (Multi-Layer Perceptron). Mô hình mạng nơ-ron này là một mô hình không quá phức tạp và phù hợp để ứng dụng vào nhận dạng chữ số viết tay. Bên cạnh đó, mô hình mạng nơ-ron n|y cũng l| một mô hình cơ bản, cho nên việc tìm hiểu mô hình này là nền tảng để nghiên cứu những mô hình mạng nơ-ron khác phức tạp hơn. Cc tham số của mô hình như tỷ lệ học, chu kì học, số lớp ẩn, số nơ-ron trên mỗi lớp ẩn được khởi tạo và lần lượt thay đổi để tìm ra bộ thông số tối ưu với mục đích xy dựng một mô hình mạng nơ-ron nhân tạo đa lớp MLP. Sau quá trình huấn luyện và kiểm định, mô hình đã đạt được độ chính xác khá cao (95.40%).

In this paper, the authors built an artificial neural network model to recognize handwritten digits. The proposed model is an artificial neural network model called MLP (Multi-Layer Perceptron). This neural network model is not too complicated and suitable for application in handwritten recognition. Besides, this neural network model is also a basic model, so learning about this one is the foundation for studying other more complex neural network models The parameters of the model such as learning rate, epochs, number of hidden layers, the neuron of each hidden layers are initialized and modified to choose the optimal set of parameters to build a model. After training and testing process, the model achieved high accuracy (95.40%).

TTKHCNQG, CVv 470

Xem toàn văn
  • [1] L. Deng (2012), The MNIST Database of Handwritten Digit Images for Machine Learning Research [Best of the Web],IEEE Signal Processing Magazine, pp. 141-142, 2012.
  • [2] Y. LeCun; L. Bottou; Y. Bengio; and P. Haffner (1998), Gradient-based learning applied to document recognition,Proceedings of the IEEE, 1998.
  • [3] Berkant Savas and Lars Eldén (2007), Handwritten digit classification using higher order singular value decomposition,Pattern Recognition, pp. 993-1003, 2007
  • [4] A. Krizhevsky; I. Sutskever; and G. E. Hinton (2012), Imagenet classification with deep convolutional neural networks,Advances in neural information processing systems, p. 1097–1105, 2012.
  • [5] Hossein Karimi; Azadeh Esfahanimehr; Mohammad Mosleh; Faraz Mohammadian; Simintaj Salehpour; Omid Medhati (2015), Persian handwritten digit recognition using ensemble classifiers,Procedia Computer Science, pp. 416-425, 2015.
  • [6] S. Basu; N. Das; R. Sarkar; M. Kundu; M. Nasipuri; and D. K. Basu (2005), An MLP based Approach for Recognition of HandwrittenBangla’Numerals,Proc. 2nd Indian International Conference on Artificial Intelligence, pp. 407-417, 2005.
  • [7] Wal-ter H. Delashmit and Michael T. Manry (2005), Recent developments in multilayer perceptron neural networks,Proceedings of the 7 th Annual Memphis Area Engineering and Science Conference, MAESC, 2005
  • [8] Stipe Celar; Zeljko Stojkic; Zeljko Seremet; Zeljko Marusic; Danijel Zelenika (2015), Classification of Test Documents Based on Handwritten Student ID’s C-haracteristics,Procedia Engineering, pp. 782-790, 2015.
  • [9] Đ. T. Nghị and P. N. Khang (2013), Nhận dạng ký tự số viết tay bằng giải thuật máy học,Tạp chí Khoa học Trường Đại học Cần Thơ, 2013.
  • [10] Lernout Stephen; Devos Geert; Kraze Andreas; Platteau Frank (2016), A non-biological AI approach towards natural language understanding,
  • [11] Yuanzhi Ke and M. Hagiwara (2015), A natural language processing neural network comprehending English,in International Joint Conference on Neural Networks (IJCNN), 2015.
  • [12] E. Strickland (2017), IBM Watson Makes a Treatment Plan for Brain-Cancer Patient in 10 Minutes; Doctors Take 160 Hours,IEEE Spectrum, 2017.
  • [13] S. Kang (2017), CancerLocator: non-invasive cancer diagnosis and tissue-of-origin prediction using methylation profiles of cell-free DNA,Genome Biology, pp. 18-53, 2017
  • [14] Ric-hard E. Neapolitan; Xia Jiang (2018), With an Introduction to Machine Learning,Second Edition, Chapman and Hall/CRC, 2018.