Par où commencer la Reconnaissance Manuscrite à l'aide de Réseau de Neurones?
J'ai essayé d'apprendre à propos des Réseaux de Neurones pour un certain temps maintenant, et je peux comprendre que certains des tutoriels en ligne. Maintenant, je veux développer en ligne la reconnaissance manuscrite à l'aide de Réseau de Neurones. Donc je n'ai pas la moindre idée par où commencer? Et j'ai besoin d'une très bonne instruction. Enfin je suis programmeur java.
Ce que me conseillez-vous de faire?
OriginalL'auteur Zeck | 2009-12-28
Vous devez vous connecter pour publier un commentaire.
Commencer simple avec reconnaissance de caractères sur le Unipen base de données.
Vous aurez besoin pour extraire des caractéristiques pertinentes de premières données de trajectoire dans l'ordre pour former ce qui est communément appelé une "feature vector". Par exemple, vous pourriez ré-échantillonner les données à l'aide d'un schéma d'interpolation de se retrouver avec n tuples, chaque tuple contenant des informations telles que:
Une fois que vous avez une taille fixe pour la fonction de vecteur, vous l'utilisez comme le signal d'entrée du réseau de neurones. Essayez de SCM des réseaux pour commencer.
Vous aurez à expérimenter afin de décider quelles fonctionnalités sont les meilleurs.
Si vous avez besoin pour commencer sur l'extraction de caractéristiques à partir de données d'Encre, jetez un oeil à HP Lipi Toolkit (notez que les modules de reconnaissance de ne pas utiliser les réseaux neuronaux).
Vous pouvez également jeter un oeil à ce 15 Étapes de mise en Œuvre d'un Réseau de Neurones tutoriel.
Je suis désolé, je ne peux pas dire beaucoup de bien que/ en raison d'un NDA
+1 lien en bas est grande
OriginalL'auteur
Introduction Aux Réseaux de Neurones pour la Java est un bon livre d'introduction et comprend une reconnaissance de l'écriture manuscrite exemple.
le texte d'alt http://ecx.images-amazon.com/images/I/51RmyzT3ZUL._SL500_AA240_.jpg
OriginalL'auteur
Ont un oeil à certains de le projet flottant sur le net:
Pour ne citer que les trois premiers liens Google crache pour "java reconnaissance de l'écriture manuscrite"
Quelques conseils pour vous aider à démarrer:
Si vous le pouvez, travailler avec des vecteurs au lieu de graphiques bitmap. Idéalement, vous devriez avoir la vitesse et la direction de chaque course. Il est souvent plus simple de reconnaître une lettre par la façon dont une courbe des virages plus la vitesse à laquelle il a été tiré, au lieu de la forme.
Attaquer le problème avec plusieurs approches. L'utilisation des réseaux de neurones, la reconnaissance d'une forme, la taille, précédent et suivant de la lettre, des dictionnaires. Tous d'entre eux vous donnera des résultats différents avec différents niveaux d'erreur. Cela peut grandement aider à améliorer les résultats.
Bonne chance!
OriginalL'auteur
Peter Norvig de Intelligence Artificielle: Une Approche Moderne De La est un bon livre sur les IA et explique beaucoup de choses sur les bases, et il y a une section sur le Dos de Propagation de réseaux de neurones.
Pour former votre réseau de neurones, vous aurez besoin d'ensembles de données.
Il y a LA BASE DE DONNÉES MNIST
des chiffres manuscrits, ou le Stylo à Base de Reconnaissance de Chiffres Manuscrits de l'Ensemble de Données à la UCI Machine Learning Repository
L'UCI ML référentiel a beaucoup de grands ensembles de données, beaucoup de ce qui serait bon de former des réseaux de neurones. Même si vous ne savez pas ce qu'ils sont sur, vous pouvez récupérer un peu et de voir si votre ML système peut procéder à la classification des tâches. Regardez La Classification des tâches avec un grand nombre d'attributs et les instances, bien que vous pouvez essayer les petits aussi, quand vous commencez.
Par le façon, il ya beaucoup plus de techniques en plus de réseaux de neurones, y compris Machines À Vecteurs De Support, qui sont populaires.
OriginalL'auteur
Garder à l'esprit que si votre but est en fait de reconnaître ces caractères, votre performance stand et à l'automne en fonction de la qualité et de la sélection des entités en entrée.
Il est absolument essentiel de choisir la bonne caractéristiques, et prétraiter (c'est à dire se débarrasser du bruit de fonctionnalités, données superflues, dupliquer ou fortement corrélée caractéristiques) autant que vous le pouvez. Dans mon expérience, vous obtiendrez de bien meilleures performances de la plus ennuyeuse et la plaine la plus proche voisin de mise en œuvre avec de bonnes fonctionnalités que de la pointe de l'algorithme avec le moins bien des entités sélectionnées.
Pour vous, que signifie retarder la lecture du réseau neuronal de la littérature pour l'instant (il suffit de prendre le large du plateau, boîte noire de la mise en œuvre de la première) et à la lecture de ce type de traitement de l'image etc. systèmes réels d'utilisation. Si vos données peuvent inclure la pression et la vitesse de l'info, tout le meilleur. Quelque chose comme un LDA heatmap peut être utile pour d'abord vérifier les caractéristiques de la matière, et qui ne le sont pas.
Pour la classification de base, il ya des tonnes de décent algorithmes. La plupart fonctionnent très bien et fonctionne correctement pour vous. La partie la plus difficile n'est pas dans la cueillette ou à modifier l'algorithme, c'est en évitant le garbage in-garbage out scénario.
OriginalL'auteur
Heaton de recherche vous aidera beaucoup
http://www.heatonresearch.com/articles/7/page3.html - visite pour ce tutoriel avec des exemples d'extraits de code
OriginalL'auteur
Réseau de neurones [si je ne me trompe pas] serait de travailler sur l'interprétation des modèles,
Vous fournir des intrants à votre programme et le programme de recherches de ce modèle dans un ensemble d'informations d'
motifs et fondée sur le match fournit une correspondance possible.
Dans votre cas, les dimensions pour les modèles pourraient être données telles que la vitesse + direction
ou seulement de direction, etc
J'ai fait une petite simulation de neurones de bot que de chats sur mon site dans un mode similaire.
Les modèles plus le programme "Apprend", la plus précise, les réponses qu'il fournit.
OriginalL'auteur
Les réseaux de neurones ont besoin de beaucoup de temps de trempage. Les concepts sont assez faciles, mais ils peuvent être écrasante pour le débutant.
Prendre un coup d'oeil à ce que Jochen Fröhlich a fait avec les réseaux de neurones en Java. Il sonne comme un point de départ idéal pour un programmeur Java comme vous.
OriginalL'auteur
les livres: Caractère Systèmes de Reconnaissance: Un Guide pour les Étudiants et les Praticiens et La reconnaissance des Notes de Tableau: en ligne, Hors Ligne et la Combinaison sont de bons points de départ.
OriginalL'auteur
Si vous êtes à la recherche pour les concepts, je suggère BrainNet,
Réseaux de neurones - Partie I: Une simple reconnaissance de l'écriture manuscrite système .NET
http://amazedsaint.blogspot.com/2008/01/neural-networks-part-i-simple.html
OriginalL'auteur
Je vous suggère de commencer à partir de la reconnaissance des chiffres manuscrits pour les raisons suivantes:
OriginalL'auteur