تشخیص حروف الفبای انگلیسی با شبکه عصبی
تشخیص حروف الفبای انگلیسی با شبکه عصبی در متلب :پروژه شبیه سازی متلب
پروژه شبیه سازی متلب در این پروژه بعد از لود تصویر در برنامه شبکه عصبی را آموزش میدهیم و سپس با پیش پردازش حروف را باید سگمنت گذاری و لبه یابی شده سپس با شبکه عصبی تشخیص داده می شود.
الفبای لاتین از رومی ها و الفبای رومی از یونانی ها گرفته شد. اینکه یونانی ها این الفبا را از کجا یاد گرفتند، به طور یقین نمی دانیم اما احتمال دارد از فنیقی ها گرفته و فنیقی ها هم به نوبه خود آن را از مصری ها قرض کرده اند.
اگر الفبای ما ریشه مصری داشته باشد قطعا مثل الفبای چینی و ژاپنی، ابتدا شکل مصور داشته، اما پیشرفت و تکمیل آن از طریق دیگری انجام یافته و راه جداگانه ای پیموده است. زیرا این علامتها شکل اشیا را نشان نمی داد بلکه صوتهای هجایی هر کلمه را که تلفظ می شد، نمایان می ساخت.
اما چون اصوات هجایی، فوق العاده زیاد است در این طرز نوشتن هم ناچار علامتهای بسیار زیادی وجود داشت که باید همه را به خاطر سپرد.
با این اوصاف به مرور زمان، تعدادی علامت جداگانه ابداع شد که کار آنها نمایاندن صوتهای هجایی نبود بلکه صوتهای اصلی را نمایش می داد و این صوتها همانها است که وقتی با هم ترکیب می شود صوتهای هجایی را می سازد.
سود مهم این ابداع این بود که هر کس به کمک چندین علامت مختصر (بیست و شش علامت در الفبای انگلیسی) و ترکیب درست این علامتها می تواند صدای هر هجا و صدای هر کلمه را نمایش دهد.
پس از اختراع فن نوشتنانسان شروع کرد به نگهداری سوابق، مکتوب کارها و اندیشه های خود. اوایل، این قسمت نوشتها خیلی اندک بود اما رفته رفته که فن نوشتن نشر یافت و صورتی درست تر و سنجیده تر پیدا کرد، یادگارهای مکتوب کاملتر و مفصلتر شد.
تا به امروز که در تمام کشورهای متمدن می بینیم کتابخانه ها و بناهای ملی و خانه های خصوصی مملو از انوع و اقسام یادگارها و سوابق چاپی و خطی (دست نویس) شده است.
بدون این آثار و سوابق تاریخ بشر ناچار صورتی پیدا می کرد غیر از آنچه در واقع می بود پروژه شبیه سازی متلب و ما نیز صرف نظر از چهره واقعی تاریخ، درباره گذشته بشر آگاهی مختصری می داشتیم.
پس اختراع فنی نوشتن از مهمترین رویدادهای تاریخ بود، زیرا نخست فن نوشتن روش ما را در آموختن تاریخ بهتر کرد و دوم راه ها و خط سیر وقایع تاریخ را تغییر داد .
شبکه عصبی:
شبکه های عصبی مصنوعی حاصل تحقیقات دامنه داری هستند که برروی نحوه عملکرد دسـتگاه عـصبی انسان و دیگر جانوران انجام شده است . واحد ساختمانی اصلـی دستگاه عصبی نـرون یـا سـلول عـصبی میباشد.
چند میلیون از این سلولها به طرق مختلف به یکدیگر ارتباط یافته اند تـا سیـستم عـصبی مرکـزی شـکل بگیرد و اعمال متنوع و پیچیده ای از کنترل اعضاء بدن گرفته تا تفکر و تعقل را امکان پذیر سازند.
نرون شامل یک جسم سلولی است که دارای چند زائده کوتاه بنام دندریت ، یک زائده طویل بنام آکـسون و یک هسته می باشد. دندریت ها جریان عصبی را بسمت جسم سلولی و آکـسون جریـان عـصبی را بـه خارج سلول هدایت می کند، هر نرون فقط دارای یک آکسون است . بنابراین تنها یک خروجی دارد ولی ممکن است چندین دندریت داشته باشد. ارتباط بین نرونها از طریق سیناپس برقرار می شودو ماهیت این کانال ارتباطی به گونه ای است که پیام عصبی فقط در یک جهت منتقل می شـود. هـر نـرون دارای یـک سطح فعالیت است و تا زمانی که پیامهای عصبی رسیده به نرون از این سطح فعالیت بزرگتر نباشد قادر به تحریک نرون نیستند. گاه یک پیام قوی به تنهایی و گاه چند پیام ضعیف با هم توانـائی تحریـک نـرون را پیدا می کنند.
پروژه شبیه سازی متلب واحد ساختمانی اصلی شبکه عصبی مصنوعی نیز مانند همتای طبیعـی خـود «نـرون » نامیـده مـی شـود و حاوی چندین خط ورودی و یک خط خروجی می باشد.
از این پس شبکه عصبی مصنوعی را به اختصار شبکه عصبی یا شبکه ، نرونهای موجود در هـر ردیـف را یک لایه ، اولین ردیف نرونها را لایه ورودی، آخرین ردیف نرونها را لایه خروجی و بقیه لایـه هـا را کـه مابین ایندو قرار گرفته اند ، لایه های پنهان می نامیم .
همانطور که در شکل ٢-٢ دیده می شود نرونها در چند لایه قـرار گرفتـه انـد و خروجـی هـر نـرون بـه ورودی نرونهای لایه بعدی متصل می باشد.
یک شبکه عصبی با توجه به نوع نرون انتخاب شده ، نحـوه اتـصال نرونهـا بـه یکـدیگر و نیـز قـوانین و روشهای آموزش می تواند به قابلیتهای مشابه مغز انسان دست یابد، که از آن جمله می توان بـه داشـتن حافظه ، توانائی دسته بندی اشیاء شناسائی الگو ، شناسـایی مـتن و پـردازش گفتـار و تـصویراشاره کـرد.
علاوه بر این توانائی انجام عملیات ریاضی و مهندسی را نیز داراست کـه از آن میـان مـی تـوان عملیـات منطقی، تصویر فضایm بعدی به فضای n بعدی، تقریب تابعی ، مـدل سـازی و مـسائل بهینـه سـازی را عنوان کرد . معمولاً برای حل یک مسأله خاص توسط شبکه های عصبی، ابتدا توپولوژی مناسبی را برای شبکه در نظر گرفته سپس با تغییر دادن وزنهای اتصالات سعی می کنند تا قابلیت حل مسأله مورد نظـر را برای شبکه ایجاد کنند. شیوه انتخاب شده برای تغییـر دادن وزن اتـصالات مـابین نرونهـا در واقـع روش یادگیری شبکه را تعیین می کند. بطور کلی روشهای یادگیری به دودسته با سرپرستی و بـدون سرپرسـتی تقسیم می شوند.
در یادگیری با سرپرستی همـراه با ارائه الگوهای آموزشی به شبکـه ، خروجـی مطلـوب نیــز بـه آن داده میشود تا با در نظر گرفتن یک تابع معیار مناسب برای شبکه بتوان آنرا به وضعیت مطلوب هـدایت کـرد.
پروژه شبیه سازی متلب این روش خـود به دو دستۀ از روشهـا که یکی مبتنی بـر تصحیح خطا و دیگـری براسـاس نـزول شـیب میباشند تقسیم می شود. روش پس انتشار خطا که در ادامه راجع بـه آن توضـیحاتی ارائـه مـی شـود از جمله الگوریتمهای یادگیری مبتنی بر نزول شیب است .پروژه شبیه سازی متلب در روش بدون سرپرستی فقط الگوها به شبکه ارائه می شود و خود شبکه با توجه به ورودیها ویژگیهای لازم را استخراج کرده و آنها را طبقه بندی می کند.
خروجی برنامه :
دیدگاه ها