دانلود ترجمه مقاله روش مطمئن رده بندی یادداشتهای بانکی توسط شبکه های عصبی مصنوعی – مجله اسپرینگر

فهرست مطالب:

چکیده
۱  مقدمه
۲   اکتساب داده و پیش‌پردازش‌ها
۲ ۱ حسگر نقطه‌ای
۳ استخراج ویژگی‌های تحلیل مولفه‌های اصلی
۴ طبقه بندی
۴ ۱ یادگیری بردار کوانتیزه
۴ ۲ مدل مخفی مارکوف
۵ شاخص اعتبارسنجی قابلیت اطمینان
۶ نتایج آزمایشی و بحث
۶ ۱ بردار کوانتیزه یادگیری
۶ ۲ مدل مخفی مارکوف
۷ نتیجه

بخشی از ترجمه:

جدول ۲ نتایج طبقه‌بندی برای همه ۲۴ کلاس را مشخص می‌کند. این باید این نکته که ما قابلیت اطمینان را ارزیابی نمی کنیم و نتایج تنها با توجه به نرخ طبقه‌بندی می‌شوند توجه کنیم. نرخ تشخیص Top(k)  به معنی درصدی از نمونه‌ها که کلاس‌های متناظر  در میان k کاندید اولیه HMM است ، می‌باشد. با در نظر گرفتن مقدار بیشینه k، نرخ تشخیص مقدار بیشینه می‌گیرد . بااین حال،  این باعث کاهش دقت و صحت اندازه‌گیری می‌شود . نرخ بالای تشخیص Top(3) ، ۸۱٫۷% است،  که بطور قابل توجهی نسبت به LVQدر زمانیکه PCA اعمال می‌شود و ۲۰۰بردار کدبوک در نظر گرفته می‌شود ، پایین‌تر است.
بعد،  ما بر SOM 7*7 برای فریم داده هرکلاس در عوض در نظر گرفتن یک SOMبرای فریم داده‌های کل تلاش می‌کنیم. در این مورد، میزان تشخیص به طور قابل ملاحظه‌ای افزایش می‌یابد. نتایج در جدول ۳ نشان داده شده است.
همانطور که نشان داده شده است، هنوز یک تفاوت مهم بین طبقه‌بندی HMM  و طبقه‌بندی LVQ وجود دارد. نرخ طبقه‌بندی پایین HMM به نظر می‌رسد عمدتآ با توجه به داده کوانتیزه شده  برای کاهش اندازه داده و سهولت فرآیند طبقه‌بندی به تصویب رسیده است.
نتایج نشان می‌دهند که اگر چه طبقه‌بندی LVQ به عنوان مدل آفلاین کار می‌کند و ممکن است برای برنامه‌های کاربردی سیستم خطی مانند سیستم فعلی مناسب نباشد، میزان طبقه‌بندی هنوز بالاتر و دارای قابلیت اطمینان بیشتر در زمانیکه که با HMM مقایسه می‌شود است.

۷ نتیجه
در این مقاله، ما طبقه‌بندی LVQ برای طبقه‌بندی پول کاغذی اعمال کردیم . استخراج خصیصه مبتنی بر PCA برروی داده برای انتخاب اغلب مولفه‌های اصلی موثر اجرا می‌شود . روش جدید برای ارزیابی قابلیت اطمینان طبقه‌بندی توسط استفاده از تراکم بردار کدبوک و مشخص کردن مناطق همپوشانی نمایش داده شده است. روش ساده است و برای استفاده در طبقه‌بندی که بر اساس کدبوک است آسان است.
در مقایسه با HMM ، که ما به عنوان طبقه‌بندی جایگزین اعمال کرده‌ایم ، نتایج طبقه‌بندی و قابلیت اطمینان LVQ بسیار نیرومندتر دیده شده است. بااین حال، به منظور افزایش میزان قابلیت اعتماد طبقه‌بندی LVQ تا نزدیک به ۱۰۰% ، به نظر می‌رسد که ما نیاز به مرحله خوش‌بندی اضافی قبل برای LVQ برای مدل کردن پیچیدگی داده واقعی و برای ارائه تخمین واضحی از تراکم داده داریم.
HMM برای طبقه‌بندی آنلاین  ترجیح داده می‌شود و بطور کلی عملکرد سریع‌تری  در تشخیص داده‌های متوالی دارد. بااین حال، سیستم فعلی به نظر می‌رسد هنوز هم برخی از مشکلات به دلیل ایجاد توالی مناسب از ویژگی داده‌ها وجود دارد. علاوه براین، برای آنکه ما از داده‌های کوانتیزه در مقایسه با تراکم مستمر استفاده می‌کنیم، میزان طبقه‌بندی به طور قابل توجهی کاهش می‌یابد. کارهای بیشتری برای برخی تغییرات جدید در روش‌های یادگیری HMM انجام شده است، مانند هموارسازی پارامترهای HMM با استفاده از توابع مجاور SOM ، برای آنکه طبقه‌بندی را قدرتمند ساخت.

بخشی از مقاله انگلیسی:

introduction

Neural networks have been widely applied for recognitionof bank notes in automatic teller machines (ATMs) in pastyears, and a variety of approaches have been performed toimprove the classification rate and reliability of the system.L2 Due to high risk of misclassification in such systems,the reliability of recognition becomes of high importance. Generally, the system must be able to classify not onlydifferent classes of different worth bills, but also the billswith different levels of fatigue, taint, and defects. Moreover,the system is expected to be robust in classification of shifted and rotated bills, and also be crucially sensitive tocounterfeit notes.Concerning the complexity of the bill structure, which isused to prevent bill counterfeiting, one major step in suchsystems is optimizing the data acquisition and feature extractionof data. The extracted features must be discriminativeenough such that they help the classifier to recognizethe various kinds of input bills and also to reject counterfeitones. Furthermore, because these machines generally workunder real conditions with a wide variance in input data, amajor problem is how to improve the reliability of the system to cover all kinds of real data. Thus, all proposedapproaches are mainly intended to address two main problems:first, definition of a criterion for validating the reliability,and second, providing new algorithms for improving there liability.The system proposed in this article is based on usingprincipal component analysis (PCA) for feature extractionof data and linear vector quantization (LVQ) as the mainclassifier. Also, a new algorithm for evaluating the reliabilityof the classification is proposed, which is based on theassumption of Gaussian densities for data assigned to thecodebook vectors of the LVQ, and then determination ofthe overlap zones. In order to have a comparative study on the results ofclassification, we have also applied hidden Markov models(HMMs) as an alternative classifier, which is proper forsequential input data, instead of the LVQ. Here, by using aline sensor for reading the bill data, a set of sequentialframes is generated which will be used as the HMMs observationdata.The experimental results obtained from different kindsof US dollar bills show that using PCA for feature extractionand LVQ as the main classifier can increase the reliabilityof the system significantly. The proposed method isintended for classifying different kinds of paper currency,although we have only examined US dollar bills.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه