دانلود مقاله ترجمه شده آنالیز مجموعه خاصیت در شناسایی کاراکتر دست خط مالایایی – مجله IEEE

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” آنالیز مجموعه خاصیت در شناسایی کاراکتر دست خط مالایایی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
1 – مقدمه
A . متن مالایالام و چالش های مرتبط به ان
B . دسته کننده ماشین بردار پشتیبان
II . جمع آوری داده
III . پیش پردازش
IV . استخراج مشخصه
A . ویژگی های حوزه زمان
B . ویژگی های حوزه فرکانس
C . ویژگی های سمتی
D . ویژگی های انحناء
V . نتایج عملکردی
VI : نتیجه گیری

• بخشی از ترجمه:

VI : نتیجه گیری
تشخیص کاراکتر زبان مالایی آنلاین پایه ماشین بردار پشتیبان در این مقاله پیشنهاد می گردد . ما ویژگی های مختلف و ربط اش را در تشخیص آنلاین توضیح داده ایم . مجموع 308 نمونه از شیوه های مختلف جمع اوری شده از گروه 20 نفری برای اموزش استفاده می شوند . دسته کننده ماشین بردار پشتیان با زیرساخت چند جمله ای درجه سه می تواند دقت خوب حدود 97.7273 درصدی را در آزمایشات فراهم نماید و دسته کننده تنها به زمان اموزش کمتر در مقایسه با شبکه های عصبی مصنوعی و مدل های مارکوف مخفی نیاز دارد . چون این یک کار زمانی واقعی می باشد ، ما به دسته کننده های با سرعت و دقت خوب نیاز اریم . مشخص گردید که دقت برای دستخط مستقیم با سرعت نوشتن متوسط بیشتر می باشد . نقاط کمتر در صورتی ثبت خواهند شد که نوشتن بسیار سریع باشد . کاراکتر های داری حلقه ها و ویژگی جهتی یکسان برای دسته بندی اشتباه مستعد هستند . دسته بندی اشتباه را با یکی کردن دیکشنری مالایی و مثال های آموزش بیشتر می توان به حداقل رساند . کل حروف که در اینجا آزمایش شده اند از حرف های تکی می باشند . تحلیل بیشتر در مورد شناسایی حرف دوتایی و استخراج ویژگی برای شناسایی کل حروف با دستخط پیچیده شبیه مالایی مورد نیاز می باشد .

• بخشی از مقاله انگلیسی:

VI. CONCLUSION

This paper proposes an SVM based online Malayalam character recognition. We explained different features and its relevance on online recognition. A total of 308 samples of different styles collected from a group of 20 people are used for training. SVM classifier with polynomial kernel, degree 3 provides good accuracy about 97.7273% in experiments and the classifier needs only less training time compared to Artificial Neural Networks and Hidden Markov Models. Since this is a real time work, we need classifiers with good speed and accuracy. The accuracy is found to be more for ”straight hand writing” with a moderate writing speed. Lesser points will be recorded if too fast the writing. Characters having loops and same directionality are prone to miss-classification. Incorporating Malayalam dictionary and more training examples, miss-classification can be minimized . All the strokes experimented here are single strokes. More analysis is needed on double stroke identification and a feature extraction to identify all the strokes of complex script like Malayalam.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله