Где запустить Рукописное Распознавание с помощью Нейронной сети?

Введение в нейронные сети для Java является хорошей вводной книгой и включает в себя пример распознавания рукописного текста.

Нейронным сетям нужно много времени. Концепции достаточно просты, но они могут быть ошеломляющими для новичка.

Взгляните на то, что Йохен Фройлих сделал с нейронными сетями на Java . Звучит как идеальная отправная точка для такого программиста на Java как вы

Искусственный Интеллект Питера Норвига : Современный подход является хорошей книгой об общем ИИ и многое объясняет об основах, а также есть раздел о нейронных сетях Back Propagation.

Для обучения нейросети вам понадобятся наборы данных.

Есть МНИСТИЧЕСКАЯ ДАННЫХАБАЗА рукописных цифр , или Pen-Based Recognition of Handwritten Digits Data Set at the UCI Machine Learning Repository

UCI ML repository has many many great datasets, many of which would be good to train neural networks. Даже если вы не знаете, что они собой представляют, вы можете взять некоторые из них и посмотреть, сможет ли ваша система ML выполнить задачи классификации. Посмотрите на задачи Классификации с большим количеством атрибутов и экземпляров , хотя вы можете попробовать и более мелкие, когда начнете работу.

Кстати, помимо нейронных сетей, существует гораздо больше методик, в том числе Поддержка векторных машин, которые популярны.

Взгляните на часть проекта, плавающего по сети:

• Нейросетевой апплет распознавания рукописного текста
• Распознавание рукописного текста в Java-технологии
• Распознавание рукописного текста

Чтобы перечислить только три первые ссылки, Google выплескивает "java-распознавание рукописного текста"

Некоторые подсказки, чтобы начать:

• Если можете, работайте с векторами, а не с растровой графикой. В идеале у вас должна быть скорость и направление каждого штриха. Часто проще распознать букву по тому, как изгибается кривая, плюс скорость, с которой она была нарисована, а не по форме.

• Атакуйте проблему с несколькими подходами. Используйте нейронные сети, распознавание формы, размер, предыдущую и следующую букву, словари. Все они дадут разные результаты с разными уровнями ошибок. Это может сильно помочь улучшить результаты.

Удачи!

Нейронная сеть [если я не ошибаюсь] будет работать над интерпретацией паттернов, Вы предоставляете входы в программу, и программа ищет этот шаблон в наборе сохраненных данных. детали и на основе совпадения обеспечивает возможное совпадение.

В вашем случае, размерами деталей могут быть такие данные, как скорость + направление. или только направление, и т.д.

Я сделал небольшую симуляцию нейронного бота, который общается на моем сайте подобным образом.

Чем больше шаблонов программа "Учится", тем более точные ответы она дает.

книги: системы распознавания символов: Руководство для студентов и практиков и Распознавание записей на доске: Онлайн, оффлайн и комбинация являются хорошими отправными точками.

Помните, что если ваша цель - фактически распознать эти символы, Ваша производительность будет стоять и падать на основе качества и выбора входных функций .

Это абсолютно имеет решающее значение для выбора правильных функций и для препроцесса (то есть избавление от шума, посторонние данные, дубликаты или сильно коррелированные функции) столько, сколько вы можете . По моему опыту вы получите гораздо лучшую производительность от самой скучной и простой ближайшей соседской реализации с хорошими особенностями, чем из альгоритма режущего края с менее хорошо выделенными функциями.

Для вас, что означает задержка чтения Neural Neet Littorature на данный момент (просто сначала отключить его с помощью полки в черной коробке) и чтение на какую обработку изображения и т. Д. Если ваши данные могут включать информацию о давлении и скорости, тем лучше. Что-то вроде HeathMap LDA может быть иллюстративным, чтобы изначально видеть, какие особенности материи, а которые нет.

Для базовой классификации существуют тонны приличных алгоритмов. Большинство работает нормально и будет работать просто для вас. Трудная часть не выбирает или настраивает алгоритм, он избегает сценария мусора в мусоре.

Если вы ищете концепции, я предлагаю Brainnet,

нейронные сети - часть I: простая система распознавания почерков в .NET

http://amazedsaint.blogspot.com /2008/01/neural-Networks-part-i-simple.html

brainnet поможет вам к

• получить справедливое понимание относительно нейронов и нейронных сетей
• получить хорошую концепцию в отношении интеллектуальных систем
• Как играть с этой библиотекой нейронной сети, чтобы использовать его в вашем проекты.
• Поймите, как разработать некоторые прохладные нейронные сетевые программы