Character recognition is the main p

Character recognition is the main part of this
system for the identification of character. Here the
traditional optical character recognition is replaced by
feed forward, Back Propagation neural network for a
given system. To adjust the connection weights BPLAs
use the gradient-decent search method. In feed-forward
neural network information moves only in one forward
direction. The direction is from the input layer via the
hidden layer, to the output layer. Loops are not present
in this network. The limitation of single layer
perceptrons has been overcome by applying multilayer
feed-forward network with one or more hidden layers.
It can be trained using back propagation algorithms.
This increases the overall recognition rate due to multi
layer feed forward network. Randomly, weights are
chosen, the needful corrections can be computed using
back propagation algorithm. This algorithm doesn’t
works when the value of error function becomes
negligible small.

ผลลัพธ์ (ไทย) 1:

การรู้จำอักขระเป็นส่วนหลักของระบบสำหรับรหัสของอักขระ ที่นี่การรู้จำอักขระด้วยแสงแบบดั้งเดิมถูกแทนที่ด้วยป้อนไปข้างหน้า โครงข่ายประสาทกลับเผยแพร่สำหรับการระบบที่กำหนด การปรับปรุงการเชื่อมต่อน้ำหนัก BPLAsใช้วิธีการค้นหาไล่ระดับดี ในการส่งอาหารข้อมูลเครือข่ายประสาทเคลื่อนย้ายไปข้างหน้าหนึ่งเท่านั้นทิศทาง ทิศทางคือจากชั้นการป้อนข้อมูลผ่านทางการชั้นที่ซ่อนอยู่ ชั้นออก ไม่มีห่วงในเครือข่ายนี้ ข้อจำกัดของชั้นเดียวperceptrons ได้เอาชนะ ด้วยการใช้หลายชั้นเครือข่ายอาหารไป หนึ่งชั้นที่ซ่อนอยู่สามารถฝึกโดยใช้อัลกอริทึมการแพร่กระจายหลังเพิ่มอัตราการรู้จำโดยรวมเนื่องจากหลายชั้นฟีดเครือข่ายส่งต่อ สุ่ม ถูกเลือก การแก้ไขที่จำเป็นอาจคำนวณโดยใช้หลังเผยแพร่อัลกอริทึม อัลกอริทึมนี้ไม่เมื่อค่าของฟังก์ชันข้อผิดพลาดในการทำงานเล็กเล็กน้อย

ผลลัพธ์ (ไทย) 2:

รู้จำตัวอักษรเป็นส่วนหลักของ
ระบบเพื่อระบุตัวตนของตัวละคร นี่
จดจำตัวอักษรแสงแบบดั้งเดิมจะถูกแทนที่ด้วย
ฟีดไปข้างหน้ากลับขยายพันธุ์เครือข่ายประสาทสำหรับ
ระบบที่กำหนด เพื่อปรับการเชื่อมต่อน้ำหนัก BPLAs
ใช้การไล่ระดับสี-ดีวิธีการค้นหา ในฟีดไปข้างหน้า
ข้อมูลเครือข่ายประสาทย้ายเฉพาะในหนึ่งไปข้างหน้า
ทิศทาง ทิศทางจากชั้นการป้อนข้อมูลผ่านทาง
ชั้นที่ซ่อนอยู่ในชั้นการส่งออก ลูปจะไม่ได้อยู่
ในเครือข่ายนี้ ข้อ จำกัด ของชั้นเดียว
เพอร์เซปตรอนได้รับการเอาชนะโดยใช้หลาย
เครือข่ายฟีดไปข้างหน้าด้วยหนึ่งหรือมากกว่าหนึ่งชั้นที่ซ่อนอยู่.
มันสามารถผ่านการฝึกอบรมโดยใช้ขั้นตอนวิธีการขยายพันธุ์กลับ.
นี้จะเพิ่มอัตราการรู้จำโดยรวมเนื่องจากหลาย
เลเยอร์เครือข่ายไปข้างหน้าฟีด สุ่มน้ำหนักจะ
เลือกแก้ไขที่จำเป็นสามารถคำนวณได้โดยใช้
กลับวิธีการขยายพันธุ์ ขั้นตอนวิธีการนี้จะไม่
ทำงานเมื่อค่าของฟังก์ชั่นข้อผิดพลาดจะกลายเป็น
เล็กน้อยขนาดเล็ก

ผลลัพธ์ (ไทย) 3:

การรู้จำตัวอักษรเป็นส่วนหลักของนี้ระบบเพื่อระบุตัวตนของตัวละคร ที่นี่การรู้จำอักขระด้วยแสงจะถูกแทนที่โดยดั้งเดิมดึงไปข้างหน้า กลับโดยนิวรอลสำหรับให้ระบบ ปรับน้ำหนัก bplas การเชื่อมต่อใช้สีเหมาะสม ค้นหาวิธีการ ใน feed-forwardข้อมูลเครือข่ายประสาทย้ายเพียงหนึ่งไปข้างหน้าทิศทาง ทิศทางคือจากข้อมูลชั้นผ่านทางชั้นซ่อน , การแสดงผลชั้น ค่าปัจจุบันในเครือข่ายนี้ ข้อจำกัดของชั้นเดียวเพอร์เซปตรได้ถูกเอาชนะโดยการใช้หลายชั้นfeed-forward เครือข่ายที่มีหนึ่งหรือมากกว่าหนึ่งที่ซ่อนอยู่ชั้นมันสามารถฝึกโดยใช้ขั้นตอนวิธีการกลับมานี้จะเพิ่มอัตราการรับรู้โดยรวม เนื่องจาก หลายชั้นดึงไปข้างหน้าของเครือข่าย น้ำหนักเป็นแบบสุ่มเลือกการแก้ไขที่จำเป็นสามารถคำนวณโดยใช้กลับแพร่ขั้นตอนวิธี อัลกอริทึมนี้ไม่ได้ทำงานเมื่อค่าของฟังก์ชันข้อผิดพลาดที่กลายเป็นน้อย ขนาดเล็ก