2.1.5 Design of an Intelligent Vehi

2.1.5 Design of an Intelligent Vehicle License Plate Recognition System
Yap Keem Siah [14] proposed different types of Neural Networks that can be
used to classify the characters. For example, multi-layer preceptors network with back
propagation learning algorithm (BP Network), Fuzzy ARTMAP neural network, learning
vector quantization (MTLVQ) and also probalistic neural network (PNN). In this
experiment, the BP network has the highest recognition rate among all neural network
methods with 99.67%. However, there are number of factors must be considered strictly
for the neural network comparisons such as learning rate, initial weight and etc.
Therefore, second experiment was conducted to test the neural networks on their
recognition ability with training sets. From this second experiment, the Fuzzy ARTMAP
can memorize 100% of trained samples. It is the best networks used in memorizing
trained data.

ผลลัพธ์ (ไทย) 1:

2.1.5 การออกแบบระบบการรู้จำป้ายรถอัจฉริยะยาบ Keem Siah [14] นำเสนอแตกต่างกันของเครือข่ายประสาทที่สามารถใช้งานตัวอักษร ตัวอย่าง เครือข่ายหลายชั้น preceptors กับหลังเรียนรู้เผยแพร่เรียนรู้อัลกอริทึม (เครือข่าย BP), เครือข่ายประสาท ARTMAP เอิบเวกเตอร์ quantization (MTLVQ) และเครือข่ายประสาท probalistic (PNN) ในที่นี้ทดลอง เครือข่าย BP มีการอัตราการรับรู้สูงสุดระหว่างเครือข่ายประสาททั้งหมดวิธี 99.67% อย่างไรก็ตาม มีจำนวนของปัจจัยที่ต้องพิจารณาอย่างเคร่งครัดการเปรียบเทียบเครือข่ายประสาทเช่นเรียนอัตรา น้ำหนักเริ่มต้น และอื่น ๆดังนั้น ที่สองทดลองได้ดำเนินการทดสอบเครือข่ายประสาทในของพวกเขาความสามารถในการรับรู้ชุดฝึกอบรม จากการทดลองครั้งนี้สอง ARTMAP เอิบสามารถจดจำ 100% ของตัวอย่างที่ผ่านการฝึกอบรม เป็นเครือข่ายดีที่สุดที่ใช้ในการจดจำข้อมูลการฝึกอบรม

ผลลัพธ์ (ไทย) 2:

2.1.5 การออกแบบใบอนุญาตรถอัจฉริยะระบบจานรับรู้
Yap Keem Siah [14] เสนอที่แตกต่างกันของเครือข่ายประสาทเทียมที่สามารถ
ใช้ในการจำแนกตัวอักษร ยกตัวอย่างเช่นครูพี่เลี้ยงหลายชั้นเครือข่ายที่มีกลับมา
ขยายพันธุ์ขั้นตอนวิธีการเรียนรู้ (BP เครือข่าย) เลือน ARTMAP เครือข่ายประสาทการเรียนรู้
เวกเตอร์ (MTLVQ) และเครือข่ายประสาท probalistic (PNN) ในการนี้
การทดสอบเครือข่าย BP มีอัตราการยอมรับมากที่สุดในทุกเครือข่ายประสาท
วิธีการที่มี 99.67% แต่มีหลายปัจจัยที่ต้องพิจารณาอย่างเคร่งครัด
สำหรับการเปรียบเทียบโครงข่ายประสาทเช่นอัตราการเรียนรู้น้ำหนักเริ่มต้นและอื่น ๆ
ดังนั้นการทดลองที่สองได้ดำเนินการในการทดสอบเครือข่ายประสาทของพวกเขาใน
ความสามารถในการรับรู้ด้วยชุดการฝึกอบรม จากการทดลองที่สองนี้ ARTMAP ฝอย
สามารถจดจำ 100% ของกลุ่มตัวอย่างที่ได้รับการฝึกฝน มันเป็นเครือข่ายที่ดีที่สุดที่ใช้ในการจดจำ
ข้อมูลที่ผ่านการฝึกอบรม

ผลลัพธ์ (ไทย) 3:

2.1.5 การออกแบบของรถอัจฉริยะระบบรู้จำป้ายทะเบียนรถยนต์
ปากคีม siah [ 14 ] เสนอประเภทของโครงข่ายประสาทเทียมที่สามารถ
ใช้แยกอักขระ ตัวอย่างเช่น หลายชั้นเครือข่ายพี่เลี้ยงกลับ
การขยายพันธุ์อัลกอริทึมการเรียนรู้ ( เครือข่าย BP ) คลุมเครือ artmap โครงข่ายการเรียนรู้
quantization เวกเตอร์ ( mtlvq ) และยัง probalistic โครงข่ายประสาทเทียม ( pnn ) ในนี้
การทดลองความดันเครือข่ายได้สูงสุดอัตราการรู้จำของโครงข่ายประสาทเทียม
วิธีกับ 99.67 % อย่างไรก็ตาม มีจำนวนของปัจจัยที่ต้องพิจารณาอย่างเคร่งครัด
สำหรับโครงข่ายประสาทเทียมการเปรียบเทียบ เช่น อัตราการเรียนรู้ น้ำหนักเริ่มต้นและฯลฯ
ดังนั้นการทดลองที่สองเพื่อทดสอบความสามารถในการรับรู้ของข่ายงาน
ด้วยชุดฝึกอบรมจากการทดลองนี้
artmap ฟัซซีสามารถจดจำ 100% ของตัวอย่างที่ผ่านการอบรม เป็นเครือข่ายที่ใช้ในการจดจำข้อมูลที่ดีที่สุด



ฝึก