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 ได้ถูกเอาชนะ โดยการใช้เครือข่ายอาหารไปหลายชั้นมากกว่า หนึ่งชั้นซ่อนสามารถฝึกโดยใช้อัลกอริทึมการแพร่กระจายหลังอัตราการรู้จำโดยรวมเนื่องจากหลายชั้นฟีดเครือข่ายเดินหน้าขึ้น สุ่ม เลือกตุ้มน้ำหนัก การแก้ไขที่จำเป็นอาจคำนวณได้โดยใช้อัลกอริทึมกลับเผยแพร่ อัลกอริทึมนี้ไม่ทำงานเมื่อค่าของฟังก์ชันข้อผิดพลาด เล็กน้อยเล็ก

ผลลัพธ์ (ไทย) 2:

รู้จำตัวอักษรเป็นส่วนหลักของ
ระบบเพื่อระบุตัวตนของตัวละคร นี่
จดจำตัวอักษรแสงแบบดั้งเดิมจะถูกแทนที่ด้วย
ฟีดไปข้างหน้ากลับขยายพันธุ์เครือข่ายประสาทสำหรับ
ระบบที่กำหนด เพื่อปรับการเชื่อมต่อน้ำหนัก BPLAs
ใช้การไล่ระดับสี-ดีวิธีการค้นหา ในฟีดไปข้างหน้า
ข้อมูลเครือข่ายประสาทย้ายเฉพาะในหนึ่งไปข้างหน้า
ทิศทาง ทิศทางจากชั้นการป้อนข้อมูลผ่านทาง
ชั้นที่ซ่อนอยู่ในชั้นการส่งออก ลูปจะไม่ได้อยู่
ในเครือข่ายนี้ ข้อ จำกัด ของชั้นเดียว
เพอร์เซปตรอนได้รับการเอาชนะโดยการใช้เครือข่ายฟีดไปข้างหน้าหลายกับหนึ่งหรือชั้นที่ซ่อนอยู่.
มันสามารถผ่านการฝึกอบรมโดยใช้ขั้นตอนวิธีการขยายพันธุ์กลับ.
นี้จะเพิ่มอัตราการรู้จำโดยรวมเนื่องจากหลายเลเยอร์เครือข่ายไปข้างหน้าฟีด สุ่มน้ำหนักได้รับการคัดเลือกในการแก้ไขจำเป็นสามารถคำนวณได้โดยใช้วิธีการขยายพันธุ์กลับ ขั้นตอนวิธีการนี้จะไม่ทำงานเมื่อค่าของฟังก์ชั่นข้อผิดพลาดเล็กน้อยกลายเป็นขนาดเล็ก

ผลลัพธ์ (ไทย) 3:

การรู้จำตัวอักษรเป็นส่วนหลักของนี้ระบบเพื่อระบุตัวตนของตัวละคร ที่นี่การรู้จำอักขระด้วยแสงจะถูกแทนที่โดยดั้งเดิมดึงไปข้างหน้า กลับโดยนิวรอลสำหรับให้ระบบ ปรับน้ำหนัก bplas การเชื่อมต่อใช้สีเหมาะสม ค้นหาวิธีการ ใน feed-forwardข้อมูลเครือข่ายประสาทย้ายเพียงหนึ่งไปข้างหน้าทิศทาง ทิศทางคือจากข้อมูลชั้นผ่านทางชั้นซ่อน , การแสดงผลชั้น ค่าปัจจุบันในเครือข่ายนี้ ข้อจำกัดของชั้นเดียวเพอร์เซปตรได้ถูกเอาชนะโดยการใช้เครือข่าย feed-forward Multilayer กับหนึ่งหรือมากกว่าหนึ่งที่ซ่อนอยู่ชั้นมันสามารถฝึกโดยใช้ขั้นตอนวิธีการกลับมานี้จะเพิ่มอัตราการรับรู้โดยรวม เนื่องจากอาหารไปข้างหน้าหลายชั้นเครือข่าย สุ่ม , น้ำหนักที่เลือก , การแก้ไขที่จำเป็นสามารถคำนวณการใช้ back propagation ขั้นตอนวิธี อัลกอริทึมนี้จะไม่ทำงานเมื่อค่าของฟังก์ชันข้อผิดพลาดกลายเป็นกระจอกเล็ก