To build the SNN, we have considere

To build the SNN, we have considered a 26-class problem, where uppercase and lowercase representations of characters are merged into a unique class called metaclass (e.g., “A” and “a” form the metaclass “Aa”). The main reason for such a choice is the weakness of the HRS in distinguishing between uppercase and lowercase characters (only 45 percent of the character cases are recognized correctly). The network takes a 108-dimensional feature vector as input and it has 100 units in the hidden layer and 26 outputs, one for each character class. The isolated characters are represented in the feature space by 108-dimensional feature vectors which are formed by combining three different types of features: projection histogram from whole characters, profiles from whole
characters, and directional histogram from six zones. These features were chosen among others through an empirical evaluation where the recognition rate and the feature vector
dimension were used as criteria [33].

ผลลัพธ์ (ไทย) 1:

สร้างทีสมบูรณ์แบบ เราได้พิจารณาปัญหาชั้น 26 ที่แทนอักขระตัวพิมพ์ใหญ่ และพิมพ์เล็กรวมไว้ในชั้นเรียนเฉพาะเรียกว่า metaclass (เช่น "A" และ "a" แบบฟอร์ม metaclass "เอเอ") เหตุผลหลักสำหรับทางเลือกเป็นจุดอ่อนของน.ในการแยกความแตกต่างระหว่างอักขระตัวพิมพ์ใหญ่ และตัวพิมพ์เล็ก (เฉพาะ 45 เปอร์เซ็นต์ของกรณีอักขระมีรู้จักอย่างถูกต้อง) เครือข่ายใช้คุณลักษณะ 108 มิติเวกเตอร์เป็นอินพุท และมี 100 หน่วยในชั้นซ่อนและผล 26 หนึ่งสำหรับแต่ละอักขระคลาส ตัวแยกจะแสดงในพื้นที่ลักษณะการทำงาน โดยคุณลักษณะ 108 มิติเวกเตอร์ที่เกิดขึ้น โดยการรวมคุณลักษณะสามประเภท: ฉายภาพฮิสโตแกรมจากตัวอักษรทั้งหมด โปรไฟล์จากทั้งหมดตัวอักษร และฮิสโตแกรมทิศทางจากโซน 6 คุณลักษณะเหล่านี้ถูกเลือกในหมู่ผู้อื่นผ่านการประเมินผลที่อัตราการรู้จำและคุณลักษณะเวกเตอร์มิติถูกใช้เป็นเงื่อนไข [33]

ผลลัพธ์ (ไทย) 2:

เพื่อสร้าง SNN เราได้ถือเป็นปัญหา 26 ระดับที่พิมพ์ใหญ่และพิมพ์เล็กการแสดงของตัวละครจะถูกรวมเข้าไปในชั้นที่ไม่ซ้ำกันเรียกว่า metaclass (เช่น "A" และ "" รูปแบบ metaclass "AA") เหตุผลหลักสำหรับการเลือกเช่นนี้เป็นจุดอ่อนของ HRS แยกความแตกต่างระหว่างตัวอักษรตัวพิมพ์ใหญ่และพิมพ์เล็ก (เพียงร้อยละ 45 ของกรณีตัวละครที่ได้รับการยอมรับอย่างถูกต้อง) เครือข่ายจะใช้เวลาเวกเตอร์คุณลักษณะ 108 มิติเป็น input และมี 100 หน่วยในชั้นที่ซ่อนอยู่และ 26 เอาท์พุทหนึ่งสำหรับแต่ละชั้นเรียนตัวอักษร ตัวอักษรที่แยกเป็นตัวแทนในพื้นที่คุณลักษณะโดยพาหะคุณลักษณะ 108 มิติที่เกิดขึ้นโดยการรวมสามชนิดที่แตกต่างกันของคุณสมบัติ: histogram ประมาณการจากตัวละครทั้งรูปแบบจากทั้ง
ตัวอักษรและ histogram ทิศทางจากหกโซน คุณสมบัติเหล่านี้ได้รับการแต่งตั้งในหมู่คนอื่น ๆ ผ่านการประเมินผลการทดลองที่อัตราการรับรู้และเวกเตอร์คุณลักษณะ
มิติถูกนำมาใช้เป็นเกณฑ์ [33]

ผลลัพธ์ (ไทย) 3:

สร้าง snn เราต้องพิจารณาปัญหา 26 คลาสที่ใช้แทนอักขระตัวพิมพ์ใหญ่และตัวพิมพ์เล็ก จะรวมไว้ในคลาสพิเศษที่เรียกว่า metaclass ( เช่น " " และ " " รูปแบบ metaclass " AA " )เหตุผลหลักสำหรับการดังกล่าวเป็นทางเลือกที่เป็นจุดอ่อนของชั่วโมงในความแตกต่างระหว่างตัวพิมพ์ใหญ่และตัวพิมพ์เล็กตัวอักษร ( เพียงร้อยละ 45 ของตัวอักษรกรณีที่ได้รับการยอมรับอย่างถูกต้อง ) เครือข่ายชั่ว 108 มิติเวกเตอร์ลักษณะเป็น input และมันได้ 100 หน่วยในชั้นซ่อนและ 26 ออกหนึ่งสำหรับแต่ละตัวละครคลาสแยกอักขระตัวแทนในลักษณะพื้นที่โดยมีมิติ 108 เวกเตอร์ซึ่งจะเกิดขึ้นโดยการรวมสามชนิดต่าง ๆ คุณสมบัติ : ภาพฉายจากตัวละครทั้งหมด โปรไฟล์จากตัวละครทั้งหมด
และทิศทางกราฟจาก 6 โซนคุณสมบัติเหล่านี้ได้รับเลือกในหมู่คนอื่น ๆผ่านการประเมินเชิงประจักษ์ที่อัตราการรู้จำและคุณลักษณะเวกเตอร์
มิติถูกใช้เป็นเกณฑ์ [ 33 ]