Комбинированные алгоритмы в задачах распознавания текстов

• Автор: Славин, Олег Анатольевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2000
• Место защиты: Москва
• Количество страниц: 167 с. : ил.

1.1. Задачи программ распознавания текстов.

1.2. Анализ изображений

1.3. Методы распознавания отдельных символов

1 4 Распознавание текстов как многокритериальная задача.

1.5. Выводы.

ГЛАВА 2 БАЗОВЫЕ МЕТОДЫ РАСПОЗНАВАНИЯ СИМВОЛОВ.

I I I I I I i iii i I i i i ii I I I I м iiiiiiii

ii iiiii iiiiiiiiiiiiiii i

2 I Характеристики методов распознавания

2 2 Метод 3x5.

2 3. Событийный метод
2 4. Методы наложения.
2.5. Древовидные методы
2.6 Нейронная сетьнад образом x.
2.7. Выводы.
ГЛАВА 3 КОМБИНИРОВАННЫЕ МЕТОДЫ РАСПОЗНАВАНИЯ
ПЕЧАТНЫХ И РУКОПЕЧАТНЫХ СИМВОЛОВ
3.1. Распознавание полей рукопечатных почтовых индексов
3.2 Распознавание рукопечатных полей
3 .3. Распознавание строк печатных текстов.
3 4 Дополнительные алгоритмы сегментации символов
3 5 Выводы.
ГЛАВА 4 АДАПТИВНЫЕ АЛГОРИТМЫ РАСПОЗНАВАНИЯ СТРОК И СТРАНИЦ
4 1. Базовые линии и линейный критерий.
4 2 Многопроходная схема с обучением
4 3 Распознавание атрибутов текста
4.4. Выводы
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА


Для обхода проблемы сложности оценки многомерных распределений вероятностей признаков применяются эвристические приемы, учитывающие индивидуальные информативности и статистические связи между попарными комбинациями признаков 1. В iрафии 4 приводится другой подход к выработке решающих правил на большом объеме признаков. В отличие от решающих процедур с фиксированным большим объемом выборки, требующих больших временных затрат на формирование всех возможных признаков. При этом процесс формирования признаков заканчивается вместе с принятием решения о достижении оптимальной классификации, существенно сокращая стоимость изхюрения признаков Отмечаются адаптивные возможности обучения систем последовательного распознавания, состоящие в
пополнении априорной информации о классификации после принятия решений на основе подмножества всех признаков. Приводится формулировка оптимального решающего последовательного правила, состоящая в минимизации среднего риска рХ,. Схьх стоимость измерения нового признака х. РХпХ,. Трудоемкость обучения, связанная с полным перебором объектов из обучающей последовательности, может быть снижена применением вероятностных алгоритмов 9 Вероятностные алгоритмы используют случайный алгоритм разбиения множества объектов обучения В работе 9 описан рекуррентный вероятностный алгоритм, конструирующий функции принадлежности к одному из определенных классов так. Авторы 9 отмечают, что предлагаемые рекуррентные механизхш могут быть использованы и для классификации фиксированных обучающих последовательностей посредством многократных повторений алгоритма при случайных разбиениях множества допустимых объектов.