Нейросетевые технологии в задаче распознавания рукописных символов
Описаны структуры и механизмы работы классификатора LiRA и модульных нейронных сетей. Оба классификатора решают задачу распознавания изображений на основе поиска признаков в них. Эксперименты в сравнении двух классификаторов, показали, что последняя версия модульной нейронной сети обладает более выс...
Gespeichert in:
| Veröffentlicht in: | Управляющие системы и машины |
|---|---|
| Datum: | 2018 |
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
2018
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/150486 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Нейросетевые технологии в задаче распознавания рукописных символов / А.Д. Гольцев, В.И. Гриценко // Управляющие системы и машины. — 2018. — № 4. — С. 3-20. — Бібліогр.: 49 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862679020922994688 |
|---|---|
| author | Гольцев, А.Д. Гриценко, В.И. |
| author_facet | Гольцев, А.Д. Гриценко, В.И. |
| citation_txt | Нейросетевые технологии в задаче распознавания рукописных символов / А.Д. Гольцев, В.И. Гриценко // Управляющие системы и машины. — 2018. — № 4. — С. 3-20. — Бібліогр.: 49 назв. — рос. |
| collection | DSpace DC |
| container_title | Управляющие системы и машины |
| description | Описаны структуры и механизмы работы классификатора LiRA и модульных нейронных сетей. Оба классификатора решают задачу распознавания изображений на основе поиска признаков в них. Эксперименты в сравнении двух классификаторов, показали, что последняя версия модульной нейронной сети обладает более высокой эффективностью (распознающей способностью), чем классификатор LiRA, хотя и несколько уступает ему в быстродействии.
Результат - в статті розглянуті два типи нейронних класифікаторів: нейронний класифікатор LiRA і модульні нейронні мережі. Обидва класифікатора призначені для вирішення практичних завдань з розпізнавання зображень. Обидва класифікатора вирішують задачу на основі пошуку в зображеннях деякого набору заздалегідь сконструйованих ознак. Функціонування обох класифікаторів розглянуто на прикладі використання так званих LiRA-ознак. Здатність класифікаторів ефективно розпізнавати зображення базується саме на використанні дуже великої кількості (десятків і сотень тисяч) простих і ефективних LiRA-ознак. На основі результатів ряду експериментів в порівнянні класифікатора LiRA і модульної нейронної мережі, показано, що остання версія модульної нейронної мережі володіє більш високою ефективністю ніж класифікатор LiRA, хоча і дещо поступається йому за швидкодією.
Results the article considers two types of neural classifiers: LiRA neural classifier and modular neural networks. Both classifiers are designed to solve practical problems of image recognition. Both classifiers solve the problem by searching a certain set of pre-constructed features in the images. Both classifiers use the so-called LiRA-features. The ability of classifiers to effectively recognize visual images is largely based on the use of a very large number (tens and hundreds of thousands) of simple and effective LiRA functions. A series of experiments is conducted comparing the LiRA classifier and the modular neural network. The experiments show that the latest version of the modular neural network has a higher efficiency (recognition ability) than the LiRA classifier, although it is slightly inferior in speed.
|
| first_indexed | 2025-12-07T15:41:59Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-150486 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0130-5395 |
| language | Russian |
| last_indexed | 2025-12-07T15:41:59Z |
| publishDate | 2018 |
| publisher | Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| record_format | dspace |
| spelling | Гольцев, А.Д. Гриценко, В.И. 2019-04-08T13:09:51Z 2019-04-08T13:09:51Z 2018 Нейросетевые технологии в задаче распознавания рукописных символов / А.Д. Гольцев, В.И. Гриценко // Управляющие системы и машины. — 2018. — № 4. — С. 3-20. — Бібліогр.: 49 назв. — рос. 0130-5395 DOI https://doi.org/10.15407/usim.2018.04.003 https://nasplib.isofts.kiev.ua/handle/123456789/150486 004.8 + 004.032.26 Описаны структуры и механизмы работы классификатора LiRA и модульных нейронных сетей. Оба классификатора решают задачу распознавания изображений на основе поиска признаков в них. Эксперименты в сравнении двух классификаторов, показали, что последняя версия модульной нейронной сети обладает более высокой эффективностью (распознающей способностью), чем классификатор LiRA, хотя и несколько уступает ему в быстродействии. Результат - в статті розглянуті два типи нейронних класифікаторів: нейронний класифікатор LiRA і модульні нейронні мережі. Обидва класифікатора призначені для вирішення практичних завдань з розпізнавання зображень. Обидва класифікатора вирішують задачу на основі пошуку в зображеннях деякого набору заздалегідь сконструйованих ознак. Функціонування обох класифікаторів розглянуто на прикладі використання так званих LiRA-ознак. Здатність класифікаторів ефективно розпізнавати зображення базується саме на використанні дуже великої кількості (десятків і сотень тисяч) простих і ефективних LiRA-ознак. На основі результатів ряду експериментів в порівнянні класифікатора LiRA і модульної нейронної мережі, показано, що остання версія модульної нейронної мережі володіє більш високою ефективністю ніж класифікатор LiRA, хоча і дещо поступається йому за швидкодією. Results the article considers two types of neural classifiers: LiRA neural classifier and modular neural networks. Both classifiers are designed to solve practical problems of image recognition. Both classifiers solve the problem by searching a certain set of pre-constructed features in the images. Both classifiers use the so-called LiRA-features. The ability of classifiers to effectively recognize visual images is largely based on the use of a very large number (tens and hundreds of thousands) of simple and effective LiRA functions. A series of experiments is conducted comparing the LiRA classifier and the modular neural network. The experiments show that the latest version of the modular neural network has a higher efficiency (recognition ability) than the LiRA classifier, although it is slightly inferior in speed. ru Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Управляющие системы и машины 100-летие Национальной академии наук Украины Нейросетевые технологии в задаче распознавания рукописных символов Нейромережеві технології в задачі розпізнавання рукописних символів Neural Network Technologies in the Problem of Handwriting Recognition Article published earlier |
| spellingShingle | Нейросетевые технологии в задаче распознавания рукописных символов Гольцев, А.Д. Гриценко, В.И. 100-летие Национальной академии наук Украины |
| title | Нейросетевые технологии в задаче распознавания рукописных символов |
| title_alt | Нейромережеві технології в задачі розпізнавання рукописних символів Neural Network Technologies in the Problem of Handwriting Recognition |
| title_full | Нейросетевые технологии в задаче распознавания рукописных символов |
| title_fullStr | Нейросетевые технологии в задаче распознавания рукописных символов |
| title_full_unstemmed | Нейросетевые технологии в задаче распознавания рукописных символов |
| title_short | Нейросетевые технологии в задаче распознавания рукописных символов |
| title_sort | нейросетевые технологии в задаче распознавания рукописных символов |
| topic | 100-летие Национальной академии наук Украины |
| topic_facet | 100-летие Национальной академии наук Украины |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/150486 |
| work_keys_str_mv | AT golʹcevad neirosetevyetehnologiivzadačeraspoznavaniârukopisnyhsimvolov AT gricenkovi neirosetevyetehnologiivzadačeraspoznavaniârukopisnyhsimvolov AT golʹcevad neiromereževítehnologíívzadačírozpíznavannârukopisnihsimvolív AT gricenkovi neiromereževítehnologíívzadačírozpíznavannârukopisnihsimvolív AT golʹcevad neuralnetworktechnologiesintheproblemofhandwritingrecognition AT gricenkovi neuralnetworktechnologiesintheproblemofhandwritingrecognition |