Red neuronal para el reconocimiento de escritura a mano

Red neuronal para el reconocimiento de escritura a mano

Hoy, en la era digital, el problema del reconocimiento de patrones es muy relevante. En particular, la tarea de reconocimiento de texto es importante en la banca, para la lectura automática de documentos y su control; en sistemas de control de video, por ejemplo, para identificar la matrícula de un...

Descripción completa

Detalles Bibliográficos
Autores principales: M. Butaev, Mikhail, Yu. Babich, Mikhail, Salnikovq, Igor I., Martyshkin, Alexey I., Pashchenko, Dmitry V., Trokoz, Dmitry A.
Formato: Online
Idioma:eng
Publicado: Universidad Nacional de Ingeniería (UNI) en Managua 2020
Acceso en línea:https://www.camjol.info/index.php/NEXO/article/view/10798
id NEXO10798
record_format ojs
spelling NEXO107982021-01-27T17:33:53Z Neural Network for Handwriting Recognition Red neuronal para el reconocimiento de escritura a mano M. Butaev, Mikhail Yu. Babich, Mikhail Salnikovq, Igor I. Martyshkin, Alexey I. Pashchenko, Dmitry V. Trokoz, Dmitry A. neural network pattern recognition neural network algorithms accuracy network training network retraining red neuronal reconocimiento de patrones algoritmos de redes neuronales precisión entrenamiento de redes reentrenamiento de redes Today, in the digital age, the problem of pattern recognition is very relevant. In particular, the task of text recognition is important in banking, for the automatic reading of documents and their control; in video control systems, for example, to identify the license plate of a car that violated traffic rules; in security systems, for example, to check banknotes at an ATM and in many other areas. A large number of methods are known for solving the problem of pattern recognition, but the main advantage of neural networks over other methods is their learning ability. It is this feature that makes neural networks attractive to study. The article proposes a basic neural network model. The main algorithms are considered and a programming model is implemented in the Python programming language. In the course of research, the following shortcomings of the basic model were revealed: low learning rate (the number of correctly recognized digits in the first epochs of learning); retraining - the network has not learned to generalize the knowledge gained; low probability of recognition - 95.13%.To solve the above disadvantages, various techniques were used that increase the accuracy and speed of work, as well as reduce the effect of network retraining. Hoy, en la era digital, el problema del reconocimiento de patrones es muy relevante. En particular, la tarea de reconocimiento de texto es importante en la banca, para la lectura automática de documentos y su control; en sistemas de control de video, por ejemplo, para identificar la matrícula de un automóvil que violó las reglas de tránsito; en los sistemas de seguridad, por ejemplo, para verificar los billetes en un cajero automático y en muchas otras áreas. Se conocen una gran cantidad de métodos para resolver el problema del reconocimiento de patrones, pero la principal ventaja de las redes neuronales sobre otros métodos es su capacidad de aprendizaje. Es esta característica la que hace que las redes neuronales sean atractivas para estudiar. El artículo propone un modelo básico de red neuronal. Se consideran los principales algoritmos y se implementa un modelo de programación en el lenguaje de programación Python. En el curso de la investigación, se revelaron las siguientes deficiencias del modelo básico: baja tasa de aprendizaje (el número de dígitos reconocidos correctamente en las primeras épocas de aprendizaje); reentrenamiento: la red no ha aprendido a generalizar los conocimientos adquiridos; baja probabilidad de reconocimiento: 95,13%. Para resolver las desventajas anteriores, se utilizaron varias técnicas que aumentan la precisión y la velocidad del trabajo, así como también reducen el efecto del reentrenamiento de la red. Universidad Nacional de Ingeniería (UNI) en Managua 2020-12-31 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Peer-Reviewed Article Artículo revisado por pares application/pdf https://www.camjol.info/index.php/NEXO/article/view/10798 10.5377/nexo.v33i02.10798 Nexo Scientific Journal; Vol. 33 No. 02 (2020); 623-637 Nexo Revista Científica; Vol. 33 Núm. 02 (2020); 623-637 1995-9516 1818-6742 eng https://www.camjol.info/index.php/NEXO/article/view/10798/12653 Derechos de autor 2021 Universidad Nacional de Ingeniería
institution Universidad Nacional de Ingeniería
collection Nexo Revista Científica
language eng
format Online
author M. Butaev, Mikhail
Yu. Babich, Mikhail
Salnikovq, Igor I.
Martyshkin, Alexey I.
Pashchenko, Dmitry V.
Trokoz, Dmitry A.
spellingShingle M. Butaev, Mikhail
Yu. Babich, Mikhail
Salnikovq, Igor I.
Martyshkin, Alexey I.
Pashchenko, Dmitry V.
Trokoz, Dmitry A.
Red neuronal para el reconocimiento de escritura a mano
author_facet M. Butaev, Mikhail
Yu. Babich, Mikhail
Salnikovq, Igor I.
Martyshkin, Alexey I.
Pashchenko, Dmitry V.
Trokoz, Dmitry A.
author_sort M. Butaev, Mikhail
description Hoy, en la era digital, el problema del reconocimiento de patrones es muy relevante. En particular, la tarea de reconocimiento de texto es importante en la banca, para la lectura automática de documentos y su control; en sistemas de control de video, por ejemplo, para identificar la matrícula de un automóvil que violó las reglas de tránsito; en los sistemas de seguridad, por ejemplo, para verificar los billetes en un cajero automático y en muchas otras áreas. Se conocen una gran cantidad de métodos para resolver el problema del reconocimiento de patrones, pero la principal ventaja de las redes neuronales sobre otros métodos es su capacidad de aprendizaje. Es esta característica la que hace que las redes neuronales sean atractivas para estudiar. El artículo propone un modelo básico de red neuronal. Se consideran los principales algoritmos y se implementa un modelo de programación en el lenguaje de programación Python. En el curso de la investigación, se revelaron las siguientes deficiencias del modelo básico: baja tasa de aprendizaje (el número de dígitos reconocidos correctamente en las primeras épocas de aprendizaje); reentrenamiento: la red no ha aprendido a generalizar los conocimientos adquiridos; baja probabilidad de reconocimiento: 95,13%. Para resolver las desventajas anteriores, se utilizaron varias técnicas que aumentan la precisión y la velocidad del trabajo, así como también reducen el efecto del reentrenamiento de la red.
title Red neuronal para el reconocimiento de escritura a mano
title_short Red neuronal para el reconocimiento de escritura a mano
title_full Red neuronal para el reconocimiento de escritura a mano
title_fullStr Red neuronal para el reconocimiento de escritura a mano
title_full_unstemmed Red neuronal para el reconocimiento de escritura a mano
title_sort red neuronal para el reconocimiento de escritura a mano
title_alt Neural Network for Handwriting Recognition
publisher Universidad Nacional de Ingeniería (UNI) en Managua
publishDate 2020
url https://www.camjol.info/index.php/NEXO/article/view/10798
work_keys_str_mv AT mbutaevmikhail neuralnetworkforhandwritingrecognition
AT yubabichmikhail neuralnetworkforhandwritingrecognition
AT salnikovqigori neuralnetworkforhandwritingrecognition
AT martyshkinalexeyi neuralnetworkforhandwritingrecognition
AT pashchenkodmitryv neuralnetworkforhandwritingrecognition
AT trokozdmitrya neuralnetworkforhandwritingrecognition
AT mbutaevmikhail redneuronalparaelreconocimientodeescrituraamano
AT yubabichmikhail redneuronalparaelreconocimientodeescrituraamano
AT salnikovqigori redneuronalparaelreconocimientodeescrituraamano
AT martyshkinalexeyi redneuronalparaelreconocimientodeescrituraamano
AT pashchenkodmitryv redneuronalparaelreconocimientodeescrituraamano
AT trokozdmitrya redneuronalparaelreconocimientodeescrituraamano
_version_ 1781395980706381824

Ejemplares similares