(구)정보과학회 논문지
Current Result Document :
| 한글제목(Korean Title) |
유전자 알고리즘과 결합된 다층 클러스터 신경망을 이용한 무제약 필기체 숫자의 오프라인 인식 |
| 영문제목(English Title) |
Offline Recognition of Unconstrained Handwritten Numerals using Multilayer Cluster Neural Network Combined with Genetic Algorithm |
| 저자(Author) |
김영준
이성환
Young Joon Kim
Seong-Whan Lee
|
| 원문수록처(Citation) |
VOL 21 NO. 08 PP. 1468 ~ 1479 (1994. 08) |
한글내용
(Korean Abstract) |
본 연구에서는 단순한 구조의 다층 클러스터 역전파 신경망을 이용하여 무제약 필기체 숫자를 효과적으로 오프라인 인식하는 새로운 방법을 제안하며, 또한 기울기 강하 기법을 이용한 제안된 클러스터 신경망의 학습시, 국부적인 최소 영역에 빠지는 것을 방지하기 위하여 전역적인 탐색 기능을 갖는 유전자 알고리즘을 이용함으로써 학습 시간이 대폭 감소하며 신경망의 정인식률이 향상될 수 있음을 보인다. 제안된 방법에서는 특징을 추출하기 위하여 Kirsch 매스크를 이용하였으며, 분류기로는 5개의 독립적인 네트워크로 구성되는 3층 클러스터 신경망을 이용하였다.
제안된 방법의 성능을 객관적으로 검증하기 위하여 캐나다 Concordia 대학교의 필기체 숫자 데이타베이스, 일본 전자총합연구소의 ETL-1 필기체 숫자 데이타베이스 그리고 한국전자통신연구소의 필기체 숫자 데이타베이스에 대하여 실험한 결과, 초기 가중치를 임의로 설정하였을 경우 각각, 97.10%, 98.50%, 그리고 99.20%의 정인식률을 나타내었으며, 또한 유전자 알고리즘에 의해 최적화된 초기 가중치를 이용하였을 경우 총 학습 시간이 반으로 줄었고, 각각, 97.80%, 99.13%, 그리고 99.40%의 정인식률을 나타내었다. |
영문내용
(English Abstract) |
In tills paper, we propose a new scheme for off-line recognition of unconstrained handwritten numerals using a simple multilayer cluster neural network trained with backpropagation algorithm and show that the use of genetic algorithm for avoiding the problem of local minima in training the multilayer cluster neural network with gradient descent technique reduces the training times and improves the recognition rates. In the proposed scheme, we use Kirsch masks for extracting feature vectors and use three-layer cluster neural network classifier with five independent subnetworks.
In order to verify the performance of the proposed multilayer cluster neural network, experiments with handwritten numeral database of Concordia University of Canada, that of Electro-Technical Laboratory of Japan, and that of Electronics and Telecommunications Research Institute were performed. In case of determining the initial weights of the multilayer cluster neural network randomly, 97.10%, 98.50%, and 99.20% of correct recognition rate were obtained, respectively. And in case of determining initial weights with genetic algorithm, the overall training times were reduced by half and 97.80%, 99.13%, and 99.40% of correct recognition rate were obtained, respectively. |
| 키워드(Keyword) |
|
| 파일첨부 |
PDF 다운로드
|
