Đồ án tốt nghiệp - Ứng dụng mạng neural trong nhận dạng kí tự

Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

LỜI CẢM ƠN
Em xin chân thành cảm ơn các thầy, các cô khoa Công nghệ Thông tin
Trường Đại học Dân lập Hải Phòng đã tận tình dạy dỗ, truyền đạt cho chúng
em nhiều kiến thức quý báu.
Em xin tỏ lòng biết ơn sâu sắc đến thầy Th.s Ngô Trường Giang, người
đã tận tình giúp đỡ và truyền đạt nhiều kinh nghiệm để đề tài có thể được thực
hiện và hoàn thành.
Xin chân thành cảm ơn các bạn trong khoa Công Nghệ Thông Tin, Đại
Học Dân Lập Hải Phòng đã giúp đỡ, động viên tôi rất nhiều trong quá trình
thực hiện đề tài.
Em xin trân thành cảm ơn!
Hải Phòng, tháng 07 năm 2007.
Sinh viên

Bùi Quang Chiến

Bùi Quang Chiến

Trang 1


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

MỤC LỤC
LỜI CẢM ƠN...................................................................................................1

MỤC LỤC........................................................................................................2
LỜI NÓI ĐẦU..................................................................................................3
CHƯƠNG 1: TỔNG QUAN VỀ MẠNG NEURAL NHÂN TẠO...................4
1.1. Khái niệm mạng neural ..........................................................................4
1.1.1. Tìm hiểu về Neural.......................................................................4
1.1.2. Mạng neural nhân tạo....................................................................5
1.2. Phân loại mạng neural nhân tạo..............................................................6
1.2.1. Phân loại theo kiểu liên kết neural................................................6
1.2.2. Một số loại mạng neural................................................................6
1.3. Huấn luyện mạng neural.........................................................................8
1.3.1. Phương pháp học...........................................................................8
1.3.2. Thuật toán học của mạng neural nhiều lớp...................................8
1.4. Thu thập dữ liệu cho mạng neural.........................................................12
1.5. Biểu diễn chi thức cho mạng neural......................................................12
CHƯƠNG 2: ỨNG DỤNG MẠNG NEURAL NHẬN DẠNG KÍ TỰ..........14
2.1. Phát biểu bài toán..................................................................................14
2.2. Các bước giải quyết giải quyết bài toán................................................14
2.2.1. Xây dựng mạng neural................................................................14
2.2.2. Xử lý dữ liệu (phân tích ảnh)......................................................15
2.2.3. Huấn luyện mạng neural.............................................................20
2.2.4. Nhận dạng ảnh kí tự....................................................................21
CHƯƠNG 3: CÀI ĐẶT CHƯƠNG TRÌNH THỬ NGHIỆM.........................22
3.1. Môi trường thử nghiệm.........................................................................22
3.2. Giao diện chương trình.........................................................................22
3.3. Thực nghiệm.........................................................................................22
3.3.1. Thực nghiệm quá trình tính giá trị một số tham số đầu vào:......22
3.3.2. Thực nghiệm huấn luyện mạng...................................................24
3.3.3. Thực nghiệm nhận dạng..............................................................28
KẾT LUẬN....................................................................................................33
TÀI LIỆU THAM KHẢO..............................................................................35

Bùi Quang Chiến

Trang 2


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

LỜI NÓI ĐẦU
Ngày nay không ai có thể phủ nhận vai trò cực kỳ quan trọng của máy
tính trong nghiên cứu khoa học kỹ thuật cũng như trong đời sống. Máy tính đã
làm được những điều kỳ diệu và giải được những vấn đề tưởng chừng nan
giải. Càng ngày càng có nhiều người tự hỏi, liệu máy tính có khả năng suy
nghĩ như con người hay chưa? Chúng ta sẽ không trả lời câu hỏi ấy. Thay vào
đó, chúng ta sẽ nêu ra những khác biệt chủ yếu giữa cách làm việc của máy
tính và bộ óc con người.
Một máy tính, dù có mạnh đến đâu chăng nữa, đều phải làm việc theo
một chương trình chính xác đã được hoạch định trước bởi các chuyên gia. Bài
toán càng phức tạp thì việc lập trình càng công phu. Trong khi đó con người
làm việc bằng cách học tập và rèn luyện, khi làm việc con người có khả năng
liên tưởng, kết nối sự việc này với sự việc khác, và quan trọng hơn hết, họ có
thể sáng tạo.
Do có khả năng liên tưởng, con người có thể dễ dàng làm nhiều điều mà
việc lập trình cho máy tính đòi hỏi rất nhiều công sức. Chẳng hạn như việc
nhận dạng hay trò chơi ô chữ. Một em bé có thể tự học hỏi để nhận dạng và
phân loại đồ vật chung quanh mình, biết được cái gì là thức ăn, cái gì là đồ
chơi. Một người bình thường cũng có thể đoán được vài chữ trong một ô chữ.
Nhưng thật khó mà dạy cho máy tính làm được những việc ấy. Từ lâu các nhà

khoa học đã nhận thấy những ưu điểm của bộ óc con người và tìm cách bắt
chước để thực hiện trên những máy tính, tạo cho nó có khả năng học tập, nhận
dạng và phân loại. Các mạng neural nhân tạo đã ra đời từ những nỗ lực đó. Nó
thực sự được chú ý và nhanh chóng trở thành một hướng nghiên cứu đầy triển
vọng trong mục đích xây dựng các máy thông minh tiến gần tới trí tuệ con
người. Đặc biệt là lĩnh vực nhận dạng.
Trong đồ án này sẽ trình bày “Ứng dụng mạng neural trong nhận dạng
kí tự”. Nội dung báo cáo gồm những chương sau:
Chương 1:Tổng quan về mạng neural nhân tạo.
Chương 2: Ứng dụng mạng neural nhận dạng kí tự.
Chương 3: Cài đặt chương trình thử nghiệm.
Bùi Quang Chiến

Trang 3


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

CHƯƠNG 1:
TỔNG QUAN VỀ MẠNG NEURAL NHÂN TẠO
1.1. Khái niệm mạng neural .
1.1.1. Tìm hiểu về Neural.
Neural nhân tạo là một đơn vị tính toán có nhiều đầu vào và một đầu ra,
mỗi đầu vào đến từ một liên kết. Đặc trưng của neural là một hàm kích hoạt
phi tuyến chuyển đổi tổ hợp tuyến tính của tất cả các tín hiệu đầu vào thành
tín hiệu đầu ra. Hàm kích hoạt này đảm bảo tính chất phi tuyến cho tính toán
của mạng neural.

y1
y2

yk

w1

f

a

w2
wk

b0
Đầu ra a=f( ∑w’y+b)

Đầu vào

Hình1.1: Mô hình một neural nhân tạo
Một neural được cầu tạo gồm các thành phần chính :
 Liên kết neural.
 Bộ cộng .
 Hàm kích hoạt.

Bảng 1.1 : Một số hàm kích hoạt cơ bản trong mạng neural:
Bùi Quang Chiến

Trang 4

Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Tên hàm

Công thức

hardlim

a=0
a=1

hardlims

với n < 0
với n ≥ 0

a = -1 với n < 0
a=1

với n ≥ 0

purelin

a=n

Satlin

a=0

với n < 0

a=n

với 0 ≤ n ≤ 1

a=1

với n > 1

satlins

tansig
poslin

compet

a = -1 với n < 0
a=n

với 0 ≤ n ≤ 1

a=1

với n > 1

a=

en − e−n
1 + e −n

a=0

với n < 0

a=n

với n ≥ 0

a = 1 với neural có n lớn nhất
a = 0 với các neural còn lại

logsig

a=

1
1 + e −n

1.1.2. Mạng neural nhân tạo.
Là một hệ thống bao gồm nhiều phần tử xử lý đơn giản (hay còn gọi là
neural) tựa như neural thần kinh của não người, hoạt động song song và được
nối với nhau bởi các liên kết neural. Mỗi liên kết kèm theo một trọng số nào
đó, đặc trưng cho tính kích hoạt hoặc ức chế giữa các neural.
Mô hình mạng neural.

Bùi Quang Chiến

Trang 5


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Hình 1.2: Sơ đồ đơn giản về một mạng neural nhân tạo
Mô hình mạng neural ở trên gồm 3 lớp:
 Lớp nhập (input).
 Lớp ẩn(hidden).
 Lớp xuất (output).

1.2. Phân loại mạng neural nhân tạo.
1.2.1.

Phân loại theo kiểu liên kết neural.

Ta có:
 Mạng neural dẫn tiến.
 Mạng neural qui hồi.
1.2.2. Một số loại mạng neural.
1.2.2.1. Mạng dẫn tiến .
Có thể nói mạng neural dẫn tiến là một kiểu mạng đơn giản trong việc
sắp đặt mạng. Trong mạng này thông tin chỉ truyền trên một hướng duy nhất.
Từ lớp đầu vào xuyên qua lớp ẩn (nếu có) và kết thúc tại lớp đầu ra. Không có
chu trình hoặc vòng trong mạng.

Bùi Quang Chiến

Trang 6


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

a. Các mạng dẫn tiến đơn mức.

Mức đầu vào

Mức đầu ra

Hình 1.3: Mạng tiến với một mức neural
b. Các mạng dẫn tiến đa mức.

Mức đầu vào

Mức ẩn

Mức đầu ra

Hình 1.4: Mạng tiến kết nối đầy đủ với một mức ẩn và một mức đầu ra
1.2.2.2. Mạng quy hồi .
Trái với mạng neural dẫn tiến , mạng neural quy hồi là những mô hình
với hai luồng dữ liệu có hướng. Trong khi mạng dẫn tiến truyền dữ liệu theo
một đường thẳng thì những mạng neural quy hồi có ít nhất một phản hồi từ
những neural xử lý sau quay trở lại các neural xử lý trước đó.

Bùi Quang Chiến

Trang 7


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Hình 1.5: Mạng hồi quy không có neural ẩn và không có vòng lặp tự phản
hồi

Hình 1.6: Mạng hồi quy có các neural ẩn

1.3. Huấn luyện mạng neural.
1.3.1. Phương pháp học.
Mạng neural nhân tạo phỏng theo việc xử lý thông tin của bộ não người,
do vậy đặc trưng cơ bản của mạng là có khả năng học, khả năng tái tạo các
hình ảnh và dữ liệu khi đã học. Có 3 kiểu học chính:
 Học có giám sát (có mẫu).
 Học không giám sát.
 Học tăng cường.
1.3.2. Thuật toán học của mạng neural nhiều lớp.
Huấn luyện mạng neural nhiều lớp sử dụng thuật toán Lan truyền ngược
gồm hai quá trình: Quá trình truyền tuyến tính và quá trình truyền ngược:

Bùi Quang Chiến

Trang 8

Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Quá trình truyền tuyến tính: Dữ liệu từ lớp nhập qua lớp ẩn và đến lớp
xuất để:


Thay đổi giá trị của trọng số liên kết W của các neural trong
mạng biểu diễn được dữ liệu học.



Tìm ra sự khác nhau giữa giá trị thật hàm mẫu mà mạng tính
được và kết quả dự đoán của mạng gọi là lỗi (học có giám
sát).

Quá trình truyền ngược: Giá trị lỗi sẽ được truyền ngược lại sao cho
quá trình huyến luyện(học) sẽ tìm ra trọng số Wi để lỗi nhỏ nhất.
Thuật toán:
Xét mạng neural 3 lớp : lớp nhập, lớp ẩn và lớp xuất.
Hàm kích hoạt các neural : logistic (sigmoid).
g(x)=

(1.3)

Bước 1: Khởi tạo trọng số w ngẫu nhiên nhỏ.
Bước 2 : Chọn lớp đầu vào x và đính nó vào lớp đầu vào .
Bước 3 : Truyền sự kích hoạt qua trọng số đến khi kich hoạt các neural
đầu ra.

Bước 4: Tính đạo hàm riêng “δE” theo trọng số cho lớp xuất. sử dụng
GRADIENT của hàm lỗi .
Bước 5: Tính đạo hàm riêng “δE” theo trọng số cho lớp ẩn. sử dụng
GRADIENT của hàm lỗi.
Bước 6: Cập nhật tất cả trọng số theo Wi=W(i-1)-µ(δE/

y1

δ Wi).

Bước 7: quay
w1 lai “Bước 2” cho đến “Bước 6” cho tất cả các mẫu.
Trong đó: GRADIENT hàm lỗi:
z=g(v)
y
2 với các neural lớp đầu ra:
Đối
w
2

v=b0 +
g(x)=

Bùi Quang Chiến

yk

wk

b0

Trang 9


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Hàm lỗi:

E(z)= (z - t)2
(1.4)
Đạo hàm riêng của hàm lỗi theo trọng số b:
∂E
∂E ∂z ∂v
=
∂b
∂z ∂v ∂b

(1.5)

Ta có:

∂E
= ( z −t )
∂z
∂z
∂g
=
= z (1 − z )

∂v
∂v
1, i = 0
∂v
=
∂b1 y i , i > 0
Đặt:

p=

∂E ∂z
= ( z − t ) z ( z −1)
∂z ∂v

Ta được:

Bùi Quang Chiến

Trang 10


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

 p i =0
∂E
=
∂bi
pyi i >0

(1.6)

Đối với các neural lớp ẩn:

Lớp đầu
ra

x1
a1
x2

a2
a0

ad
Đầu
ra
a=f(
∑w’
Đạo hàm riêng của hàm lỗi theo trọng số:
y+b
)
∂E ∂E ∂y ∂u
∂a

=

∂y ∂u ∂a

y=g(u)
v=a0 +

(1.7)

Ta có:
K
∂E
∂E ∂zi ∂vi
=∑
∂y i =1 ∂zi ∂vi ∂y
∂E ∂zi
= ( zi − ti ) zi (1 − zi ) = pi
∂zi ∂vi
∂vi
= bi
∂y
∂y
= y (1 − y )
∂u
∂u 1, j = 0
=
∂a j c j , j > 0

Đặt:
Bùi Quang Chiến

Trang 11

Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

∂E ∂y  K

q=
=  ∑ pibi  y (1 − y )
∂y ∂u  i =1

Ta được:

∂E  q i = 0
=
∂a1 qxi i > 0

(1.8)

Sau khi tính được đạo hàm riêng của hàm lỗi theo từng trọng số, trọng
số sẽ được điều chỉnh bằng cách trừ bớt đi 1 lượng bằng tích của đạo hàm
riêng và tốc độ học:

∂E
wi = wi −1 − µ
∂w i−1

(1.9)

1.4. Thu thập dữ liệu cho mạng neural.
Cách thu thập dữ liệu có thể nói gọn lại như sau:

- Chọn những giá trị huấn luyện có tác dụng.
- Dữ liệu số và biến có giá trị định danh có thể xử lý trực tiếp bằng mạng
neural. Chuyển những loại biến khác sang một trong các dạng này.
- Cần hàng trăm hoặc hàng ngàn trường hợp mẫu huấn luyện; càng nhiều
biến thì càng nhiều mẫu huấn luyện. Mạng neural có khả năng nhận ra
những biến hữu dụng để huấn luyện.

1.5. Biểu diễn chi thức cho mạng neural.
Do cấu trúc một mạng neural là vô cùng đa dạng, nên để có thể biểu diễn
tri thức một cách có hiệu quả, người ta đưa ra bốn quy tắc chung sau:
Quy tắc 1. Các đầu vào tương tự từ các lớp tương tự cần phải luôn tạo ra
những biểu diễn tương tự trong mạng, và như vậy nên được phân lớp thuộc về
cùng một loại. Trong tiêu chuẩn này, người ta thường sử dụng một số thước
đo để xác định độ “tương tự” giữa các đầu vào.
Quy tắc 2. Các phần tử mà có thể phân ra thành các lớp riêng biệt thì nên
có những biểu diễn khác nhau đáng kể trong mạng.
Bùi Quang Chiến

Trang 12


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Quy tắc 3. Nếu một đặc trưng nào đó đặc biệt quan trọng thì nên có một
số lượng lớn neural liên quan đến việc biểu diễn đặc trưng này trong mạng.
Số lượng lớn các neural bảo đảm mức độ chính xác cao trong việc thực hiện
các quyết định và nâng cao khả năng chịu đựng các neuron hỏng.
Quy tắc 4. Thông tin ban đầu và các tính chất bất biến nên được đưa vào

trong thiết kế ban đầu của một mạng neural, và như vậy sẽ giảm bớt gánh
nặng cho quá trình học.

Bùi Quang Chiến

Trang 13


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

CHƯƠNG 2:
ỨNG DỤNG MẠNG NEURAL NHẬN DẠNG KÍ TỰ
2.1. Phát biểu bài toán
Cho bài toán nhận dạng kí tự với đầu vào là trang văn bản trên định dạng
file ảnh (*.bmp,*.jmp,…). Yêu cầu là xây dựng chương trình nhận dạng kí tự
văn bản trên file ảnh. Sử dụng công cụ là mạng nơron và đầu ra là tập hợp các
kí tự lư trữ dưới dạng văn bản.
Giả thiết giai đoạn tiền xử lý đã được thực hiện : ảnh đã được phân
ngưỡng, xoay ảnh, lọc nhiễu... Đề tài này chỉ đi sâu nghiên cứu quá trình nhận
dạng kí tự của mạng neural.

2.2. Các bước giải quyết giải quyết bài toán
2.2.1.

Xây dựng mạng neural.
Chọn mạng đa tầng Feedforward với 3 lớp :

0 hoặc 1

Điểm ảnh
Điểm ảnh

0 hoặc 1

Điểm ảnh

0 hoặc 1

0 hoặc 1

Điểm ảnh

16 neural
Lớp đầu
ra

150 neural
Lớp đầu vào
500 neural
Lớp ẩn

Hình 2.1: Sơ đồ mạng neural thiết kế

Bùi Quang Chiến

Trang 14


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

2.2.2. Xử lý dữ liệu (phân tích ảnh).
2.2.2.1. Tách dòng kí tự.
Thuật toán:
1. Bắt đầu từ điểm ảnh x, y đầu tiên (0,0), và đặt là dòng 0.
2. Quét đến hết chiều rộng của ảnh trên một giá trị y của ảnh.
3. Nếu là phát hiện điểm đen thì lưu giá trị y là đỉnh của hàng đầu tiên:

 Nếu không xét tiếp điểm tiếp theo.
 Nếu không thấy điểm đen nào thì tăng y và khởi động lại x để
quét dòng ngang tiếp theo.

 Bắt đầu từ đỉnh cuả hàng tìm thấy (0,giới hạn trên).
4. Quét đến hết chiều rộng của ảnh trên một giá trị y của ảnh.

 Nếu không phát hiện điểm đen nào thì đánh dấu giá trị

y-1 là

giới hạn dưới của hàng. Và tăng số dòng, xét dòng tiếp theo.

 Nếu vẫn phát hiện thấy điểm đen tăng y và khởi động lại x xét
hàng ngang tiếp theo.
5. Bắt đầu từ giới hạn dưới của hàng ngang tìm thấy sau cùng lặp lại từ bước
1 đến bước 4 tìm dòng kế tiếp.
6. Nếu y bằng chiều cao của ảnh thì dừng.
Giới hạn trên

Gới hạn dưới

Ảnh đầu vào

Quá
trình
tách
dòng
Hình 2.2: Quá trình tách dòng kí tự

Bùi Quang Chiến

Trang 15


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

2.2.2.2. Tách kí tự.
Thuật toán

1. Bắt đầu từ kí tự đầu tiên của hàng trên cùng với giá trị x đầu tiên.
2. Quét hết chiều rộng với một giá trị y.
 Nếu phát hiện điểm đen đánh dấu y như là đỉnh của hàng
đầu tiên.
 Nếu không xét điểm tiếp theo.

3. Bắt đầu từ giới hạn trên của kí tự phát hiện được và giá trị x đầu
tiên.(0,giới hạn trên kí tự) .

4. Quét đến giới hạn dưới của dòng, giữ nguyên x.
 Nếu phát hiện điểm đen đánh dấu x là phía trái của kí tự.
 Nếu không xét điểm tiếp theo.
 Nếu không thấy điểm đen nào tăng x và khởi động lại y để
xét đường thẳng đứng tiếp theo.

5. Bắt đầu từ phía trái của kí tự tìm thấy và đỉnh của dòng hiện thời,
(giới hạn trái kí tự, giới hạn trên dòng).

6. Quét hết chiều rộng của ảnh. Trên cùng một giá trị x.
 Nếu không có điểm đen nào thì đánh dấu x-1 là bên phải
của kí tự.
 Nếu phát hiện điểm đen tăng x và khởi động lại y để xét
đường thẳng đứng tiếp theo.

Bùi Quang Chiến

Trang 16


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự
x

(0,0)

Gới
hạn
trái

kí tự

Quá trình
tách kí
tự
y

Hình 2.3: Quá trình tách kí tự

Đ
ầu
ra
a
=f
(
∑
w
’y
+
b)

Gới
hạn
phải
kí tự

2.2.2.3. Tìm giới hạn kí tự.
Thuật toán
1. Bắt đầu từ đỉnh của dòng hiện thời và bên trái của kí tự.
2. Quét đến bên phải của kí tự. cùng một giá trị y.

 Nếu phát hiện điểm đen thì đánh dấu y và thay đổi lại giới
hạn trên.
 Nếu không xét điểm tiếp theo.
 Nếu không tìm thấy điểm đen nào tăng y và khởi động lại
x, xét đường thẳng ngang tiếp theo.
3. Bắt đầu từ giới hạn dưới của dòng và bên trái của kí tự.
4. Quét tới bên phải của kí tự trên một giá trị y.
Gới hạn trên
 Nếu phát hiện điểm đen, đánh
ký tựdấu y là giới hạn dưới của
kí tự.
 Nếu không phát hiện điểm đen giảm y và khởi động lại x
xét đường thẳng ngangQuá
tiếp theo.
trình
tìm
giới
hạn

Bùi Quang Chiến

Gới hạn dưới
ký tự

Trang 17


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Hình 2.4: Quá trình tìm giới hạn kí tự
2.2.2.4. Ánh xạ vào ma trận
Thuật toán:
1. Đối với chiều rộng:
 Khởi tạo với 10 phần tử tương ứng.
 Ánh xạ điểm đầu (0,y) và điểm cuối (C_rong,y) của ảnh kí tự
tương ứng với giá trị đầu (0,y) và giá trị cuối (10,y) của ma
trận.
 Chia nhỏ chiều rộng thành 10 giá trị tương ứng.
2. Đối với chiều cao:
 Khởi tạo với 15 phần tử tương ứng.

(0,0)

 Ánh xạ điểm đầu (x,0) và điểm cuối (x,C_cao) của ảnh kí tự
tương ứng với giá trị đầu (x,0) và giá trị cuối (x,15) của ma
trận.
0

 Chia nhỏ chiều cao thành 15 giá trị tương ứng.

Bùi Quang Chiến

Trang 18

15
(10,15)

0

10


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Hình 2.5: Quá trình chia lưới kí tự
Để đưa giá trị vào mạng neural ta cần chuyển ma trận điểm ảnh sang ma
trận giá trị.
Thuật toán:
1. Bắt đầu từ phần tử (0,0).
2. Tăng x giữ nguyên giá trị y cho tới khi bằng chiều rộng của ma
trận.
 Ánh xạ mỗi phần tử tới một phần tử của mảng tuyến tính.
 Nếu là điểm đen thì nhận giá trị bằng 1.
 Ngược lạI nhận giá trị bằng 0.
 Nếu x = chiều rộng thì khởi động lại x và tăng y.
Lặp lại cho tới khi (x,y)=( C_Rong, C_Cao).

Bùi Quang Chiến

Trang 19


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Hình 2.6: Quá trình ánh xạ từ ma trận điểm sang ma trận giá trị.
2.2.3. Huấn luyện mạng neural.
Thuật toán:
1. Xây dựng mạng tương ứng với mô hình tham số.
2. Khởi tạo giá trị trọng số với giá trị ngẫu nhiên. Nạp file huấn
luyện (cả ảnh đầu vào và đầu ra mong muốn).
3. Phân tích ảnh và ánh xạ tất cả kí tự tìm thấy vào các mảng một
chiều.
4. Đọc giá trị đầu ra mong muốn từ file và chuyển đổi từng kí tự tới
giá trị nhị phân Unicode và lưu trữ riêng biệt.
5. Với mỗi kí tự:
 Tính toán giá trị đầu ra của mạng Feed ForWard.
 So sánh với giá trị đầu ra mong muốn tương ứng với từng kí
tự và tính toán lỗi.
 truyền ngược giá trị từ đầu và với mỗi liên kết điều chỉnh
trọng số liên kết.
6. Chuyển sang kí tự tiếp theo và lặp lại “6” cho tới khi hết các kí tự.
7. Tính toán trung bình lỗi cho tất cả các kí tự.

Bùi Quang Chiến

Trang 20


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

8. Lặp lại từ bước 6 đến 8 cho tới khi đạt số đưa vào của số lần lặp
tối đa.

 Với phạm vi lỗi đạt đến ngưỡng. Nếu như vậy thì bỏ lặp lại.
 Ngược lại tiếp tục lặp lại.
2.2.4. Nhận dạng ảnh kí tự.
Thuật toán:
1. Nạp file ảnh.
2. Phân tích ảnh cho các dòng kí tự.
3. Với mỗi dòng tách các kí tự liên tiếp.
 Phân tích và xử lý ảnh kí tự cho việc ánh xạ vào một vectơ
đầu vào.
 Đưa giá trị vecto đầu vào cho mạng neural và tính toán giá
trị đầu ra.
 Chuyển đổi mã Unicode đầu ra từ nhị phân tới kí tự tương
ứng và trả ra dưới dạng textbox.

Bùi Quang Chiến

Trang 21


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

CHƯƠNG 3:
CÀI ĐẶT CHƯƠNG TRÌNH THỬ NGHIỆM
3.1. Môi trường thử nghiệm.
Phần cứng : Một máy tính pentum IV.
Card đồ họa 256 MB.
Ram 512 MB .
Phần mềm : Ngôn ngữ sử dụng: C# trong bộ visual studio 2005.

Tập dữ liệu là những ảnh bitmap với số ký tự đầu vào từ 120 đến 160 ký
tự của hai loại font: Arial và Tahoma với các kích thước: 8,10,12,14,18,20.

3.2. Giao diện chương trình.

Hình 3.1: Giao diện chương trình thực nghiệm

3.3. Thực nghiệm
3.3.1. Thực nghiệm quá trình tính giá trị một số tham số đầu vào:
3.3.1.1. Thực nghiệm tìn số lần lặp lại.
Các giá trị khác số kí tự=124, tốc độ học=150, Sigmoid slope=0.014
Bùi Quang Chiến

Trang 22


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Bảng 3.2 : Thực nghiệm tìm số lần lặp
300
Kiểu font

Số kí
tự lỗi.

600

900

Số kí tự
% lỗi
lỗi.

% lỗi

Số kí
% lỗi
tự lỗi.

Arial

4

4.44

3

3.33

1

1.11

Tahoma

1

1.11

0

0

0

0

Time NewRoman

0

0

0

0

1

1.11

Giá trị quyết định ở trên cho số lần lặp là 300.
3.3.1.2. Thực nghiệm tìm đầu vào (số kí tự đưa vào).
Các giá trị khác số lần lặp=300, tốc độ học=150, Sigmoid slope=0.014.
Bảng 3.3 : Thực nghiệm tìm số kí tự
50
Kiểu font

90

Số kí
% lỗi
tự lỗi.

124

Số kí tự
% lỗi
lỗi.

Số kí tự
% lỗi
lỗi.

Arial

0

0

4

0.044

6

0.048

Tahoma

0

0

2

0.022

4

0.032

TimeNewRoman

0

0

2

0.022

4

0.032

Giá trị quyết định ở trên cho số kí tự đưa vào là 120 đến 160.
3.3.1.3. Thực nghiệm tìm tham số tốc độ học.

Các giá trị khác số kí tự=124, số lần lặp=300, Sigmoid slope=0.014.
Bảng 3.4: Thực nghiệm tìm tốc độ học
50

100

Kiểu font
Số kt lỗi. % lỗi

Số kt lỗi.

150
% lỗi

Số kt lỗi. % lỗi

Arial

82

91.11

18

20

3

3.33

Tahoma

56

62.22

11

12.22

1

1.11

Bùi Quang Chiến

Trang 23


Đồ án tốt nghiệp

Time NewRoman

Ứng dụng mạng neural trong nhận dạng kí tự

77

85.56

15

16.67

0

0

Theo kết quả trong bảng 3.4, giá trị tối ưu quyết định ở trên cho tham số
tốc độ học là 150.
3.3.2. Thực nghiệm huấn luyện mạng.
Trong đồ án này một số tham số được lựa chọn sau:
Tốc độ học = 150.
Hệ số góc Sigmoid= 0.014.
Trọng số kết nối cơ sở= 30.
Số lần lại 300.
Trung bình ngưỡng của lỗi = 0.0002.

Mẫu dùng trong quá trình thực nghiệm huấn luyện:
Ảnh đầu vào:

Bùi Quang Chiến

Trang 24


Đồ án tốt nghiệp

Ứng dụng mạng neural trong nhận dạng kí tự

Hình 3.2: Ảnh đầu dùng để huấn luyện

Đầu ra mong muốn:
ABCDEFGHIJKLMNOPQRSTUVWXYZ
abcdefghijklmnopqrstuvwxyz
0123456789
ABCDEFGHIJKLMNOPQRSTUVWXYZ
abcdefghijklmnopqrstuvwxyz
0123456789
Ung Dung Mang Neural Trong Nhan Dang Ky Tu--Bui Quang Chien--2007
Network Name
= Arial8
Hidden Layer Size = 500
Number of Patterns= 124
Number of Epochs =Hình
300 3.3: File là đầu ra mong muốn
Learning Rate
= 150
Sigmoid Slope
= 0.014
Weight Bias = 30
Weight[1 , 0 , 0] = -75.64764
Weight[1 , 0 , 1] = 165.6839
Weight[1 , 0 , 2] = -315.9442
Weight[1 , 0 , 3] = 20.66214
Weight[1 , 0 , 4] = -100.0667
Weight[1 , 0 , 5] = 211.1713
Weight[1 , 0 , 6] = 133.3773

.
. Dưới dây hình 3.4 là một ví dụ các giá trị trọng số của file sau khi huấn
luyện:

.
Weight[2 , 15 , 494] = 6.119909
Weight[2 , 15 , 495] = 27.66709
Weight[2 , 15 , 496] = -14.68367
Weight[2 , 15 , 497] = 6.72017
Bùi
Quang Chiến
Weight[2
, 15 , 498] = 8.664137
Weight[2 , 15 , 499] = -21.96243

Trang 25