Development and training of neural networks for character recognition

DOI: 10.31673/2412-9070.2020.063338

Abstract

This article discusses the problem of the application of neural networks for character recognition, as well as the problem of developing methods and algorithms for the synthesis of neural networks. To solve the problems of optimizing the character recognition system, highly intelligent systems based on artificial neural networks are often used. However, artificial neural networks are not a tool for solving problems of any type. They are unsuitable for tasks such as payroll, but they have an advantage for character recognition tasks that conventional personal computers do poorly or not at all. It has been proven that artificial neural networks can be used for predictive modeling, adaptive control and applications where they can be trained using a dataset. Experiential self-learning can occur in networks that can draw inferences from a complex and seemingly unrelated set of information. The application of neural networks for solving practical problems in the field of character recognition and their classification is shown. It has been established that images can denote objects of different nature: text symbols, images, sound samples. When training the network, various sample images are offered with an indication of which class they belong to. At the end of training the network, you can present previously unknown images and receive an answer from it about belonging to a certain class. The topology of such a network is characterized by the fact that the number of neurons in the output layer, as a rule, is equal to the number of conditioned classes. This establishes a correspondence between the output of the neural network and the class it represents. A method for training a neural network is proposed, according to which the person managing the network takes a direct part in  training the network, it itself sets the reference images of all symbols, as well as distorted images of the standards (plagued copies).

Keywords: neural networks; adaptive control; artificial intelligence; multilevel networks; pеrceptron.

References
1. Боголюбов Д. П., Чанкін О. О., Стемиковська К. В. Реализація алгоритму cонавчання самоорганізуючих карт Кохонена на графічних процесорах // Проммислові АСУ і контролери. 2012. № 10. С. 30–35.
2. Вентцель Е. С. Теорія ймовірностей: підр. для вузів. 6-е вид. Москва: Вища школа, 1999. С. 12–54.
3. Генетичні алгоритми, штучні нейроні мережі і проблеми віртуальної реальності / Г. К. Вороновський, К. В. Махотило, С. Н. Петрашев, С. А. Сергєєв. Харків: ОСНОВА, 1997. С. 99–112.
4. Галушкін А. І. Теорія нейронних мереж. Москва: ІПРЖР, 2010. 348 с.
5. Складні мережі / Ю. Головач, О. Олємський, К. фон Фербер [та ін.] // Журнал фізичних досліджень. 2006. 10, № 4. С. 247–289.
6. Головкін Б. А. Машинне розпізнавання та лінійне програмування. Москва: Радянське радіо. 1973. 100 с.
7. Комашинський В. І. Смирнов Д. О. Введення до нейроінформаційних технологій. СПб, 1999. С. 33–48.
8. Месюра В. І., Ваховська Л. М. Основи проектування систем штучного інтелекту: навч. посіб. Вінниця: ВДТУ, 2000. 96 с.
9. Поліщук Д. О., Поліщук О. Д., Яджак М. С. Комплексне детерміноване оцінювання складних ієрархічно-мережних систем: Опис методики // Системні дослідження та інформаційні технології. 2015. № 1. С. 21–31.
10. Каллан Р. Основні концепції нейроних мереж = The Essence of Neural Networks First Edition. 1-е. Вильямс, 2001. С. 268–288.
11. Рутковська Д., Пилиньсикий М., Рутковський Л. Нейронні мережі, генетичні алгоритми та нечіткі системи. Москва. Гаряча лінія-Телеком, 2004. 112 с.