АНАЛІЗ АРХІТЕКТУР НЕЙРОННИХ МЕРЕЖ ДЛЯ РОЗПІЗНАВАННЯ РУКОПИСНИХ ЦИФР

DOI: 10.31673/2412-4338.2023.041827

Анотація

Точність сучасних систем розпізнавання рукописних чисел демонструє значну варіативність, що залежить від технологій, обраних під час розробки конкретного методу. Нейронні мережі витіснили алгоритми, що покладаються на статистичні дані та набори даних для цього завдання, насамперед через їх кращу продуктивність.
Було розглянуто кілька останніх публікацій, присвячених проблемам розпізнавання рукописних цифр із застосуванням різних типів нейронних мереж. Ця стаття присвячена аналізу архітектури двох відомих типів: щільних нейронних мереж і згорткових нейронних мереж разом із відповідними методами навчання, застосовними до розпізнавання рукописних цифр із зображень.
Результати дослідження показують, що щільні нейронні мережі (DNN), незважаючи на те, що вони застосовні до поточного завдання, демонструють зниження продуктивності зі збільшенням розміру вхідного зображення. І навпаки, згорткові нейронні мережі (CNN) виявилися більш вправними в аналізі зображень завдяки своїм операціям згортки та об’єднання, таким чином встановлюючи їх пріоритет у цьому контексті.
Було досліджено чотири різні типи навчання, застосовні до нейронних мереж, а саме контрольоване навчання, неконтрольоване навчання, напівконтрольоване навчання та навчання з підкріпленням. Розслідування робить висновок, що навчання під контролем із використанням зворотного поширення є найбільш підходящим методом навчання нейронних мереж для вирішення виявленої проблеми. У статті далі досліджуються етапи та принципи, що лежать в основі роботи методу зворотного поширення.
Спираючись на отримані результати, існує план розробки програми, що використовує визначену архітектуру. Ця програма має на меті надати користувачам можливість ефективного вилучення цифрової інформації із зображень, незалежно від їх роздільної здатності. Передбачуваним результатом є програма, яка досягає високої точності та швидкості обробки при розпізнаванні та вилученні зображень.

Ключові слова: нейронні мережі, рукописні цифри, згорткові нейронні мережі, щільні нейронні мережі, алгоритми навчання нейронних мереж, метод зворотного поширення помилки.

Список використаної літератури:
1. Comprehensive review of artificial neural network applications to pattern recognition [Електронний ресурс] / Oludare Isaac Abiodun [та ін.] // IEEE access. – 2019. – Т. 7. – С. 158820–158846. – Режим доступу: https://doi.org/10.1109/access.2019.2945545 (дата звернення: 04.12.2023).
2. A survey on using neural network based algorithms for hand written digit recognition [Електронний ресурс] / Muhammad Ramzan [та ін.] // International journal of advanced computer science and applications. – 2018. – Т. 9, № 9. – Режим доступу: https://doi.org/10.14569/ijacsa.2018.090965 (дата звернення: 03.12.2023)
3. Al-Taee M. M. Handwritten Recognition: a survey [Електронний ресурс] / May Mowaffaq Al-Taee, Sonia Ben Hassen Neji, Mondher Frikha // 2020 IEEE 4th international conference on image processing, applications and systems (IPAS), Genova, Italy, 9–11 груд. 2020 р. – [Б. м.], 2020. – Режим доступу: https://doi.org/10.1109/ipas50080.2020.9334936 (дата звернення: 01.12.2023)
4. MNIST handwritten digit recognition using machine learning [Електронний ресурс] / Elizabeth Rani G [та ін.] // 2022 2nd international conference on advance computing and innovative technologies in engineering (ICACITE), Greater Noida, India, 28–29 квіт. 2022 р. – [Б. м.], 2022. – Режим доступу: https://doi.org/10.1109/icacite53722.2022.9823806 (дата звернення: 03.12.2023)
5. Digit recognition of MNIST handwritten using convolutional neural networks (CNN) [Електронний ресурс] / Sakthimohan M [та ін.] // 2023 international conference on intelligent systems for communication, iot and security (iciscois), Coimbatore, India, 9–11 лют. 2023 р. – [Б. м.], 2023. – Режим доступу: https://doi.org/10.1109/iciscois56541.2023.10100602 (дата звернення: 03.12.2023)
6. Simonyan K. Very Deep Convolutional Networks for Large-Scale Image Recognition / Karen Simonyan, Andrew Zisserman // ICLR 2015, Сан-Діеґо, 7 лип. 2014 р. – [Б. м.].
7. Що таке УНЗР та де його взяти? [Електронний ресурс] // Державна міграційна служба. – Режим доступу: https://dmsu.gov.ua/news/region/6563.html (дата звернення: 11.11.2023)
8. Dumoulin V. A guide to convolution arithmetic for deep learning / Vincent Dumoulin, Francesco Visin. – [Б. м.] : Монреа. ун-т, 2018. – 31 с.
9. LeCun Y. Deep learning [Електронний ресурс] / Yann LeCun, Yoshua Bengio, Geoffrey Hinton // Nature. – 2015. – Т. 521, № 7553. – С. 436–444. – Режим доступу: https://doi.org/10.1038/nature14539 (дата звернення: 05.12.2023)
10. Improved handwritten digit recognition using convolutional neural networks (CNN) [Електронний ресурс] / Savita Ahlawat [та ін.] // Sensors. – 2020. – Т. 20, № 12. – С. 3344. – Режим доступу: https://doi.org/10.3390/s20123344 (дата звернення: 02.12.2023)
11. Zhang D. The application research of neural network and BP algorithm in stock price pattern classification and prediction [Електронний ресурс] / Dehua Zhang, Sha Lou // Future generation computer systems. – 2021. – Т. 115. – С. 872–879. – Режим доступу:
https://doi.org/10.1016/j.future.2020.10.009 (дата звернення: 05.12.2023)