mạng neural rbf và ứng dụng nhận dạng chữ viết tay

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Lê Tiến Mười MẠNG NEURAL RBF VÀ ỨNG DỤNG NHẬN DẠNG CHỮ VIẾT TAY KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin HÀ NỘI - 2009 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Lê Tiến Mười MẠNG NEURAL RBF VÀ ỨNG DỤNG NHẬN DẠNG CHỮ VIẾT TAY KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin Cán bộ hướng dẫn: PGS.TS Hoàng Xuân Huấn HÀ NỘI - 2009 LỜI CẢM ƠN Tôi muốn bày tỏ sự cảm ơn sâu sắc của mình tới thầy Hoàng Xuân Huấn, thuộc bộ môn Khoa học máy tính, khoa Công nghệ thông tin, trường Đại học Công nghệ, ĐHQGHN. Trong thời gian thực hiện khóa luận, thầy đã nhiệt tình hướng dẫn và giúp đỡ tôi rất nhiều. Ngoài thời gian tìm hiểu và cung cấp tài liệu, thầy cũng chỉ ra những vướng mắc trong qua trình làm, giúp đỡ tôi khắc phục để đạt hiệu quả cao hơn. Thầy cũng đã tận tình giúp đỡ tôi có một chỗ làm việc yên tĩnh trong suốt quá trình làm khóa luận. Tôi cũng muốn bày tỏ sự cảm ơn của mình tới các các thầy, các cô trong bộ môn, cũng như các thầy, các cô trong khoa, trường đã hết sức tạo điều kiện tốt và giúp đỡ cho tôi hoàn thành khóa luận của mình. TÓM TẮT NỘI DUNG Mặc dù đã được nghiên cứu từ rất lâu, nhưng đến nay bài toán nội suy và xấp xỉ hàm nhiều biến vẫn còn có rất ít công cụ toán học để giải quyết. Mạng Neural nhân tạo là một phương pháp hay để giải quyết bài toán nội suy, xấp xỉ hàm nhiều biến. Năm 1987 M.J.D. Powell đã đưa ra một cách tiếp cận mới để giải quyết bài toán nội suy hàm nhiều biến sử dụng kỹ thuật hàm cơ sở bán kính (Radial Basis Function - RBF), năm 1988 D.S. Bromhead và D. Lowe đề xuất kiến trúc mạng Neural RBF và đã trở một công cụ hữu hiệu để giải quyết bài toán nội suy và xấp xỉ hàm nhiều biến(xem [11]). Nội dung chính của khóa luận là trình bày khảo cứu về mạng Neural RBF để giải quyết bài toán nội suy, xấp xỉ hàm nhiều biến sau đó ứng dụng cơ sở lý thuyết trên để xây dựng phần mềm nhận dạng chữ số viết tay. MỤC LỤC MỞ ĐẦU 1 Chương 1 BÀI TOÁN NỘI SUY, XẤP XỈ HÀM SỐ VÀ MẠNG NEURAL RBF 1 1.1 PHÁT BIỂU BÀI TOÁN NỘI SUY VÀ XẤP XỈ HÀM SỐ 1 1.1.1 Bài toán nội suy 1 1.1.1.1 Nội suy hàm một biến số 1 1.1.1.2 Bài toán nội suy hàm nhiều biến 2 1.1.2 Bài toán xấp xỉ 2 1.1.3 Các phương pháp giải quyết bài toán nội suy và xấp xỉ hàm số 2 1.2 MẠNG NEURAL NHÂN TẠO 3 1.2.1 Giới thiệu mạng Neural nhân tạo 3 1.2.1.1 Mạng Neural sinh học 4 1.2.1.2 Mạng Neural nhân tạo 5 1.3 MẠNG NEURAL RBF 8 1.3.1 Giới thiệu mạng Neural RBF 8 1.3.1.1 Bài toán nội suy nhiều biến và kỹ thuật hàm cơ sở bán kính 8 1.3.1.2 Kiến trúc mạng Neural RBF 10 1.3.1.3 Ứng dụng của mạng Neural RBF 10 1.4 CÁC PHƯƠNG PHÁP HUẤN LUYỆN MẠNG NEURAL RBF 11 1.4.1 Phương pháp huấn luyện một pha 11 1.4.2 Phương pháp huấn luyện hai pha 12 1.4.3 Phương pháp huấn luyện 2 pha HDH 13 1.4.4 Phương pháp huấn luyện ba pha đầy đủ 16 1.5 KẾT QUẢ THỰC NGHIỆM 16 1.5.1 Kết quả 16 1.5.2 Nhận xét 19 Chương 2 NHẬN DẠNG CHỮ VIẾT TAY 20 2.1 NHẬN DẠNG MẪU 20 2.1.1 Nhận dạng mẫu 20 2.1.1.1 Mẫu là gì ? 20 2.1.1.2 Nhận dạng mẫu là gì ? 20 2.1.1.3 Lịch sử của lĩnh vực nhận dạng mẫu 21 2.1.1.4 Ứng dụng của nhận dạng mẫu 21 2.1.1.5 Các bài toán nhận dạng mẫu 22 2.1.1.6 Các bước xử lý trong hệ thống nhận dạng mẫu 22 2.2 BÀI TOÁN NHẬN DẠNG CHỮ VIẾT TAY 24 2.2.1 Tình hình chung về nhận dạng chữ viết tay 24 2.2.2 Giới thiệu bài toán nhận dạng chữ viết tay 24 2.2.3 Hướng giải quyết cho bài toán nhận dạng ký tự viết tay 24 2.3 CÁC PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG CHỮ VIẾT TAY 25 2.2.1 Phương pháp trích chọn đặc trưng kết hợp biến đổi DCT và thuật toán phân tích thành phần chính PCA 25 2.2.1.1 Thuật toán PCA 26 2.2.1.2 Phương pháp trích chọn đặc trưng kết phép biến đổi DCT và thuật toán PCA 27 2.2.2 Phương pháp trích đặc trưng sử dụng Momen Legendre 28 2.2.2.1 Momen và Momen Legendre 28 2.2.2.2 Phương pháp trích chọn đặc trưng chữ viết tay bằng Momen Legendre30 2.2.3 Phương pháp sử dụng mạng Neural nhân chập(Convolution neural network) 32 2.2.3.1 Khái niệm cơ sở 32 2.2.3.2 Phương pháp trích đặc trưng sử dụng mạng Neural nhân chập 33 2.4 THỰC NGHIỆM 34 2.4.1 Kết quả 35 2.4.2 Nhận xét 35 Chương 3 CÁC PHƯƠNG PHÁP CẢI THIỆN HIỆU SUẤT CỦA MẠNG NEURAL RBF 36 3.1 CÁC PHƯƠNG PHÁP CẢI THIỆU HIỆU SUẤT CỦA MẠNG NEURAL RBF 36 3.1 CÁC PHƯƠNG PHÁP CẢI THIỆU HIỆU SUẤT CỦA MẠNG NEURAL RBF 36 3.1.1 Tăng tập dữ liệu huấn luyện 36 3.1.1.1 Tăng tập dữ liệu bằng các phép biến đổi hình học 36 3.1.2 Phương pháp học tập hợp 37 3.1.2.1 Phương pháp học tập hợp cải tiến 38 3.1.3 Phương pháp tăng tốc độ nhận dạng 39 3.1.3.1 Phương pháp bộ nhận dạng ba lớp 40 3.2 THỰC NGHIỆM 41 Chương 4 GIỚI THIỆU CHƯƠNG TRÌNH NHẬN DẠNG CHỮ SỐ VIẾT TAY VÀ TỔNG KẾT 42 4.1 GIỚI THIỆU CHƯƠNG TRÌNH NHẬN DẠNG CHỮ SỐ VIẾT TAY 42 4.1.1 Chương trình nhận dạng chữ viết tay 42 4.1.1.1 Giới thiệu chương trình 42 4.2 TỔNG KẾT VÀ PHƯƠNG HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 43 4.2.1 Tổng kết 43 4.2.1.1 Những công việc đã làm được 43 4.2.2.2 Hướng phát triển của đề tài 44 TÀI LIỆU THAM KHẢO 45 BẢNG DANH MỤC CÁC HÌNH MINH HỌA Hình 1: Minh họa bài toán nội suy hàm một biến 1 Hình 2: Minh họa một Neuron thần kinh sinh học 4 Hình 3: Cấu tạo một Neural nhân tạo 5 Hình 4: Đồ thị hàm ngưỡng 6 Hình 5: Đồ thị hàm tuyến tính 6 Hình 7: Đồ thị hàm tanh 6 Hình 8: Đồ thị hàm Gauss 7 Hình 9: Kiến trúc mạng Neural truyền tới 7 Hình 10: Minh họa sự ảnh hưởng của hàm bán kính 9 Hình 11: Kiến trúc của mạng RBF 10 Hình 12: Quá trình hội tụ đến giá trị cực tiểu của thuật toán Gradient 12 Hình 13: Thuật toán HDH huấn luyện mạng RBF 15 Hình 14: Các bước xử lý trong hệ thống nhận dạng mẫu 22 Hình 15 : Các bước giải quyết bài toán nhận dạng chữ viết tay 25 Hình 16: Ảnh hưởng của vector riêng, giá trị riêng lên tập dữ liệu 26 Hình 17 : Các bước thực hiện của thuật toán PCA 27 Hình 18: Các bước trích chọn đặc trưng bằng biến DCT kết hợp PCA 27 Hình 19: Biến đổi DCT và cách lấy dữ liệu theo đường zigzag 28 Hình 21: Các bước thực hiện của phương pháp trích chọn đặc trưng sử dung momen Legendre 32 Hình 22: Thao tác nhân chập 33 Hình 23: Quá trình trích chọn đặc trưng sử dụng mạng Neural nhân chập 34 Hình 24: Minh họa quá trình lấy đặc trưng bằng mạng Neuron nhân chập 34 Hình 21: Ma trận vector cho phép biến đổi Elastic 37 Hình 22: Ví dụ về phép biến đổi Elastic 37 Hình 23: Kiến trúc của phương pháp học tập hợp cải tiến 39 Hình 24: Kiến trúc của bộ nhận dạng ba lớp 40 Hình 25: Biểu đồ so sánh độ chính xác nhận dạng và thời gian huấn luyện của các phương pháp huấn luyện khác nhau 41 Hình 26: Giao diện chính của chương trình 43 Hình27: Bảng thông báo kết quả nhận dạng 43 BẢNG DANH MỤC TỪ VIẾT TẮT Ký hiệu Nghĩa tiếng Anh Nghĩa tiếng Việt ANN Artificial neural network Mạng nơ-ron nhân tạo DCT Discrete cosin transform Biến đổi cosin rời rạc IDE Integrated Development Environment Môi trường thiết kế hợp nhất MLP Multi layer perceptron Mạng nơ-ron truyền thẳng nhiều tầng PCA Principal component analysis Phân tích thành phần chính PDA Personal Digital Assistant Thiết bị hỗ trợ cá nhân(thường ám chỉ các máy tính cầm tay) RBF Radial Basis Function Hàm cơ sở bán kính SVM Support Vector Machine Máy vec-tơ hỗ trợ MỞ ĐẦU Bài toán nội suy và xấp xỉ hàm số đã được biết đến từ lâu vì nó có ứng dụng trong rất nhiều lĩnh vực trong khoa học kỹ thuật cũng như đời sống. Ngày nay bài toán nội suy và xấp xỉ hàm nhiều biến đã trở thành một vấn đề thời sự vì để giải quyết được các bài toán ứng dụng (ví dụ trong nhận dạng mẫu) nhiều khi buộc con người phải giải quyết được bài toán nội suy, xấp xỉ hàm nhiều biến. Trong toán học bài toán nội suy, xấp xỉ hàm một biến đã được giải quyết khá đầy đủ bằng rất nhiều các phương pháp khác nhau. Tuy nhiên bài toán nội suy, xấp xỉ hàm nhiều biến thì các công cụ toán học vẫn còn rất hạn chế. Khái niệm mạng “Neural nhân tạo” xuất hiện đầu thế kỷ 20 trong thời kỳ con người tìm cách để chế tạo ra những bộ máy có khả năng suy nghĩ, tư duy như con người. Trải qua một thời gian dài phát triển và nghiên cứu thì cơ sở lý thuyết cũng như thực nghiệm về mạng Neural nhân tạo đã đạt được những kết quả rất khả quan. Nhờ khả tính toán mạnh của máy tính, mạng Neural nhân tạo ngày nay là một công cụ rất tốt để giải quyết bài toán nội suy và xấp xỉ hàm nhiều biến. Vì thế mạng Neural nhân tạo được sử dụng rất nhiều trong các lĩnh vực tính toán, nhận dạng mẫu cũng như trong các lĩnh vực khoa học quan trọng khác (xem [11]-chapter 4). Là một loại mạng Neural nhân tạo, mạng Neural RBF cũng là một công cụ hiệu quả để giải quyết bài toán nội suy và xấp xỉ hàm nhiều biến với điểm mạnh hơn hẳn các loại mạng Neural khác ở chỗ nó có thời gian huấn luyện rất nhanh. Bài toán nhận dạng chữ viết tay là một bài toán quen thuộc và có ứng dụng rất lớn trong thực tế vì thế từ lâu nó đã thu hút rất nhiều người nghiên cứu. Mặc dù đã đạt được những kết quả rất cao trong bài toán nhận dạng chữ viết tay (mạng Neural nhân chập đã đạt độ chính xác 99.61% trên bộ dữ liệu MNIST [8]) song ngày nay người ta vẫn tiếp tục nghiên cứu những phương pháp nhận dạng tốt hơn hướng đến dùng cho các thiết bị di động, và các bài toán thời gian thực. Từ các nhận xét trên, với lòng đam mê muốn nghiên cứu, học hỏi về kiến trúc của mạng Neural nhân tạo (cụ thể ở đây là mạng Neural RBF) qua đó ứng dụng để viết phần mềm nhận dạng chữ viết tay, được sự chỉ bảo và giúp đỡ tận tình của thầy giáo [...]... với đề tài Mạng Neural RBF và ứng dụng nhận dạng chữ viết tay Nội dung của khóa luận sẽ đi sâu nghiên cứu những vấn đề sau: - Khảo cứu về mạng Neural RBF - Tìm hiểu bài toán nhận dạng chữ viết tay và các phương pháp trích chọn đặc trưng chữ viết tay - Nghiên cứu các phương pháp cải tiến hiệu suất của mạng Neural RBF áp dụng - cho bài toán nhận dạng chữ viết tay Tiến hành cài đặt các ứng dụng để thực... luyện mạng Neural RBF, hiệu suất các phương pháp trích chọn giá trị đặc trưng, cài đặt các phương pháp để cải thiện hiệu suất của mạng RBF áp dụng - cho bài toán nhận dạng chữ viết tay Tiến hành viết chương trình nhận dạng chữ số viết tay nhận dạng chữ viết tay tổng hợp tất cả các phần kiến thức đã nghiên cứu Với mục tiêu dẫn dắt từ cơ sở lý thuyết mạng Neural RBF đến ứng dụng nhận dạng chữ viết tay, ... dạng mẫu 2.2 2.3 2.4 Bài toán nhận dạng chữ viết tay Các phương pháp trích chọn đặc trưng chữ viết tay Kết quả thực nghiệm 2.1 NHẬN DẠNG MẪU Nhận dạng chữ viết tay là một lĩnh vực con của nhận dạng dạng mẫu, do vậy trước khi đi sâu vào trình bày chi tiết bài toán nhận dạng chữ viết tay, tôi xin trình bày sơ lược về lĩnh vực nhận dạng mẫu và bài toán nhận dạng mẫu 2.1.1 Nhận dạng mẫu 2.1.1.1 Mẫu là gì... toán nhận dạng chữ viết tay Nhận dạng chữ viết tay được thực hiện qua hai hình thức đó là nhận dạng online và nhận dạng offline Nhận dạng online có nghĩa là máy tính sẽ nhận dạng các chữ được viết lên màn hình ngay khi nó được viết Đối với những hệ nhận dạng này, máy tính sẽ lưu lại các thông tin về nét chữ như thứ tự nét viết, hướng và tốc độ của nét viết trong khi nó đang được viết Còn nhận dạng. .. thức đã biết về chi phí, và nó sẽ có ảnh hưởng đến việc ra các quyết định hành động Chúng ta cũng cần ước lượng trước chi phí để xem có thỏa mãn hay không 23 Chương 2: Nhận dạng chữ viết tay 2.2 BÀI TOÁN NHẬN DẠNG CHỮ VIẾT TAY 2.2.1 Tình hình chung về nhận dạng chữ viết tay Bài toán nhận dạng chữ viết tay được ứng dụng rất nhiều trong thực thế : được tích hợp vào hệ thống nhận dạng form tự động, tích... động, tích hợp trong các máy PDA có màn hình cảm ứng, nhận dạng chữ ký Do có nhiều ứng dụng quan trọng như vậy nên từ lâu bài toán nhận dạng chữ viết tay đã thu hút rất nhiều người nghiên cứu, tìm cách giải quyết Ngày nay bài toán nhận dạng chữ viết tay đã được giải quyết gần như trọn vẹn trên thế giới cũng như ở Việt Nam Hệ nhận dạng sử dụng mạng Neural nhân chập giới thiệu ở [8] đã đạt độ chính... offline tức là việc nhận dạng được thực hiện sau khi chữ đã được viết hay in lên giấy rồi, lúc đó thông tin đầu vào là hình ảnh văn bản hoặc ký tự cần nhận dạng Trong khuôn khổ nội dung khóa luận này tôi chỉ xét hình thức nhận dạng offline cho từng ký tự một 2.2.3 Hướng giải quyết cho bài toán nhận dạng ký tự viết tay Như đã nói ở trên bài toán nhận dạng chữ viết tay thuộc lớp bài toán nhận dạng mẫu, như... thì việc thông tin được nhận và xử lý một cách tự động là rất cần thiết Khuynh hướng này làm cho vấn đề nhận dạng mẫu trở nên rất quan trọng trong ứng dụng kỹ thuật và trong nghiên cứu ngày nay Nhận dạng mẫu tích hợp hầu hết vào các hệ thống máy móc thông minh, có khả năng tự đưa ra quyết định để giải quyết vấn đề 2.1.1.4 Ứng dụng của nhận dạng mẫu Nhận dạng mẫu có rất nhiều ứng dụng trong đời sống cũng... phương pháp huấn luyện mạng Neural RBF thông qua bài toán phân tích thành phần trong ống dầu +Chương 2: Nhận dạng chữ viết tay Phần đầu chương sẽ trình bày sơ lược về bài toán nhận dạng mẫu, ở phần tiếp theo của chương sẽ làm rõ hơn về các bước để giải quyết bài toán nhận dạng chữ viết tay Phần lớn nội dung của chương sẽ tập trung nghiên cứu các phương pháp lấy đặc trưng chữ viết tay Phần cuối chương đưa... trọng nhất của mạng Neural nhân tạo Chính vì đặc điểm này mà mạng Neural nhân tạo có khả năng thực hiện tốt các công việc sau khi đã được huấn luyện, và đến 3 Chương 1: Bài toán nội suy, xấp xỉ hàm số và mạng Neural RBF khi môi trường thay đổi ta lại có thể huấn luyện lại mạng Neural nhân tạo để nó thích nghi với điều kiện mới 1.2.1.1 Mạng Neural sinh học Mạng Neural sinh học là một mạng lưới (plexus) . hiệu suất của mạng RBF áp dụng cho bài toán nhận dạng chữ viết tay. - Tiến hành viết chương trình nhận dạng chữ số viết tay nhận dạng chữ viết tay tổng. 2.2 BÀI TOÁN NHẬN DẠNG CHỮ VIẾT TAY 24 2.2.1 Tình hình chung về nhận dạng chữ viết tay 24 2.2.2 Giới thiệu bài toán nhận dạng chữ viết tay 24 2.2.3