Vấn đề nhận dạng chữ cái Tiếng Việt in thuộc nhóm các bài toán phân loại mẫu. Nhiệm vụ của bài toán này là thiết lập cách phân loại cho các mẫu đầu vào (thƣờng đƣợc cho dƣới dạng một vector các đặc trƣng) vào một trong các lớp cho trƣớc. Ở đây tôi xin đƣa ra một mô hình mạng Neural Hamming có khả năng giải quyết các bài toán phân loại mẫu nói chung và bài toán nhận dạng chữ viết Tiếng Việt nói riêng.
Mô hình mạng Neural Hamming sử dụng ở đây là mô hình mạng nhiều tầng truyền thẳng (MultiLayer Perceptron) với thuật toán lan truyền ngƣợc sai số và hàm truyền sigmod. Mô hình mạng Neural Hamming gồm hai tầng một tầng ẩn và một tầng đầu ra. Số neural đầu vào bằng số chiều của vector đặc trƣng cho mẫu, số neural tầng ẩn có thể thay đổi linh hoạt trong quá trình luyện mạng, và số neural tầng ra bằng số lớp cần phân loại.
Để xác định những thông số chung nhất của mạng Neural, chúng ta khai báo một số hằng số nhƣ sau:
const int iDestSize_Hight = 60; // Kích thƣớc của hình dành cho chuẩn const int iDestSize_Width = 30; // Kích thƣớc của hình dành cho chuẩn const int N = iDestSize_Hight * iDestSize_Width; // Số lƣợng đầu vào const int M = 39 ; // Số lƣợng hình mẫu
const float e = -(1/(float)(M)) / 2; // Trọng số của các synapse lớp thứ 2 Ảnh đầu vào của chƣơng trình ( .bmp file) phải có kích cỡ là 150 x 150 điểm ảnh (isourceSize x isourceSize), trƣớc khi xử lí tín hiệu đầu vào cho mạng Neural Hamming thì cần phải chuyển hóa bằng cách thu nhỏ thành ảnh mới có kích cỡ là 60 x 30 (iDestSize_Hight x iDestSize_Width). Nhƣ vậy đầu vào của mạng Neural Hamming sẽ là một vecto với 1800 thành phần, mà mỗi thành phần này đƣợc tƣơng ứng là một điểm ảnh của đầu vào ( n= 1800). Số lƣợng đầu ra trùng với số ảnh mẫu (m=39). Giá trị trọng số của lan truyền ngƣợc trong Neural lớp thứ 2 là giá trị bằng -1/m/2 = -0.013
A