2. Neural sinh học và neural nhân tạo
3.2.Giao diện chƣơng trình
3.3. Kết quả thử nghiệm
Tỷ lệ đạt đƣợc ở thế hệ 261 là 614 mẫu sai trong số 10 000 mẫu kiểm tra kết quả, tỷ lệ sai là 6,14%. 0 500 1000 1500 2000 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 243 254 Error Error
CHƢƠNG 4: KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN
Vấn đề nhận dạng chữ viết tay nói chung và nhận dạng chữ số viết tay nói riêng là một thách thức lớn đối với các nhà nghiên cứu. Bài toán lớn luôn đặt ra phía trƣớc vì sự phức tạp của việc nhận dạng chữ viết phụ thuộc nhiều vào phong cách viết và cách thể hiện ngôn ngữ của ngƣời viết. Chúng ta không thể luôn luôn viết một ký tự chính xác theo cùng một cách. Do vậy, xây dựng hệ thống nhận dạng chữ viết có thể nhận dạng bất cứ ký tự nào một cách đáng tin cậy trong tất cả các ứng dụng là điều không dễ dàng.
Báo cáo chỉ trình bày các vấn đề cơ bản về mạng neural. Trong đó đi sâu vào việc xây dựng một mạng neural truyền thẳng MLP, và thuật tuán huấn luyện Lan truyền ngƣợc. Thực nghiệm xây dựng một chƣơng trình đơn giản để nhận dạng chữ số viết tay.
Các vấn đề còn chƣa có trong báo cáo, và cần nghiên cứu triển khai là:
- Tìm hiểu về các thuật toán huấn luyện mạng neural khác, để có thể đƣa ra các so sánh, cũng nhƣ chọn mô hình thích hợp cho các bài toán cụ thể. - Phát triển chƣơng trình thực nghiệm thành một chƣơng trình có ý nghĩa thực
tế hơn, nhƣ nhận dạng chữ viết tay, nhận dạng ảnh, dựa trên nền tảng mạng đã xây dụng.
TÀI LIỆU THAM KHẢO
[1]. PGS.TS Vũ Thanh Nguyên. Bài giảng môn máy học
[2]. Genevieve Orr, Nici Schraudolph and Fred Cummins http://www.willamette.edu/~gorr/classes/cs449/intro.html
[3]. Christos Stergiou and Dimitrios Siganos. Neural Networks.
http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html
[4]. Nikola K. Kasabov. Foundations of Neural Networks, Fuzzy Systems, and
Knowledge Engineering. Massachusetts Institute of Technology.
[5]. Y. Freund and R. Schapire. A decision-theoretic generalization of on-line learning and an application to boosting. Computational Learning Theory, 1995, pp. 23–37.