فایل ورد کامل تشخیص دستخط عربی مبتنی برکلمه با استفاده از طبقه بندی ماشین بردار پشتیبان با گزینه نپذیرفتن

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تشخیص دستخط عربی مبتنی برکلمه با استفاده از طبقه بندی ماشین بردار پشتیبان با گزینه نپذیرفتن،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۴ صفحه

V . نتیجه گیری
ما در این کار به موضوع تشخیص دستخط عربی با استفاده از رویکرد کل نگر پرداخته ایم که بر اساس تصویر کل کلمه می باشد . ما سیستم تشخیص دستخط عربی آفلاین مبتنی بر کلمه را بر اساس ویژگی های DCT پیشنهاد دادیم و طبقه بندی SVM با استفاده از گزینه نپذیرفتن ارتقاء یافته بود . این سیستم از چهار مرحله اصلی پیشنهاد می گردد که عبارتند از : پیش پردازش ، قطه سازی بر اساس کلمات فرعی ، استخراج ویژگی با استفاده از ویژگی های DCT و دسته بندی مبتنی بر طبقه بندی SVM RBF . ما معیار نپذیرفتن را در فاز دسته بندی با استفاده از تعداد کلمات فرعی در تصویر کلمه ورودی یکپارچه کردیم . ما سیستم پیشنهادی را در پایگاه داده IFN/ENIT کلمات دستخط عربی را پیشنهاد دادیم و نتایج را با وضعیت سیستم های مبتنی بر DCT هنری مقایسه کردیم . اثربخشی رویکردمان در ارتقای عملکرد تشخیص در نتایج نشان داده شد .

عنوان انگلیسی:Word-Based Arabic Handwritten Recognition Using SVM Classifier with a Reject Option~~en~~

V. CONCLUSION

In this work, we addressed the issue of Arabic handwritten recognition using a holistic approach based on the whole word image. We proposed a word-based off-line Arabic handwritten recognition system based on DCT features and SVM classifier enhanced using a reject option. This system is composed of four main stages which are: preprocessing, segmentation into sub-words, feature extraction using DCT features and classification based on SVM RBF classifier. We integrated a rejection criterion in the classification phase using the number of sub-words in the input word image. We tested the proposed system on the IFNIENIT database of Arabic handwritten words and compared the results to state of art DCT-based systems. Results has shown the effectiveness of our approach in enhancing the recognition performance.

$$en!!