فایل ورد کامل ماشین بردار پشتیبان برای تشخیص عددی دست خط دیواناگری

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 ماشین بردار پشتیبان برای تشخیص عددی دست خط دیواناگری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۰ صفحه

۹- نتیجه گیری
این کار تحقیی به تشخیص رقم دواناگاری دست نوشته می پردازد که با تکنیک ماشین بردار پشتیان اعمال می گردد . نتایج دقیق و کارامد تر نسبت به هر نوع سیستم موجود دیگر در کار تحقیقی پیشنهادی فراهم می گردند . ان یک کار اجراء شده منحصر به فرد می باشد که از ماشین بردار پشتیبان برای تشخیص رقم دست نوشته دواناگاری استفاده می کند . تنها ۱۸ ویژگی از هر تصویر استخراج می گردند و نرخ تشخیص ۹۹۴۸ درصد کسب گردید . جی . جی . راجپوت ]۲۶[ یک ماشین بردار پشتیبان را بطور یکسان اجراء کردند اما از ۶۴ ابعاد ویژگی برای تولید نرخ تشخیص ۹۷۸۵ درصد استفاده می کند .
نرخ تشخیص به عنوان بخشی از کار آینده بایستی از طریق زیاد شدن مجموعه داده ها تست گردد . این مقاله یک تابع زیرساخت خطی از ماشین بردار پشتیبان را اجراء می کند . این دقت تشخیص رقم دست نوشته زبان دواناگاری را از طریق بکار گیری دیگر توابع زیرساخت نظیر تابع مبنای شعاعی ، تابع کرنل چند جمله ای ، تابع هلالی می توان بیشتر افزایش داد .

عنوان انگلیسی:Support Vector Machine for Handwritten Devanagari Numeral Recognition~~en~~

۹ CONCLUSION

This research work deals with the recognition of Handwritten Devanagari numeral by applying Support Vector Machine technique. Proposed research work provides more efficient and accurate results than any other existing systems. It is the unique implemented work using SVM for Devanagari Handwritten digit recognition. Only 18 features are extracted from each image and obtained 99.48% recognition rate. G. G. Rajput [26] implemented SVM on the same but utilizes 64 feature dimensions for producing 97.85% recognition rate. As a part of future work, recognition rate need to be tested by increasing datasets. This paper implements linear kernel function of SVM. By application of other kernel functions such as Radial Basis Function (RBF), Polynomial Kernel function, Sigmoidal function, this accuracy of Devanagari Handwritten digit recognition can be further increased.

$$en!!