Cercetarea și elaborarea modelului unei rețele neuronale convoluționale pentru recunoașterea numerelor scrise de mână

Abstract

Целью работы является исследования и разработка модели сверточной нейронной сети для распознавания рукописных цифр для создания более точных и быстрых систем распознавания рукописных цифр. Методология научного исследования базируется на методах машинного обучения, методах математического моделирования, технологии объектно ориентированного программирования, технологии обработки изображений и технологии оптимизации. Новизна и научная оригинальность заключается в разработке новой модели СНС, которая может обеспечить более высокую точность и скорость распознавания рукописных цифр, чем существующие методы. Это может привести к созданию более эффективных систем распознавания рукописных цифр, которые могут быть использованы в различных областях, таких как медицина, автомобильная промышленность, финансы и т.д. Прикладное значение работы может привести к созданию более точных и быстрых систем распознавания рукописных цифр. Существующие методы распознавания рукописных цифр, такие как метод опорных векторов (SVM) и метод k-ближайших соседей (k-NN), имеют свои ограничения в точности и скорости. Сверточные нейронные сети (СНС) предлагают новый подход к распознаванию рукописных цифр, который может преодолеть эти ограничения. В частности, СНС показали высокую точность в распознавании рукописных цифр на базе данных MNIST. Это может быть полезно для различных приложений, таких как системы безопасности, системы распознавания номерных знаков, системы распознавания рукописного текста и т.д

Scopul lucrrii este de a cerceta și elabora un model de rețea neuronală convoluțională pentru recunoașterea cifrelor scrise de mână pentru a crea sisteme de recunoaștere a cifrelor scrise de mână mai precise și mai rapide. Metodologia cercetrii stiinifice se bazează pe metode de învățare automată, metode de modelare matematică, tehnologie de programare orientată pe obiecte, tehnologie de procesare a imaginilor și tehnologie de optimizare. Noutatea şi originalitatea stiinific este de a dezvolta un nou model de CNN care poate oferi o acuratețe și o viteză mai mare de recunoaștere a cifrelor scrise de mână decât metodele existente. Acest lucru poate conduce la sisteme mai eficiente de recunoaștere a cifrelor scrise de mână care pot fi utilizate în diverse domenii, cum ar fi medicina, industria auto, finanțele etc. Valoarea aplicativă poate conduce la sisteme de recunoaștere a cifrelor scrise de mână mai precise și mai rapide. Metodele existente de recunoaștere a cifrelor scrise de mână, cum ar fi metoda vectorului de sprijin (SVM) și metoda k-nearest neighbours (k-NN), au limitări în ceea ce privește precizia și viteza. Rețelele neuronale convergente (CNN) oferă o abordare nouă a recunoașterii cifrelor scrise de mână, care poate depăși aceste limitări. În special, SNN-urile au demonstrat o precizie ridicată în recunoașterea cifrelor scrise de mână în baza de date MNIST. Acest lucru poate fi util pentru diverse aplicații, cum ar fi sistemele de securitate, sistemele de recunoaștere a plăcuțelor de înmatriculare, sistemele de recunoaștere a scrisului de mână etc.

The aim of the work is to research and develop a convolutional neural network model for handwritten digit recognition to create more accurate and faster handwritten digit recognition systems. The scientific research methodology is based on the theory of computational systems, Petri net theory, mathematical modelling methods and object-oriented programming technologies. The scientific research methodology is based on machine learning methods, mathematical modelling methods, object-oriented programming technology, image processing technology and optimisation technology. The application value can lead to more accurate and faster handwritten digit recognition systems. Existing handwritten digit recognition methods, such as the support vector method (SVM) and the k-nearest neighbours (k-NN) method, have limitations in terms of accuracy and speed. Convergent neural networks (CNNs) offer a novel approach to handwritten digit recognition that can overcome these limitations. In particular, SNNs have demonstrated high accuracy in recognising handwritten digits in the MNIST database. This can be useful for various applications such as security systems, license plate recognition systems, handwriting recognition systems, etc.