This paper deals with the recognition of geometric figures throgh the use of Neural Networks Artificial (NNA´s IntroduçãoVários centros de pesquisas e Universidades estão tentando desenvolver técnicas de reconhecimento que tenham um nível de desempenho praticamente igual ao do ser humano. O principal motivo do desenvolvimento de sistemas de reconhecimento são as aplicações científicas e econômicas, que tais sistemas apresentam. Entre estes sistemas pode-se citar, os sistemas de: reconhecimento de código de endereçamento postal, leitura automática de cheques bancários, tarifação telefônica, leitura automática para cegos, reconhecimento de figuras geométricas, etc. A obtenção de um software que consiga fazer o papel do homem pode representar uma grande economia de tempo e um bom ganho para as empresas.Os métodos de reconhecimento de padrões convencionais requerem que os dados de entrada apresentem posição, orientação e tamanho similares a um determinado padrão. Na prática, porém, os dados de entrada podem apresentar diferenças de tamanho, posição ou rotação em relação a um padrão pré-determinado. Além disso, os dados de entrada podem ser corrompidos por ruídos. Os métodos convencionais de reconhecimento, o casamento de padrões, por exemplo, não trabalham bem sob essas condições.A mudança de escala ocorre quando as dimensões do padrão utilizado no treinamento são diferentes das dimensões do padrão utilizado no reconhecimento. A translação ocorre quando o padrão utilizado no treinamento encontra-se localizado em uma posição distinta à posição do padrão utilizado no reconhecimento. A rotação ocorre quando os padrões utilizados no treinamento e no reconhecimento apresentam inclinações diferentes. Com o objetivo de minimizar essas diferenças, a RNA deve ser insensível à mudança de escala, translação e rotação.WIDROW et al [1] desenvolveram um sistema para o reconhecimento de padrões utilizando uma rede invariante constituída de um único neurônio ADALINE e uma RNA classificadora. A rede invariante é treinada ou projetada para produzir um conjunto de saídas que é insensível à translação e à rotação de 90 o do padrão de entrada.FUKUMI et al [2] utilizaram o mesmo princípio de uma rede invariante composta de um único neurônio ADALINE e uma RNA classificadora de padrões desenvolvido por Widrow para tornar a rede invariante somente à rotação.Um dos algoritmos mais importantes na área de reconhecimento de padrões é o "Neocognitron", desenvolvido por FUKUSHIMA et al [3,4]. Este sistema de reconhecimento possui múltiplas camadas de neurônios que são agrupadas em células de neurônios.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.