كلاس بندي حروف دست¬نوشته بر اساس خصوصيات جهت و روش¬هاي يادگيري ماشين

استخراج و انتخاب خصوصيات خوب يك پارامتر اصلي در سيستم¬هاي تشخيص الگو مي¬باشد و استفاده از روشهاي يادگيري ماشين در دسته¬بندي و خوشه¬بندي الگوهاي موجود در مجموعه داده¬هاي تصويري و چندرسانه¬اي در كنار خصوصيات خوب بسيار موردتوجه پژوهشگران است. اين مقاله يك سيستم موثر را براي كلاس¬بندي حروف دست نوشته بر¬اساس روش¬هاي يادگيري ماشين درخت تصميم¬گيري C5.0 و K نزديكترين همسايه نشان مي¬دهد. با استفاده از تشخيص جهت خطوط متفاوتي كه كاراكتر را شكل مي¬دهند، يك مجموعه ويژگي به نام خصوصيات جهت، در نواحي تقسيم¬شده تصوير حروف استخراج گرديد. هر حرف دست¬نوشته به 9 ناحيه مساوي تقسيم شد و براي هر ناحيه 8 خاصيت استخراج گرديد، كه يك بردار خاصيت با 72 عنصر براي هر حرف به دست آمد. يكي از مزيتهاي اين خصوصيات سادگي آنها است كه نيازي به نرمال سازي ندارند. خصوصيات استخراج شده به دو مجموعه، 90 درصد براي آموزش و 10 درصد براي تست تقسيم شدند. اين عمل با تست¬هايي براي حالتهاي مختلف انتخاب داده¬هاي آموزش و تست انجام گرفت و با استفاده از روشهاي درخت تصميم¬گيري C5.0 و K نزديكترين همسايه نتايج مطلوبي به دست آمد.