Recognition of Unconstrained Handwritten Numerals using Modified Chaotic Neural Networks

수정된 카오스 신경망을 이용한 무제약 서체 숫자 인식

  • 최한고 (금오공과대학교 전자공학부) ;
  • 김상희 (금오공과대학교 전자공학부) ;
  • 이상재 (금오공과대학교 전자공학부)
  • Published : 2001.01.01

Abstract

This paper describes an off-line method for recognizing totally unconstrained handwritten digits using modified chaotic neural networks(MCNN). The chaotic neural networks(CNN) is modified to be a useful network for solving complex pattern problems by enforcing dynamic characteristics and learning process. Since the MCNN has the characteristics of highly nonlinear dynamics in structure and neuron itself, it can be an appropriate network for the robust classification of complex handwritten digits. Digit identification starts with extraction of features from the raw digit images and then recognizes digits using the MCNN based classifier. The performance of the MCNN classifier is evaluated on the numeral database of Concordia University, Montreal, Canada. For the relative comparison of recognition performance, the MCNN classifier is compared with the recurrent neural networks(RNN) classifier. Experimental results show that the classification rate is 98.0%. It indicates that the MCNN classifier outperforms the RNN classifier as well as other classifiers that have been reported on the same database.

본 논문은 수정된 카오틱 신경망(MCNN)을 이용하여 완전 무제약 서체 숫자 인식을 다루고 있다. 카오틱 신경망(CNN)의 동적 특성과 학습과정을 강화함으로써 복잡한 패턴인식 문제를 해결할 수 있는 유용한 신경망으로 수정하였다. MCNN은 신경망 구조와 뉴런 자체가 높은 차수의 비선형 동적특성을 갖고 있으므로 복잡한 서체 숫자를 분류할 수 있는 적합한 신경망이다. 숫자 확인은 원래의 숫자 이미지로부터 특징을 추출하고 MCNN에 근거한 분류기를 이용하여 숫자를 인식한다. MCNN 분류기의 성능은 Canada, Montreal의 Concordia 대학의 숫자 데이터 베이스로 평가하였다. 인식성능의 상대적인 비교를 위해 MCNN 분류기는 리커런트 신경망(RNN) 분류기와 비교하였다. 실험결과에 의하면 인식율은 98.0%이었으며, 이는 MCNN 분류기가 같은 데이터 베이스에 대해 발표되었던 다른 분류기와 RNN 분류기보다 성능이 우수함을 나타낸다.

Keywords

References

  1. IEEE Trans. on Pattern Analysis and Machine Intelligence v.17 no.1 A method of combining multiple experts for the recognition of unconstrained handwritten numerals Y. S. Huang;C. Y. Suen
  2. Proc. IEEE v.80 Computer recognition of unconstrained handwritten numerals C. Y. Suen;C. Nadal;R. Legault;T. A. Mai;L. Lam
  3. Kybernetik v.3 Decision equation for binary system: Application to neuronal behavior E. R. Caianiello;A. DeLuca
  4. Kybernetik v.10 On response characteristics of a mathematical neuron model J. Nagumo;S. Sato
  5. Neural Networks v.8 no.6 Chaotic simulated annealing by a neural network model with transient chaos L. Chen;K. Aihara
  6. Digital Image Processing W. K. Pratt
  7. Physics Letters A v.144 Chaotic neural networks K. Aihara;T. Takabe;M. Toyoda
  8. Neural Networks v.9 no.1 A network of chaotic elements for information processing S. Ishi;K. Fukumizu;S. Watanabe
  9. ICNN v.3 Trajectory control of robotic manipulators using chaotic neural networks S. H. Kim;H. G. Choi;W. W. Park
  10. Proc. 1st Int. Wkshp. Frontiers Handwriting Recognition Recognition of handwritten numerals based on the concept of multiple experts C. Y. Suen;C. Nadal;T. Mai;R. Legault;L. Lam
  11. IEEE Trans. on Neural Networks v.8 no.1 Neural-network classifiers for recognizing totally unconstrained handwritten numerals S. B. Cho