Journal de génie informatique et des technologies de l'information

Reconnaissance d'équations mathématiques manuscrites basée sur un réseau neuronal à rétropropagation (BPNN)

Sagar Shinde et Rajendra Waghulade

La reconnaissance des symboles et équations mathématiques manuscrits est un problème critique et difficile dans le domaine de la reconnaissance de formes. Il s'agit de reconnaître des équations mathématiques manuscrites complexes, à savoir la loi de la gravité, l'intégrale de convolution, etc. Les problèmes tels que l'écrasement des symboles, des caractères, etc. sont identifiés et résolus en sélectionnant le meilleur classificateur pour améliorer le taux de reconnaissance. L'approche d'apprentissage automatique avec un algorithme de réseau neuronal à propagation avant-arrière multicouche amélioré avec un mode de reconnaissance hors ligne a été utilisée pour améliorer le débit, la précision et l'efficacité globale de la reconnaissance des équations mathématiques. Les caractéristiques hybrides extraites, à savoir le centroïde, la boîte limite, la densité de zonage, le segment de ligne, etc. et la descente de gradient avec l'algorithme d'entraînement à l'impulsion ont été utilisées. L'apprentissage adaptatif est utilisé pour mener l'expérience sur de nombreux types d'équations. Grâce aux résultats expérimentaux, le système est évalué et illustré, ce qui montre une amélioration significative de 93,5 % de la précision dans la reconnaissance d'équations mathématiques simples et compliquées. À l'avenir, la méthodologie actuelle sera le facteur clé pour initier le travail sans papier et le monde numérique.