Ein hierarchischer neuronaler Klassifikator für die Erkennung von Einzelzeichen in mathematischen Formeltexten

In dieser Arbeit wird eine hierarchische neuronale Netzwerkarchitektur fur die Musterklassifikation vorgestellt. Die verwendeten Basisarchitekturen sind kompetitive LVQ- (learning vector quantization) und RBF-Netzwerke (radiale Basisfunktionen). Die Gesamtarchitektur des Klassifikators ist zweistufig. Die erste Klassifikatorstufe ist ein LVQ-Netz zur Grobklassifkation. Klassen die auf dieser Stufe an Verwechslungen beteiligt sind, werden zu Oberklassen, den sogenannten Verwechslungsklassen, zusammengefasst. Fur jede Verwechslungsklasse wird in der zweiten Stufe ein spezielles RBF-Netz aufgebaut, das zwischen den (wenigen) Klassen dieser Verwechslungsklasse diskriminiert. Die Verwechslungsklassen werden aus der Verwechslungsmatrix des LVQ- Klassifikators bestimmt. Sowohl die Gesamtarchitektur als auch die Parameter (= Gewichte der kunstlichen Neuronen) der LVQ/RBF-Netzwerke werden wahrend der zweistufigen Trainingsprozedur erzeugt. Der hierarchische Klassifikator ist fur Klassifikationsprobleme mit sehr vielen Klassen einsetzbar. Die Initialisierung der kunstlichen RBF-Neuronen durch die Prototypen des LVQ-Netzes liefert ein sehr effizientes Trainingsverfahren.

[1]  Simon Haykin,et al.  Neural Networks: A Comprehensive Foundation , 1998 .

[2]  M. Hoher,et al.  Similarities of LVQ and RBF learning-a survey of learning rules and the application to the classification of signals from high-resolution electrocardiography , 1994, Proceedings of IEEE International Conference on Systems, Man and Cybernetics.

[3]  Jürgen Schürmann,et al.  Pattern classification - a unified view of statistical and neural approaches , 2008 .

[4]  Robert H. Anderson Syntax-directed recognition of hand-printed two-dimensional mathematics , 1967, Symposium on Interactive Systems for Experimental Applied Mathematics.

[5]  Teuvo Kohonen,et al.  Self-Organizing Maps , 2010 .

[6]  Stéphane Lavirotte,et al.  Mathematical formula recognition using graph grammar , 1998, Electronic Imaging.

[7]  Azriel Rosenfeld,et al.  Digital Picture Processing, Volume 1 , 1982 .

[8]  Robert J. Schalkoff,et al.  Pattern recognition - statistical, structural and neural approaches , 1991 .

[9]  Michael I. Jordan,et al.  Hierarchical Mixtures of Experts and the EM Algorithm , 1994, Neural Computation.

[10]  R. H. Anderson Two-Dimensional Mathematical Notation , 1977 .

[11]  Richard J. Fateman,et al.  Optical character recognition for typeset mathematics , 1994, ISSAC '94.

[12]  William A. Martin,et al.  Computer input/output of mathematical expressions , 1971, SYMSAC '71.

[13]  Richard J. Fateman,et al.  Progress in recognizing typeset mathematics , 1996, Electronic Imaging.

[14]  Robert A. Jacobs,et al.  Methods For Combining Experts' Probability Assessments , 1995, Neural Computation.

[15]  Christopher M. Bishop,et al.  Neural networks for pattern recognition , 1995 .