Browsing by Author "Toca, Anildo"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Identificação de caracteres com rede neuronal artificial com interface gráficaPublication . Teixeira, João Paulo; Batista, José; Toca, Anildo; Gonçalves, João; Pereira, Filipe GonçalvesO presente artigo aborda uma metodologia para efectuar o reconhecimento de caracteres utilizando redes neuronais artificiais, com recurso da Toolbox Neural Network do Matlab®. Cada caractere é desenhado numa matriz 5x5, em que os pontos escuros do caractere tomam o valor de ´1´ e os pontos claros equivalem a ´0´. Posteriormente, esta matriz é reorganizada numa única coluna, de modo que cada coluna da matriz de input para a função de treino da rede represente um único caractere. As colunas da matriz de output determinam os caracteres correspondentes às colunas da matriz de input, com uma representação de um ‘1’ para o caractere desejado e ’0’ nos outros casos. Foi desenvolvida uma interface gráfica utilizando o GUIDE (Graphical User Interface Development Environment) do Matlab®. Deste modo, é possível escolher os parâmetros para criar a rede neuronal, treiná-la e proceder à sua simulação, de uma forma interactiva e agradável.
- Rede neuronal artificial para o reconhecimento de caracteres com interface gráficaPublication . Teixeira, João Paulo; Batista, José; Toca, Anildo; Gonçalves, João; Pereira, Filipe GonçalvesOs propósitos deste trabalho são meramente académicos e visam a experimentação das Redes Neuronais Artificiais numa situação típica de reconhecimento de caracteres. Adicionalmente foi experimentada a utilização concomitante do LabVIEW e do Matlab, tirando partido da interface gráfica do LabVIEW e da facilidade de utilização das RNA no Matlab. Os caracteres reconhecidos são os números de 0 a 9 e as letras maiúsculas de A a Z. Cada símbolo é codificado numa matriz booleana de 5×5. Como existem 36 caracteres no total, resulta uma matriz de 25×36 (dados de entrada da rede). Para a correspondência de cada vector de entrada, é usada uma matriz de saída de 36×36 que toma valores ‘0’ ou ‘1’. Para a RNA foi adoptada uma tipologia feedforward com duas camadas escondidas, funções de activação tansig, e trainrp como função de treino [1]. Para o treino da rede recorreu-se à Neural Network Toolbox™ do Matlab®, e ao LabVIEW™ para o desenvolvimento da interface gráfica. Deste modo, resultou um ambiente gráfico muito amigável e de grande utilidade, devido à troca de dados entre estes dois ambientes de programação. A rede apresenta uma boa tolerância a falhas e bom desempenho.