ridm@nrct.go.th   ระบบคลังข้อมูลงานวิจัยไทย   รายการโปรดที่คุณเลือกไว้

การประยุกต์การโปรแกรมตรรกะเชิงอุปนัยและแบ็กพรอพาเกชันนิวรอลเน็ตเวิร์กในการรู้จำตัวพิมพ์อักษรไทย

หน่วยงาน จุฬาลงกรณ์มหาวิทยาลัย

รายละเอียด

ชื่อเรื่อง : การประยุกต์การโปรแกรมตรรกะเชิงอุปนัยและแบ็กพรอพาเกชันนิวรอลเน็ตเวิร์กในการรู้จำตัวพิมพ์อักษรไทย
นักวิจัย : สุกรี สินธุภิญโญ
คำค้น : การรู้จำอักขระ (คอมพิวเตอร์) , ภาษาไทย -- ตัวอักษร , แบคพรอพาเกชัน (ปัญญาประดิษฐ์) , นิวรัลเน็ตเวิร์ค (คอมพิวเตอร์) , การโปรแกรมตรรกะเชิงอุปนัย
หน่วยงาน : จุฬาลงกรณ์มหาวิทยาลัย
ผู้ร่วมงาน : บุญเสริม กิจศิริกุล , จุฬาลงกรณ์มหาวิทยาลัย. บัณฑิตวิทยาลัย
ปีพิมพ์ : 2541
อ้างอิง : 9743321519 , http://cuir.car.chula.ac.th/handle/123456789/11821
ที่มา : -
ความเชี่ยวชาญ : -
ความสัมพันธ์ : -
ขอบเขตของเนื้อหา : -
บทคัดย่อ/คำอธิบาย :

วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2541

การรู้จำตัวพิมพ์อักษรไทยได้รับการศึกษาจากผู้วิจัยอย่างแพร่หลายมาเป็นเวลานานโดยมีการใช้วิธีการต่างๆ เพื่อทำการทดลอง วิธีการโปรแกรมตรรกะเชิงอุปนัย (Inductive Logic Programming:ILP) หรือไอแอลพี เป็นวิธีการหนึ่งที่ถูกนำมาใช้กับการรู้จำตัวพิมพ์อักษรไทยได้เป็นอย่างดี มีอัตราการรู้จำ 84.97% ซึ่งวิธีการนี้ทำการรู้จำโดยการสร้างกฎขึ้นจากตัวอย่างบวก ตัวอย่างลบ และความรู้ภูมิหลัง ทั้งหมดนี้ถูกอธิบายในรูปของโปรแกรมเชิงตรรกะ อย่างไรก็ตามในการใช้วิธีการไอแอลพีเพื่อทำการจำแนกตัวพิมพ์อักษรไทย 77 ตัว ออกเป็นหลายคลาส (class) จะเกิดปัญหาขึ้น เนื่องจากระบบที่ใช้วิธีการไอแอลพีส่วนใหญ่จะทำงานเกี่ยวกับตัวอย่างเพียง 2 คลาส คือ ตัวอย่างบวก และตัวอย่างลบ และสร้างกฎสำหรับตัวอย่างบวกขึ้น ตัวอย่างที่ไม่ตรงกับกฎจะถูกจำแนกเป็นลบ ในวิทยานิพนธ์ฉบับนี้ วิธีการไอแอลพีจะต้องทำการเรียนรู้แนวคิดแบบหลายคลาส (multi-class concept) ซึ่งสามารถกระทำได้โดยสร้างกฎสำหรับแต่ละคลาสขึ้นจากตัวอย่างบวกซึ่งเป็นตัวอย่างของคลาสนั้นและตัวอย่างลบซึ่งเป็นตัวอย่างของคลาสอื่นๆ กฎเหล่านี้จะถูกนำไปใช้ในการจำแนกตัวอย่างใหม่ต่อไป แต่ในกรณีของตัวอย่างใหม่โดยเฉพาะอย่างยิ่งตัวอย่างที่มีสัญญาณรบกวนอาจไม่ตรงกับกฎข้อใดเลย ซึ่งวิธีการไอแอลพีจะไม่สามารถจำแนกตัวอย่างเหล่านี้ได้ ดังนั้นจึงต้องใช้วิธีการอื่นเพื่อทำการประมาณในการเลือกกฎที่ใกล้เคียงกับตัวอย่างในกรณีดังกล่าว วิทยานิพนธ์ฉบับนี้นำเสนอวิธีการทำการประมาณเพื่อเลือกกฎโดยใช้แบ็กพรอพาเกชันนิวรอลเน็ตเวิร์ก (Backpropagation Neural Network: BNN) หรือ บีเอ็นเอ็น ซึ่งในบีเอ็นเอ็นแบบที่หนึ่งใช้จำนวนสัญพจน์ (literal) ที่ไม่ตรงและจำนวนสัญพจน์ที่ตรงกับตัวอย่างเป็นอินพุตเวกเตอร์ (input vector) ในกระบวนการเรียนรู้ อัตราการรู้จำของบีเอ็นเอ็นแบบนี้มีค่า 92.55% ซึ่งสูงกว่าอัตราการรู้จำของไอแอลพีเพียงอย่างเดียว แต่ข้อเสียคือบีเอ็นเอ็นแบบที่หนึ่งนี้ให้ความสำคัญของทุกสัญพจน์ในกฎแต่ละข้อเท่ากัน ดังนั้นจึงไม่สามารถกำหนดให้สัญพจน์ที่สำคัญกว่ามีค่าน้ำหนักมากกว่าสัญพจน์อื่นๆ ได้ เมื่อใช้ค่าความจริงของสัญพจน์ทุกสัญพจน์ในกฎแต่ละข้อแทนจำนวนสัญพจน์ที่ไม่ตรงและจำนวนสัญพจน์ที่ตรงกับตัวอย่างเป็นอินพุตเวกเตอร์ในโครงสร้างบีเอ็นเอ็นแบบที่สอง ทำให้ได้อัตราการรู้จำสูงขึ้นเป็น 94.26% ซึ่งสูงกว่าวิธีการอื่นๆ ที่ทำการทดสอบในวิทยานิพนธ์ฉบับนี้

บรรณานุกรม :
สุกรี สินธุภิญโญ . (2541). การประยุกต์การโปรแกรมตรรกะเชิงอุปนัยและแบ็กพรอพาเกชันนิวรอลเน็ตเวิร์กในการรู้จำตัวพิมพ์อักษรไทย.
    กรุงเทพมหานคร : จุฬาลงกรณ์มหาวิทยาลัย.
สุกรี สินธุภิญโญ . 2541. "การประยุกต์การโปรแกรมตรรกะเชิงอุปนัยและแบ็กพรอพาเกชันนิวรอลเน็ตเวิร์กในการรู้จำตัวพิมพ์อักษรไทย".
    กรุงเทพมหานคร : จุฬาลงกรณ์มหาวิทยาลัย.
สุกรี สินธุภิญโญ . "การประยุกต์การโปรแกรมตรรกะเชิงอุปนัยและแบ็กพรอพาเกชันนิวรอลเน็ตเวิร์กในการรู้จำตัวพิมพ์อักษรไทย."
    กรุงเทพมหานคร : จุฬาลงกรณ์มหาวิทยาลัย, 2541. Print.
สุกรี สินธุภิญโญ . การประยุกต์การโปรแกรมตรรกะเชิงอุปนัยและแบ็กพรอพาเกชันนิวรอลเน็ตเวิร์กในการรู้จำตัวพิมพ์อักษรไทย. กรุงเทพมหานคร : จุฬาลงกรณ์มหาวิทยาลัย; 2541.