Sagar Shinde und Rajendra Waghulade
Die Erkennung handgeschriebener mathematischer Symbole und Gleichungen ist ein kritisches und herausforderndes Thema im Bereich der Mustererkennung. Es besteht die Notwendigkeit, komplizierte handgeschriebene mathematische Gleichungen zu erkennen, wie z. B. das Gravitationsgesetz, Faltungsintegral usw. Probleme wie das Überschreiben von Symbolen, Zeichen usw. werden identifiziert und gelöst, indem der beste Klassifikator ausgewählt wird, um die Erkennungsrate zu verbessern. Der maschinelle Lernansatz mit einem verbesserten mehrschichtigen Precentor-Feedforward-Backpropagation-Neuralnetzwerkalgorithmus mit einem Offline-Erkennungsmodus wurde verwendet, um Durchsatz, Genauigkeit und Gesamteffizienz der Erkennung mathematischer Gleichungen zu verbessern. Die extrahierten Hybridmerkmale, wie z. B. Schwerpunkt, Begrenzungsrahmen, Zonendichte, Liniensegment usw., und der Gradientenabstieg mit Momentum-Trainingsalgorithmus wurden verwendet. Adaptives Lernen wird verwendet, um das Experiment mit zahlreichen Arten von Gleichungen durchzuführen. Durch experimentelle Ergebnisse wird das System bewertet und veranschaulicht, was die signifikante Verbesserung der Genauigkeit von 93,5 % bei der Erkennung einfacher sowie komplizierter mathematischer Gleichungen zeigt. In Zukunft wird die aktuelle Methodik der Schlüsselfaktor sein, um papierloses Arbeiten und eine digitale Welt einzuführen.
English 
Spanish 
Chinese 
Russian 
French 
Japanese 
Portuguese 
Hindi