КЫРГЫЗ АЛФАВИТИНИН КОЛ ЖАЗМА СИМВОЛДОРУН ТААНУУ МАСЕЛЕСИНДЕ БИНАРДЫК МАТРИЦАЛАРДАГЫ ЭТАЛОНДУК КЛАССИФИКАТОР
##semicolon##
образдарды таануу, кол жазма текст, кыргыз алфавити, эталондук метод, Хэмминг аралыгы, бинардык белгилер, эсептөө татаалдыгыАннотация
Кыргыз алфавитинин кол жазма символдорун таануу маселеси каралат; анын өзгөчөлүгү Ө, Ң жана Ү тамгалары менен аныкталат, алар жазылышы жагынан жакын О, Н жана У тамгаларынан кичинекей жергиликтүү элемент менен гана айырмаланат. Белгиленген өлчөмдөгү бинардык матрицаларда иштеген эталондук классификатор формалдаштырылган. Бинардык векторлор үчүн эң аз евклиддик норма боюнча чечим эрежеси Хэмминг аралыгынын минимуму боюнча эреже менен дал келери көрсөтүлгөн; бул арифметиканы биттик операциялар менен алмаштырууга жана бир эталон менен салыштыруунун эмгек сыйымдуулугун бир нече машина сөзүнө чейин төмөндөтүүгө мүмкүндүк берет. Жазылышы жакын жуптарды туруктуу ажыратуу шарты киргизилип, айырмалоочу элементтин аянты тордун чечилиши боюнча функция катары бааланган. Эсептөө көрсөткөндөй, 10×10 тордо «О — Ө» жубунун ажыратылыш запасы аз, ал эми алгылыктуу катыш 28×28 тордон баштап жетишилет. Символ боюнча чечим чогултулган сөздү сөздүк боюнча текшерүү менен тактала турган эки каскаддуу схема жана Python, Django, PostgreSQL негизиндеги веб-прототиптин архитектурасы сүрөттөлгөн. Иш методикалык мүнөзгө ээ: методдун формалдык баяндамасы, татаалдык жана ажыратылыш баалоолору, ошондой эле алынган баалоолорду сандык текшерүү үчүн зарыл болгон өлчөө экспериментинин программасы келтирилет.
##submission.citations##
1. Журавлёв, Ю. И. Распознавание. Классификация. Прогноз. Математические методы и их применение / Ю. И. Журавлёв.– Москва: Наука, 1999. – Вып. 2.
2. Фисенко, В. Т. Компьютерная обработка и распознавание изображений: учебное пособие / В.Т.Фисенко. – Санкт-Петербург : СПбГУ ИТМО, 2018. – 192 с.
3. Фу, К. С. Лингвистический подход к распознаванию образов / К. С. Фу. – Москва : Мир, 2010.
4. Bishop, C. M. Pattern Recognition and Machine Learning [Text] / C. M. Bishop. – New York : Springer, 2006. – 738 p.
5. Duda, R. O. Pattern Classification [Text] / R. O. Duda, P. E. Hart, D. G. Stork. – 2nd ed. – New York: Wiley, 2001.
6. Dalal, N. Histograms of Oriented Gradients for Human Detection [Text] / N. Dalal, B. Triggs // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2005. – Vol. 1. – P. 886–893.
7. Ojala, T. Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns [Text] / T. Ojala, M. Pietikäinen, T.Mäenpää// IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2002. – Vol. 24, No. 7. – P. 971–987.
8. LeCun, Y. Deep learning [Text] / Y. LeCun, Y. Bengio, G. Hinton // Nature. – 2015. – Vol. 521, No. 7553. – P. 436–444.
9. Simard, P. Y. Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis [Text] / P. Y. Simard, D. Steinkraus, J. C. Platt // Proceedings of the Seventh International Conference on Document Analysis and Recognition. – 2003. – Vol. 3. – P. 958–962.
10. Cyrillic-MNIST: a Cyrillic Version of the MNIST Dataset [Text] / B. Tleubayev, A. Khassanov, R. Mussabayev [et al.] // Proceedings of the Thirteenth Language Resources and Evaluation Conference. – Marseille: European Language Resources Association, 2022.
11. Warren, H. S. Hacker’s Delight [Text] / H. S. Warren. – 2nd ed. – Boston: Addison-Wesley, 2012. – 512 p.
