Show simple item record

Handwritten character clustering
dc.contributor.advisorŠtanclová, Jana
dc.creatorNovák, Jiří
dc.date.accessioned2017-04-13T09:20:58Z
dc.date.available2017-04-13T09:20:58Z
dc.date.issued2009
dc.identifier.urihttp://hdl.handle.net/20.500.11956/18929
dc.description.abstractDiplomová práce se zabývá srovnáním metod pro klasifi kaci izolovaných ručně psaných znaků. Cílem práce je analýza problému, porovnání různých klasifi kačních metod a metod pro extrakci příznaků. V práci se uvádí tři algoritmy založené na klastrování dat. Je to algoritmus k-středů, algoritmus k nejbližších sousedů a algoritmus iterativní optimalizace. Další tři zkoumané metody využívají neuronové sítě. Jsou následující: algoritmus kompetičního učení, algoritmus zpětného řízení chyby a Kohonenovy somoorganizační mapy. Tyto metody jsou otestovány a porovnány na základě procentuelní úspěšnosti při rozpoznávání znaků. Součástí práce je i porovnání a shrnutí vlastních výsledků.cs_CZ
dc.description.abstractThis diploma thesis deals with comparision of di erent method for handwritten character recognition. A goal is analysis of this problem, comparision of several pattern classi cation methods and methods for feature extraction. In details there are discussed three algorithms for data clustering. These algorithms are following: k-means clustering, k-neighbors algorithm and algorithm of iterative optimalization. Another three algorithms are using neural networks. These are algorithm of competition learning, back propagation algorithm and Kohonen selforganising maps. These method are tested and compared according to percentage of correctly recognized characters. A summary of our own results is included.en_US
dc.languageČeštinacs_CZ
dc.language.isocs_CZ
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.titleKlastrování ručně psaných znakůcs_CZ
dc.typediplomová prácecs_CZ
dcterms.created2009
dcterms.dateAccepted2009-02-02
dc.description.departmentDepartment of Software Engineeringen_US
dc.description.departmentKatedra softwarového inženýrstvícs_CZ
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId43360
dc.title.translatedHandwritten character clusteringen_US
dc.contributor.refereeMrázová, Iveta
dc.identifier.aleph001198099
thesis.degree.nameMgr.
thesis.degree.levelmagisterskécs_CZ
thesis.degree.disciplineSoftware systemsen_US
thesis.degree.disciplineSoftwarové systémycs_CZ
thesis.degree.programInformaticsen_US
thesis.degree.programInformatikacs_CZ
uk.thesis.typediplomová prácecs_CZ
uk.taxonomy.organization-csMatematicko-fyzikální fakulta::Katedra softwarového inženýrstvícs_CZ
uk.taxonomy.organization-enFaculty of Mathematics and Physics::Department of Software Engineeringen_US
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csSoftwarové systémycs_CZ
uk.degree-discipline.enSoftware systemsen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enInformaticsen_US
thesis.grade.csDobřecs_CZ
thesis.grade.enGooden_US
uk.abstract.csDiplomová práce se zabývá srovnáním metod pro klasifi kaci izolovaných ručně psaných znaků. Cílem práce je analýza problému, porovnání různých klasifi kačních metod a metod pro extrakci příznaků. V práci se uvádí tři algoritmy založené na klastrování dat. Je to algoritmus k-středů, algoritmus k nejbližších sousedů a algoritmus iterativní optimalizace. Další tři zkoumané metody využívají neuronové sítě. Jsou následující: algoritmus kompetičního učení, algoritmus zpětného řízení chyby a Kohonenovy somoorganizační mapy. Tyto metody jsou otestovány a porovnány na základě procentuelní úspěšnosti při rozpoznávání znaků. Součástí práce je i porovnání a shrnutí vlastních výsledků.cs_CZ
uk.abstract.enThis diploma thesis deals with comparision of di erent method for handwritten character recognition. A goal is analysis of this problem, comparision of several pattern classi cation methods and methods for feature extraction. In details there are discussed three algorithms for data clustering. These algorithms are following: k-means clustering, k-neighbors algorithm and algorithm of iterative optimalization. Another three algorithms are using neural networks. These are algorithm of competition learning, back propagation algorithm and Kohonen selforganising maps. These method are tested and compared according to percentage of correctly recognized characters. A summary of our own results is included.en_US
uk.publication.placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra softwarového inženýrstvícs_CZ


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV