Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/47564
| Title: | การเปรียบเทียบนิวรอลเน็ตเวิร์กแบบป้อนไปข้างหน้าและแบบบวกกลับในการรู้จำตัวเลขลายมือเขียน |
| Other Titles: | Comparison of feed-forward and redurrent neural networks in hand-written digit recognition |
| Authors: | สมปอง เสนาอัมพรชัย |
| Advisors: | บุญเสริม กิจศิริกุล |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
| Advisor's Email: | Boonserm.K@chula.ac.th |
| Subjects: | โปรแกรมคอมพิวเตอร์ -- การทดสอบ นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์) การรู้จำอักขระ (คอมพิวเตอร์) ตัวเลข Computer programs -- Testing Neural networks (Computer science) Character recognition Numerals |
| Issue Date: | 2549 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | ในวิทยานิพนธ์นี้ ศึกษาการเปรียบเทียบระหว่างนิวรอลเน็ตเวิร์กแบบป้อนไปข้างหน้าและนิวรอลเน็ตเวิร์กแบบวกกลับในการรู้จำตัวเลขลายมือเขียน โครงสร้างทั้งสามของนิวรอลเน็ตเวิร์กแบบวกกลับที่ใช้ในการทดลอง คือ ในโครงสร้างที่ 1 โหนดในชั้นอินพุตในขั้นตอนก่อนหน้าถูกป้อนกลับไปที่โหนดในขั้นตอนถัดไป ในโครงสร้างที่ 2 โหนดในชั้นซ่อนในขั้นตอนก่อนหน้าถูกป้อนกลับไปที่โหนดในชั้นอินพุตในขั้นตอนถัดไป ในโครงสร้างที่ 3 โหนด ในชั้นเอาท์พุตในขั้นตอนก่อนหน้าถูกป้อนกลับไปที่โหนดในชั้นอินพุตในขั้นตอนถัดไป ทดลองเปรียบเทียบเน็ตเวิร์กทั้งสี่ชนิด (นิวรอลเน็ตเวิร์กแบบป้อนไปข้างหน้าและนิวรอลเน็ตเวิร์กแบบวกกลับทั้งสามโครงสร้าง) ข้อมูลที่ใช้ในการทดลอง คือ ลายมือเขียนตัวเลขอารบิก (0-9) ตัวเลขละ 10,000 ตัวอย่าง ขั้นแรกเลือกนิวรอลเน็ตเวิร์กแบบวกกลับหนึ่งชนิดพร้อมด้วยเซตพารามิเตอร์ที่ดีที่สุดซึ่งให้ประสิทธิภาพดีที่สุด เหนือกว่านิวรอลเน็ตเวิร์กแบบวกกลับทั้งสามโครงสร้างและเลือกนิวรอลเน็ตเวิร์กแบบป้อนไปข้างหน้า หนึ่งเน็ตเวิร์กพร้อมด้วยเซตพารามิเตอร์ที่ดีที่สุด ขั้นถัดไปนำนิวรอลเน็ตเวิร์กแบบวกกลับและนิวรอลเน็ตเวิร์กแบบป้อนไปข้างหน้าที่ได้ ไปเปรียบเทียบกันอย่างละเอียดโดยใช้การตรวจสอบไขว้ 5 พับ ผลการทดลอง พบว่า นิวรอลเน็ตเวิร์กแบบป้อน ไปข้างหน้าให้ความถูกต้องสูงกว่านิวรอลเน็ตเวิร์กแบบวกกลับ |
| Other Abstract: | In this thesis, we study the comparison between feed-forward and recurrent neural networks in hand-written digit recognition. Three topologies of the recurrent neural networks have been investigated. In the first topology, nodes of the input layer in the previous step are fed back to nodes of the input layer in the next step. In the second topology, nodes of the hidden layer in the previous step are fed back to nodes of the input layer in the next step. In the third topology, nodes of the output layer in the previous step are fed back to nodes of the input layer in the next step. We ran experiments to compare these four types of networks (one-feed-forward and three recurrent networks.) The data used in the experiments are hand-written Arabic numerals (0-9), each of which contains 10,000 examples. First, we selected one type of recurrent neural networks with the best parameter set that provided the best performance among the three topologies of the recurrent neural networks, and also determined a feed-forward neural network with the best parameter set. Next, the selected recurrent neural network and the feed-forward neural network were thoroughly compared by using 5-fold cross validation. The experimental results show that the feed-forward neural network provides is more accurate than the recurrent neural network. |
| Description: | วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2549 |
| Degree Name: | วิทยาศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | วิทยาศาสตร์คอมพิวเตอร์ |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/47564 |
| URI: | http://doi.org/10.14457/CU.the.2006.1412 |
| metadata.dc.identifier.DOI: | 10.14457/CU.the.2006.1412 |
| Type: | Thesis |
| Appears in Collections: | Eng - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| sompong_se_front.pdf | 250.82 kB | Adobe PDF | View/Open | |
| sompong_se_ch1.pdf | 170.12 kB | Adobe PDF | View/Open | |
| sompong_se_ch2.pdf | 292.54 kB | Adobe PDF | View/Open | |
| sompong_se_ch3.pdf | 195.81 kB | Adobe PDF | View/Open | |
| sompong_se_ch4.pdf | 274.73 kB | Adobe PDF | View/Open | |
| sompong_se_ch5.pdf | 154.71 kB | Adobe PDF | View/Open | |
| sompong_se_back.pdf | 1.46 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.