جامعة السودان للعلوم والتكنولوجيا

كلية علوم الحاسوب وتقانة المعلومات

التعرف اآلني علي الحروف العربية المنعزلة بإستخدام

الشبكات العصبية

Online Isolated Arabic letters

Recognition using Neural Networks

متطلبات الحصول على درجة بكالريوس الشرف في علوم مقدم كأحد بحث

الحاسوب.

4102 أغسطس

‌ب

بسم هللا الرحمن الرحيم

جامعة السودان للعلوم والتكنلوجيا

كلية علوم الحاسوب و تقانة المعلومات

التعرف اآلني علي الحروف العربية المنعزلة بإستخدام

الشبكات العصبية

Online Isolated Arabic letters

Recognition using Neural Networks

2014 أغسطس

إعداد الطالب :

حسن بكري حسن المكي. 4 أيمن أمين علي أمين .0

محمد عثمان السيد. 2 سارية محى الدين محمد. 3

متطلبات الحصول على درجة بكالريوس الشرف في علوم مقدم كأحد بحث

الحاسوب.

4102 ساغسط توقيع األستاذ المشرف: التاريخ:

ظ مصطفىالحافالدكتور محمد

أ‌

آية

قال تعالى

فنا فيه من الوعيد لعلهم يتقون أو يحدث ) لك أنزلناه قرآنا عربيا وصروكذ

(لهم ذكرا

111طه

ب‌

الحمدهلل

الحمدهلل حمد الشاكرين والصالة والسالم علي سيد المرسلين سيد ولد أدم أجمعين

سيدنا محمد وعلي آله وصحبه أجمعين .

الحمدهلل حمدا كثيرا طيبا مباركا فيه ، سبحانك ال نحصي ثناء عليك ، أنت كما اثنيت

وال حدود لفضلك ، علي نفسك ، خلقت فأبدعت ، وأعطيت فأفضت ، فال حصر لنعمتك ،

الحمد هلل الذي هدانا لهذا وماكنا لنهتدي لوال أن هدانا هللا ، اللهم ما أصبنا فبنعمتك وفضلك

وما أخطأنا فمن أنفسنا والشيطان .

اللهم علمنا ما ينفعنا ، وانفعنا بما عملتنا ، وذدنا علما ، والحمدهلل علي كل حال .

ج‌

اإلهداء

لي الوالد ب :إ ي إلحب

ىل قدويت إلأوىل ونربإيس إذلي ينري دريب . - إ

ىل من أأعطاين ومل يزل يعطيين بال حدود . - إ

ىل من رفعت رأأيس عاليا إفتخارإ به . - إ

ال أأن أأدعو هللا عزوجل أأن يبقيك ذخرإ لنا - . ولكين ال أأمكل إ

أأطال هللا معرك فاميحيب ويرضا . -

ة : ز لي الوالدة العز ي إ

أأجبدية إحلروف فيا من علمتين -

واي من علمتين إلصمود همام تبدلت إلظروف -

أأخط كل لكامت مدإدها حرب ديم -

لكامت ملؤها شكر وعرفان -

لكامت ترتدد عىل لك لسان -

..نعم أأهنا أأيم إلغالية -

د‌

شكر وعرفان

ىل أأعوإم قضيناها البد لنا وحنن خنطو خطوإتنا إلأخرية يف إحلياة إجلامعية من وقفة نعود إ

إجلامعة مع أأساتذتنا إلكرإم إذلين قدموإ لنا إلكثري ابذلني بذكل هجودإ كبرية يف بناء جيل يف رحاب

...إلغد لتبعث إلأمة من جديد

ىل إذلين محلوإ أأقدس رساةل وقبل أأن منيض تقدم أأمسى أ ايت إلشكر والامتنان وإلتقدير وإحملبة إ

...يف إحلياة

ن مل تس تطع فكن متعلام ن عاملا ..ك" ن مل تس تطع فا ن مل تس تطع فحأبب إلعلامء فا فا

"فال تبغضهم

ىل إذلين همدوإ لنا طريق إلعمل وإملعرفة ...إ

ىل مجيع أأساتذتنا إلأفاضل ...إ

:وأأخص ابلتقدير وإلشكر

إدلكتور : محمد إحلافظ مصطفى .

متام هذإ إلبحث وقدم لنا إلعون ومد لنا يد إملسا عدة وكذكل نشكر لك من ساعد عىل إ

:وزودان ابملعلومات إلالزمة ال متام هذإ إلبحث وخنص ابذلكر

: حذيفة أأدم عبد إلشافع . إلأس تاذ

ه‌

المستخلص

أما بالنسبة للغة ظهرت أنظمة التعرف اآلني على الكتابة وتطورت بشكل واضح خصوصا في اللغة اإلنجليزية ،

محدودة الكفاءة وهذا البحث يهدف للمساهمة في دعم التعرف اآلني علي العربية فما زالت األنظمة الموجوده

.الكتابة العربية

حيث يهدف المشروع لتصميم (divide and conquer)تعتمد فكرة المشروع علي إستراتيجية فرق تسد

رف علي , ثم التعشبكة عصبية تتعرف علي الفئة )المجموعة( التي ينتمي إليها الحرف )المرحلة األولى(

الحرف داخل مجموعته )المرحلة الثانية( , وأقتصر المشروع علي تنفيذ المرحلة األولى , حيث تم تصميم

وتدريب شبكة عصبية تتعرف علي الشكل العام للحرف )فئة الحرف(.

Online Handwriting Isolatedو إختباراها باإلستفادة من مجموعة البيانات تم إجراء تدريب الشبكة

Arabic letters [1] .

تم الحصول على شبكة عصبية تتعرف على مجوعة الحرف تعرفت علي بيانات التدريب

% و تمت مناقشة األسباب ونتوقع أنها يمكن أن تعطي كفاءة أعلى من ذلك بعد معالجة تلك 7..7بنسبة

المشاكل.

و‌

ABSTRACT

In the last decades Online Handwriting Recognition systems (OHR) have shown

a dramatic improvement especially in English language , however Arabic

language recognizers are still lagging behind . The main aim of this project is to

support Arabic recognizers efforts . The main idea of this project is to follow a

Divide and Conquer strategy to build an accurate and efficient recognizer.

There fore the proposed classifier has two phases .In the first phase the classifier

identifies the letter’s class , while the second phase was devoted for recognizing

the letter inside it’s small group. The scope of the project was limited on first

phase. A neural network was designed and trained using Online Handwriting

Isolated Arabic letters [1] . The resulting network succeeded in classifying the

training data with 76.7 accuracy , the reasons were discussed and we expect

more better accuracy when these problems solved.

ز‌

شرح المصطلحات

شرح المصطلح المصطلح

Handwriting recognition التعرف علي خطوط اليد

offline recognition مسبقا . همعرفالاي شكل من البيانات التعرف من

online recognition التعرف مباشرة من البيانات المجموعة أثناء الكتابة

الحرف .

feature extraction ت المميزة للحروف .إستخراج الصفا

preprocessing . عمليات ما قبل المعالجة

classification تصنيف الحروف أو تقسيمها لي مجموعات حسب

الضربة األساسية

Post processing . العمليات علي الحروف بعد عملية التعرف

Spikes إشارات عصبية

Neurons or nodes العصبون

Supervised Learning التعليم بواسطة معلم

Unsupervised Learning التعليم من غير معلم

Perceptron شبكة عصبية ذات عقدة واحده

Feed-Forward هي أبسط أنواع الشبكات العصبونية أمامية التغذية

Matrix Laboratory ( هي إختصار لبرنامج الماتالبmatlab)

Toolboxes 1 وسائط الماتالب المساعدة

Neural pattern recognition tool (Nprtool) ستخدمة في التعرف وهي تستخدم ألنشاء الشبكات الم

علي األنماط .

Mean Squared Error (MSE( يمثل متوسط مربع االختالف بين مخرج الفعلي للشبكة

(output والهدف المراد الموصول الية )(target)

Percent Error المدخالت التي لديها ضعف في تشير الي جزء من

التصنيف

Confusion matrix هو جدول بشكل معين يسمح بالعرض الرسومي

لتوضيح كفاءة خوارزمية محددة ، تحديدا في التعليم

الموجه

ح‌

فهرست األشكال

رقم الصفحة موضوع الشكل رقم الشكل

1 يوضح المخطط العام لنظام التعرف الكامل علي الكتابة 1.1

8 شبكة عصبية إصطناعية 1.1.1

9 مكونات الشبكة العصبية اإلصطناعية 3.1.1

11 (nprtoolأول واجهة في ال ) 1.3.1

11 توضح مددخالت وخرجات الشبكة العصبية 2.2.3

11 يوضح تقسيم مدخل الشبكة إلي نسب 3.2.3

18 تحديد عدد العصبونات في الشبكة المخفية 4.2.3

19 (E%)،(MSE)يوضح قيم ال 5.2.3

32 يوضح عملية التدريب 6.2.3

31 يوضح عملية اإلختبار 7.2.3

33 يوضح خيارات الحفظ وتوليد الشفرة 8.2.3

31 (nprtoolيوضح الشفرة المتولده من ال) 9.2.3

31 يوضح خطوات البحث 1.1

31 يوضح الضربة األولي لحرف الباء 1.1.4

Chain Code 12يد االتجاهات الرئيسية لتول 1.1.1

12 حرف الصاد 2.3.4

11 (Normalizationشفرة السلسلة لحرف الصاد قبل تثبيت الطول ) 1.1.1

11 إدخال صحيح وخاطئ لحرف الطاء 1.1.1

13 شفرة السلسلة للحرف الصاد بعد إزالة العناصر ذات التكرار الواحد 1.1.1

11 (Normalizationلطول )شفرة السلسلة للحرف الصاد بعد تثبيت ا 1.1.1

تدريب الشبكة التي تم لبيانات (confusion matrix)يوضح ال 1.5.4

عليها

18

لمجوعة بيانات تحتوي ممثل (Target)يوضح مصفوفة الهدف 2.5.4

)عينة( واحد من كل مجموعة

19

إختبار الشبكة التي تم لبيانات (confusion matrix)يوضح ال 1.1.1

عليها

11

ط‌

فهرست الجداول

رقم الجدول محتوى الجدول رقم الصفحة

1.1.1 يوضح الحروف وعدد تكرارتها 31

1.1.1 تقسيم الحروف الي مجموعات 11

1.5.4 نسبة التصنيف حسب عدد العصبونات في الطبقات الخفية 11

2.5.4 يوضح أسباب التصنيف الخاطئ لبعض الحروف 13

ي‌

فهرس المحتويــات

رقم الصفحة موضوعال

أ اآلية

ب الحمد

ج اإلهداء

د الشكر والعرفان

ه المستخلص

Abstract و

ز شرح المصطلحات

ح األشكال تفهرس

ط الجداول تفهرس

ي فهرست المحتوى

الباب االول

رقم الصفحة الموضوع

1 مقدمة 1.1

3 مشكلة البحث 3.1

3 هداف البحثأ 1.1

3 خطوات البحث 1.1

3 حدود البحث 1.1

1 هيكلية البحث 1.1

الباب الثاني

رقم الصفحة الموضوع

2 المقدمة 1.3

2 الخطوات العامة لنظام التعرف علي األنماط 3.3

5 طرق التعرف علي األنماط 1.3

. تطبيقات التعرف علي االنماط 1.3

ك‌

الباب الثالث

األصطناعية الفصل األول الشبكات العصبية

رقم الصفحة الموضوع

1 المقدمة 1.1.1

1 تعريف 3.1.1

8 مكونات الشبكة العصبية 1.1.1

12 خصائص الشبكات العصبية االصطناعية 1.1.1

مزايا وعيوب الشبكات العصبية 1.1.1

12

12 طرق التعلم في الشبكات العصبية اإلصطناعية 1.1.1

11 أنواع الشبكات العصبية 1.1.1

13 تطبيقات الشبكات العصبية اإلصطناعية 8.1.1

Matlab الفصل الثاني الماتالب

رقم الصفحة الموضوع

11 مقدمة 1.3.1

11 تعريف 3.3.1

11 أغراض الماتالب 1.3.1

11 مكونات الماتالب 1.3.1

11 (Toolboxesالماتالب المساعدة ) أدوات 1.3.1

11 (nprtoolمزايا ) 1.3.1

11 (nprtoolاستخدام ) 1.3.1

الفصل األول

رقم الصفحة الموضوع

31 وصف البيانات 1.1

الفصل الثاني

رقم الصفحة الموضوع Data preprocessing 38) المعالجة األولية ) 1.3.1

الفصل الثالث

الباب الرابع

ل‌

الصفحةرقم الموضوع

12 المقدمة 1.1.1

12 (Feature vector)تكوين متجه الدخل خطوات 3.1.1

الفصل الرابع

11 صنيف البياناتت 1.1.1

11 تقسيم البيانات 3.1.1

الفصل الخامس

11 (Training)التدريب 1.1.1

19 (Testing)اإلختبار 3.1.1

سالباب الخام

رقم الصفحة الموضوع

11 النتائج

11 التوصيات

11 الخالصة

18 الخاتمة

19 المراجع

الباب األول

المقدمة

1

: المقدمة 0.0

( online) آنيالتعرف علي الكتابة بنوعيها مطبوعة ومكتوبة يدويا ، واالخيرة التي تنقسم الي تعرف

د فروع علم التعرف علي االنماط والذي يسعى لجعل انظمة الحاسوب اكثر ذكاء ( هو احoffline) آجلوتعرف

والذي يعرف بعلم الذكاء االصطناعي .

هو مقدرة الحاسوب علي HWR (Handwriting recognition )التعرف علي الكتابة اليدوية

اآلجل والذي يعرف بالتعرف حة ضوئية استقبال وتفسير مدخل مكتوب من مصدر كمستند مصور بكاميرا او ماس

(offline recognition او استقبال وتفسير حركة القلم . )(pen tips movement) الذي يعرف بالتعرف

. (online recognition) اآلني

(isolatedعلي الحروف العربية المنفصلة (online) آنييقتصر موضوع هذا البحث علي التعرف

letter) .صطناعية علي مجموعة بيانات كات العصبية اإلشبال تم إستخدام(.Online Arabic Handwrite

Dataset) [1]

2

مشكلة البحث : 4.0

عملية االدخال )الكتابة( عبر لوحة المفاتيح عملية تحتاج لمهارات الطباعة خصوصا في كمية البيانات -1

الكبيرة .

االدخال في وقت كتابتها .عملية االدخال في حد ذاتها عبارة عن وقت يمكن توفيره ب -3

. (online recognition)قلة االنظمة الداعمة للغة العربية في مجال الــ -1

اهداف البحث : 3.0

تصميم برنامج يساعد علي التعرف علي الحروف العربية المنفصلة باإلستفادة من -1

.Online_ArabicHandwrite_DataSet[1]

إلصطناعية متعددة الطبقات نظريا وعمليا عبر تصميم و تنفيذ دراسة تصميم وتدريب الشبكات العصبية ا -3

.النظام المقترح

خطوات البحث : 2.0

في صورة يمكن االتسفادة منها . data setتجهيز البيانات -1

. (feature extraction)استخراج المميزات -3

.استخدام الشبكات العصبية االصطناعية في انشاء المصنف -1

بكة .تدريب وإختبار الش -1

مناقشة النتائج . -1

حدود البحث : 5.0

حرف حيث لحرف االلف اربعة حاالت 13تشتمل مجموعة البيانات المستخدمة في هذا البحث علي

وهي )ا،أ،إ، آ( باالضافة الي الحرف )ى( وهي الحروف التي سوف يتم تصميم النظام للتعرف عليها .

التي تم إجراء البحث فيها . ( يوضح الجزئية1.1الصندوق المحدد في الشكل )

3

‌(‌يوضح‌المخطط‌العام‌لنظام‌التعرف‌الكامل‌علي‌الكتابة1.1الشكل‌)

‌

هيكلية البحث : 0..

األبواب :الباب البحث باإلضافة إلى هذا يتضمن

التعرف علي األنماطعلم يتضمن نبذة عامة عن والذي الثانيالباب

.المستخدمة في البحثواألدوات التقنيات بحث منهجية اليتضمن و الثالثالباب

تطبيق المشروع المقترح و خطوات حل المشكلة.عن يتحدث الباب الرابع

والمراجع الخاتمة التي تحتوي على النتائج والتوصيات يتضمن الخامسالباب

الثاني الباب

نماطالتعرف علي األ

4

:المقدمة 1.2

يجراد وتطروير يعتبر من أحد فرروع علرم الرذكاء اإلصرطناعي الرذي يهردف إلري إ طنمام التعرف علي األلع

( محرردده تررم تصررنيفها وفررق مجموعررات تسررمي structureو هياكررل )( أ patternنمرراط )علرري األتقنيررات التعرررف

مضاء ... الخ .( ، و يمكن للنمط أن يكون صوره أو مقطع صوتي أو إclassesصناف )باأل

نماط بصوره عامة إعتمادا على نوع آلية التعرف التى تستخدم للتوصل التعرف علي األ يتم تقسيم علم

المخرج المطلوب وآليات التعرف هي : لفئة

مطابقة القوالب . -1

الطرق اإلحصائية . -3

الشبكات العصبية اإلصطناعية . -1

الطريقة الهيكلية . -1

: نماططوات العامة لنظام التعرف علي األالخ 4.4

وفيما يلي توضيح لهذه المراحل :أربع مراحل نماط منظام التعرف علي األيتكون ن

: (preprocessingولية )المعالجة األ -1

وذلك بعمل بعض من عمليات المعالجة بغرض يتم تهيئة النمط للمراحل التالية في هذه المرحلة

لنمط ، و تبسيطه بهدفمن ا (Noise remove)زالة التشويش ، و يتم إالتحسين من هذه المعالجات

تقليل كمية البيانات المعالجة .

: (features Extractionستخالص الخصائص المميزة )إ -3

تساعد في عملية التي صفات وخصائص من النمط في هذه المرحلة يتم إيجاد أفضل مجموعة من

مثلتها )و ، ( ومن أ حروف في اللغة العربية نهائية بمعنى )ال تتصل بحرف بعدهاالتصنيف فمثال توجد

مجموعة الن يتم تضمينة مع ( وعند الحصول علي الحرف من صفاته المميزة يمكن أر ، ز ، د ، ذ

.له المناسبة

:( classificationالتصنيف ) -1

ومن ثم نحدد (Feature Vector)في شكل مصفوفة خصائص ندخل الخصائص المميزة الممثلة

التعلم عن طريق في التصنيف ويتم ومن ثم نستخدم التقنيات الموجودة vectorــ نوع النمط الذي ينتمي له ال

5

و من غير عرض مجموعة من األنماط علي المصنف وتتم هذه العملية إما بواسطة معلم )تعليم مراقب ( أ

معلم )تعليم غير مراقب( .

: ( Post processingبعد المعالجة ) مرحلة ما -1

خطاء التعامل معه ومحاولة معالجة األ لي شكل يمكن منم إنقوم بتحويل مخرج النظا

المالحظة بهدف تحسين الدقة العامة للنظام مثال : تمرير الكلمات المخرجة علي معجم أو

( *5الحصول علي خطاء معين للحرف الواحد بشكل ثابت )التعرف علي حرف الخاء علي انة

نماط :طرق التعرف على األ 3.4

-: نماطأساسية مستخدمة فى التعرف على األ طرق عربهناك أ

: (Template-Matching and Correlation Method) طريقة مطابقة القوالب -1

( Prototypes) أو النماذج( Templates)الطريقة تقوم على تخزين مجموعة من القوالب هذه

( مع Input pattern)ورة الداخلة من كل صنف في الحاسوب وفي مرحلة التصنيف تتم عملية مقارنة للص

فإنها Yأكبر من نتيجة مقارنتها مع الصنف Sن كانت نتيجة مقارنتها مع الصنف فإ (templates)القوالب

وهكذا. Sتصنف ضمن الصنف

تتم عملية المقارنة بعد تخزن الصورة الداخلة على شكل مصفوفة وتقارن مع القوالب الموجودة في

جيد ختيار الة الوحيدة في هذه الطريقة هي اإل. الصعوب وتعطي قيمة للمقارنة( pixel by pixel)الجهاز

للقوالب من كل صنف باإلضافة إ لو كانت الصورة الداخلة تحمل لى تحديد معايير المقارنة وخصوصا

. تشوهات

:( Statistical Approach)الطريقة اإلحصائية -3

set of)بواسطة مجموعة من الخصائص ( pattern )نمط توصف كل صورة أو في هذه الطريقة

features ) في مرحلة التعلم: يقدم كل نمط . والتي من الممكن أن نعبر عنها بقيم حقيقية (pattern ) كمتجه

.(feature vector ) من الخصائص

فمثال لو كنا عادة تتم عن طريق تقسيم مساحة الصورة إلى مناطق مجزأة، كل منطقة تقارن مع صنف

، فأوال نحدد ما هي خصائص التفاحة التي نخزنها في مرحلة التعلم؟! على نريد التعرف على صورة تفاحة

سبيل المثال: اللون، الشكل، الدوران، المنطقة السفلى، المنطقة العليا.... الخ. وكذلك يتم التعرف على التفاحة،

ئص الموجودة فيه مع خصائص الصنف المخزنة وهكذا.تقسم الصورة إلى أجزاء وكل جزأ نقارن الخصا

ختيار مجموعة الخصائص لكل فئة وقواعد القرار في التعرف على النمط.الصعوبة هنا هي في إ

: ( Syntactic and Structural Approach ) طريقة التركيب -1

6

العالقات بين في هذه الطريقة ال نكتفي فقط بالقيم الرقمية لخصائص كل صنف، ولكن نضيف عليها

الخصائص في كل صنف والتي تتيح لنا معلومات هيكلية ضرورية في التعرف على األنماط.

أو سلسلة (graph)أو رسم بياني ( tree)في مرحلة التعلم في هذه الطريقة يمثل النمط عادة كشجرة

.الخاصة بهامن العناصر األولية والعالقات (string)حرفية

أو بمعنى آخر ( Syntax analysis)هذه الطريقة تتم من خالل تحليل التراكيب عملية التصنيف في

. أعلى نسبة مقارنة ناتجة من مقارنة الصورة المدخلة مع كل شجرة (parsing procedure)برنامج تعريب

(tree) أو(graph) أو(string) تحدد الصنف الذي تنتمي إليه الصورة المدخلة لنأخذ مثال لصورة

سم فمن الممكن أن تصنف 3إلى 1مدخلة يوجد بها دائرتين )خصائص( لو كانت المسافة بينهما ما بين

الصورة على أنها صورة نظارة مع األخذ باالعتبار الخصائص األخرى وعالقتها فيما بينها، أما لو كانت

عتبار الخصائص ألخذ بعين اإلها أنوار سيارة مع االمسافة بينهم متر تقريبا فمن الممكن أن تصنف على أن

األخرى طبعا... وهكذا.

وكذلك في (target recognition)تستخدم هذه الطريقة في التعرف على األهداف أو الصواريخ

وغيرها.( character recognition)التعرف على األحرف

( :Neural Networks Approach) الشبكات العصبية -1

ة هي إحدى التقنيات الحديثة نسبيا في الحوسبة، وهي مستوحاه من صطناعيلشبكات العصبية اإلا

تتكون الشبكات العصبية من عدد كبير من .طريقة عمل العقل البشري والجهاز العصبي المركزي

وحدات المعالجة العصبية المتشابكة تشابكا كبيرا فيما بينها بحيث تكون قادرة على معالجة أنواع

صطناعية إلى التدريب الحية، تحتاج الخاليا العصبية اإلا في الخاليا العصبية معينة من المشاكل. كم

عتبار الشبكة العصبية بعد عملية التدريب، يمكن إ فيما بينها ، وزان()األبحيث يتم ضبط التشابكات

.في فئة المعلومات التي تم تدريبها عليها« خبيرة»

a. نماط:تطبيقات التعرف علي األ

أو طأنماإلى إيجاد أو تطوير تقنيات للتعرف على العلمتقنيات الخاصة بهذا تهدف البحوث وال

هياكل محددة في اإلشارات الرقمية، حيث يمكن لإلشارة أن تمثل صورة تحوي حرف مكتوب أو

مقطع موسيقي أو مقطع كالمي يمثل كلمة أو حتى نص حاسوبي، ويمكن أن يكون النمط المطلوب

التعرف عليه هو الحرف الذي تحويه الصورة أو اآللة المستخدمة في المقطع الموسيقي أو الكلمة

. الملفوظة في المقطع الكالمي

الباب الثالث

دوات والتقنياتاأل

. القسم األول: الشبكات العصبية االصطناعية

الماتالب الثانيالقسم :Matlab.

القسم األول

صطناعيةالشبكات العصبية اإل

7

مقدمة : 0.0.3

م وملموس في طريقة التفكير اإلنساني، من أهم مجاالت الذكاء اإلصطناعي الذي يعكس تطور ها

) Parallel computing (وهوعلم يعمل علي محاكاة طريقة عمل المخ البشري بعملية تسمى حوسبة متوازية

وبالرغم من سرعة هذه التقنية إال أنه ليس لها القدرة علي اإلستقالل بحل المشاكل ألن الحاسوب يقوم بإرسال

ورة رقمية ومكرره ولكن المخ ال يقوم بعملية التكرار مثل الكاميرا تقوم بتكرار عملية كمية كبيره من البيانات بص

اإللتقاط وترسلها بصورة متكرره لمعاجلتها لمعرفة التغيرات التي حصلت أما المخ يرسل التغير فقط في الصورة

.(spikes)وذلك علي شكل إشارات عصبية

لي التعلم والتذكر والقدرة علي تميز األشياء وإتخاذ القرارت .وهذه الشبكات اإلصطناعية لها القدرة ع

تعريف: 4.0.3

الشبكات العصبية هي عبارة عن معادلة رياضية معقدة نوعا ما تستخدم لحل المسائل التي ال تخضع

ريق لقوانين ثابتة ، وهي تحاكي طريقة عمل الدماغ البشري في التعرف علي األصوات والكالم والصور عن ط

, Neurons )معالجة ضخمة وموزعة علي التوالي ومكونة من وحدات معالجة بسيطة تسمى عقد أو عصبونات

nodes) والتي لها خاصية عصبية حيث أنها تقوم بتخزين المعرفة العملية والمعلومات التجريبية وتجعلها متاحة

للمستخدم وذلك بضبط األوزان[9]

.

اء عصبونات مترابطة فيما بينها بأوزان مختلفة وكل عصبونة مسؤولة عن مدخل واحد تقوم الشبكة العصبية بإنش

، وعند عملية التدريب تقوم الشبكة بتعديل مستمر لألوزان المرتبطة بكل عصبونة لكي يكون المخرج أقرب

مايكون للمتوقع أو المطلوب .

ان المرتبطة بكل عصبونة بشرط أن تكون القيمة تستمر عملية التدريب علي كل المدخالت المتوفرة وتعديل األوز

. الناتجه مقاربة لقيمة الخرج الحقيقي

8

( شبكة عصبية إصطناعية 1.1.1الشكل )(11)

مكونات الشبكة العصبية: 3.0.3

كما ذكرنا سابقا أن الشبكات العصبية تتكون من مجموعة من وحدات المعالجة تسمى إحدها عصبونة كما في

( 1.1.1الشكل )[10]

9

( مكونات الشبكة العصبية االصطناعية3.1.1الشكل )

يتكون العصبون من :

: (inputsإشارات الدخل ) -1

,…….,an a1,a2,a3

: (Weights)قوى الوزن -3

Wj1,wj2,wj3,….,wjn

: (processing element (j)عنصر المعالجة ) -1

مين :وهذا العنصر ينقسم الي قس

: لجمع اإلشارات في الدخل الموزون . (adder)الجامع -أ

: وهذا التابع يحد من خرج (activation functionتابــع النقل أو تابع التفعيل ) -ب

,2حيث يجعل الخـــرج ضمن المجال ) ( squashing) العصــبون لذا يسمى بتابع التخـــميد

. (1- , 1( أو ضمن )1

. ( output (xj))ج الخر -1

10

خصائص الشبكات العصبية االصطناعية 2.0.3[7]

:

تعتمد علي أساس رياضي قوي . -1

تمثل إحدى تطبيقات الذكاء اإلصطناعي . -3

تقبل أي نوع من البيانات كميا ونوعيا . -1

. لها القدرة علي تخزين المعرفة المكتسبة -1

مزايا وعيوب الشبكات العصبية 5.0.3[8]

:

: ياالمزا

يمكن تطبيقها في العديد من المجاالت العلمية المختلفة. -1

قدرتها علي حل العديد من المشاكل المعقدة في مجال الذكاء اإلصطناعي وتمييز العينات . -3

أداة فعالة لتكوين نماذج رياضية للمسائل التي تكون فيها العالقات بين المتحوالت غير معروفة . -1

سهلة التدريب والتعلم . -1

: يوبالع

معالجة البيانات وتدريبها قد يأخذ فترة من الزمن تعتمد هذة الفترة علي حسب حجم البيانات . -1

صعوبة تحديد العدد األمثل لمعالجة البيانات مسبقا إال من خالل التدريب. -3

طرق التعلم في الشبكات العصبية اإلصطناعية : 0.3..

( ويتم إختيارها بصورة دقيقة لتسهيل Data Set) لتعليم الشبكة يتم إعطاءها مجموعة من البيانات

سرعة عملية تعليم الشبكة ، هذه المجموعة تسمى بفئة التدريب .

11

وتنقسم طرق تعليم الشبكات العصبية حسب فئة التدريب التي تعرض علي الشبكة إلي قسمين هما :

:((Supervised Learningالتعليم المراقب )بواسطة معلم ) -1

طريقة األكثر شيوعا في تعليم الشبكات ، وتقوم علي فكرة عرض البيانات التدريبية أمام هي ال

الشبكة علي هيئة زوج من األشكال هما:

. (Input)الشكل المدخل ‌-‌أ

( .Targetالشكل المستهدف )‌-‌ب

يستخدم هذا النوع من التدريب لتعليم الشبكات الخطية ذات الطبقة الواحده التي تستخدم لحل

ئل التقابل الخطي بين الدخل والخرج حيث تقوم الشبكة بحساب إشارة الخطأ من خالل الفرق بين مسا

خرج العصبون والخرج المطلوب ويتم تعديل األوزان عن طريق دالة الخطأ بهدف تصغير الفارق بين

. الخرجين

:((Un Supervised Learningالتعليم غير المراقب )بدون معلم ) -3

ة تكون فئة التدريب عبارة عن متجه من المدخالت فقط دون عرض الهدف علي في هذه الطريق

الشبكة ، احيانا تسمى هذة الطريقة بطريقة التعليم الذاتي حيث تتبنى الشبكة أساليب التعليم علي أساس

قدرتها علي إكتشاف الصفات المميزة لما يعرض عليها من أشكال وقدرتها علي تطوير تمثيل داخلي لهذه

األشكال دون معرفة مسبقة لما يجب عليها أن تنتجة.

أنواع الشبكات العصبية 7.0.3[11]

:

( :Perceptronشبكة عصبية ذات عقدة واحده ) -1

وال تحتوي علي طبقة ( Feed-Forward )هي أبسط أنواع الشبكات العصبونية أمامية التغذية

ة إلي النهائية مباشرة لهذه الشبكة مميزات عصبونات خفية بل تتنتقل المعلومات من الطبقة األمامي

: وعيوب ومن مميزاتها أن بناء البرنامج لها سهل ، وأما عيوبها

التستطيع أن تصنف األنماط ألكثر من فئتين .‌- أ

. عدد طبقات المعالجة فيها محدده بطبقة واحدة أو اثنين فقط‌- ب

. ضبط أوزان الوصالت البينية يتم علي طبقة واحدة منها‌- ت

12

:(Multi-layers)شبكة متعددة الطبقات -3

: وهي أشهر أنواع (Forward neural network) ومنها شبكات عصبونية امامية التغذية

الشبكات العصبية ، ويحدث بها إنتقال عبر الطبقات بإتجاه واحد من طبقة اإلدخال للطبقة المخفية ومن ثم

Back Propagation)صبونية امامية التغذية خلفية النقل ومن أهمها الشبكات الع إلي الطبقة النهائية ،

Forward neural network )

هي احدى طرق تعليم الشبكات العصبية التي تضمن نقل المعلومات باإلنتشار العكسي لإلتجاه

األصلي لقدوم المعلومات وتعتمد علي مبدأ التعليم المراقب )بواسطة معلم( وتحتاج في مرحلة التدريب

( مع بيانات المخرجات Inputsبيانات خاصة تتعلم بيها الشبكة حيث تقدم لها بيانات المدخالت ) إلي

(Outputs) المرغوب فيها بعد ذلك تقوم الشبكة بعمل إنتشار امامي(feed forward) لبيانات الدخل

لمطلوب فعند للحصول علي قيمة خرج الشبكة وبعد ذلك يتم عمل مقارنة بين الخرج المحسوب والخرج ا

حدوث عدم مطابقة تقوم الشبكة بحساب الفرق بينهما وهذا مايسمى بقيمة الخطأ وبعدها تأتي مرحلة

حيث تعيد الشبكة حساب قيمة الخطأ في كل عصبون (Back propagation)اإلنتشار الخلفي لألخطاء

قوم الشبكة بإعادة حساب حيث ت (weight update)من الشبكات الخلفية وبعد ذلك يتم تحديث األوزان

كل األوزان وتعويضها بالقيم الجديدة المحسوبة . )يشترط في اإلنتشار الخلفي أن تكون دوال التنشيط

(Activation Function التي تستعملها العصبونات قابلة لإلشتقاق ألنه في مرحلة تعديل األوزان )

الجديدة ( .نشيط في حساب القيم تستعمل الدالة المشتقة لدالة الت

: (Kohonen)ذاتية التنظيم كوهونين شبكات -1

هي احدى انوع الشبكات العصبية االصطناعية التي تعتمد علي مبداء التعليم غير المراقب )بدون معلم (

وتستخدم في مجاالت متعددة منها التصنيف وتقليل او تخفيض االبعاد ، تتكون هذه الشبكة من مجموعة

مة علي شكل مصفوفة او مشبك اوحادي اوثنائي او ثالثي االبعاد .من العصبونات المنتظ

تطبيقات الشبكات العصبية اإلصطناعية : 3.0.3

معظم تطبيقات الشبكات العصبية اإلصطناعية تعتمد كثيرا علي مبدأ التعلم ومن أهمها :

( .pattern recognitionمجال التعرف علي األنماط ) -

( .speech recognitionالتعرف علي األصوات ) -

ومجاالت التشخيص الطبي . -

. (image recognitionالتعرف علي الصور ) -

الثانيالقسم

الماتالب

Matlab

13

مقدمة : 0.4.3

يعتبر الماتالب اداة مفيدة في تحليل وتصميم االنظمة االلكترونية بإستخدام الحاسوب ، وهو اختصار

تبر المصفوفات بحيث تتعامل لغة الماتالب مع الثوابت والمتغيرات اي مخ (Matrix Laboratory)لــ

كمصوفات رياضية وبناء علي ذلك العمليات الرياضية في الماتالب هي عمليات علي المصفوفات . ويتستخدم

كوسيله في عدة مجاالت مثل العلوم والرياضيات المتقدمة ويستخدم ايضا في الصناعة كأداة بحث وتصميم ذات

ود عالي . مرد

تعريف: 4.4.3

الحسابية ، حيث تتوفر فيه الكثير من الوظائف والدوال الرياضية هو أداة وبيئة تطوير برمجية مخصصة للمهام

دوال تسهل حل مختلف أنواع المعادالت الرياضية. كما تساعد لغة برمجة ماتالب على كتابة المبنية داخليا والتي

من اهم واقوى الميزات في الماتالب انه قادر علي و من المميزات األخرى بهوبرامج خاصة. باإلضافة للعديد

ياني للعديد من انواع المنحنياتالرسم الب[15] .

باالضافة الي كونة برنامج هندسي يقوم بعمليات تحليل وتمثيل البيانات من خالل معالجة تلك البيانات تبعا لقاعدة

تالب وتسهيالت للتعامل مع الصوت والصورة والفيديو .البيانات الخاصة بها ، كما يوفر الما

غراض الماتالبأ 3.4.3[8]

:-

اجراء العمليات الحسابية المعقدة بسرعة عالية . -

اشتقاق اللوغريثمات . -

محاكاة وتصميم النظمة المختلفة في جميع فروع العلوم والصناعة . -

تحليل البيانات واستكشافها . -

. رسم المجسماات الهندسية والصناعية ذات االبعاد الثالثية -

14

مكونات الماتالب 2.4.3[16]

:-

يتكون من خمسة اجزاء رئيسية وهي :

(: Matlab Languageلغة البرمجه ) -1

وهي عبارة عن لغة برمجة جاهزة مكونة من ملفات فرعية تستخدم فيها المصفوفات والمحددات

والدوال الجبرية .

-:(Working Environment)يط العمل مح -3

عبارة عن مجموعة وسائل وتسهيالت تستخدم لتمكين المستخدم من العمل ويحتوي هذا المحيط

علي وسائل لتنظيم وادارة المتغيرات كما يقوم بجلب وارسال المعلومات .

:(Graphics Handle)منظم الرسوم البيانية -1

والثالثة وامر لرسم المجسمات ذات البعدين علي ا هو عبارة عن منظومة رسم تجسيمي يحتوي

ابعاد ، كما يحتوي علي أوامر إلظهار المجسمات وتحريكها .

-(:Library Matlabمكتبة ماتالب للدوال الرياضية ) -1

عبارة عن مجموعة كبيرة من التوابع والدوال الرياضية والخوارزميات مثل

sum , sin , cosine , matrix inverse ,matrix eigenvalues ,Fast Fourier

transforms .

:(Application program interface)برامج وتطبيقات الواجه -1

عبارة عن وسائل مساعدة تسمح بربط البرامج المعدة بلغات اخرى مع الماتالب .

(:Toolboxesالماتالب المساعدة )ادوات 5.4.3

التي تساعد علي (Toolboxes)ت المتخصصة وتسمى يحتوي الماتالب علي وسائل مساعدة للتطبيقا

القيام بدراسة اوسع في مجالت الصناعة واستخدام التكنلوجيا المتخصصة .

neural Network)هناك الكثير من أدوات الماتالب المستخدمة في عمليات المعالجة من بينها

Toolbox) ( ويوجد فيها اكثر من اداةtool) :

1- Neural fitting tool(nftool)

3- Neural Clustering tool(nctool)

1- Neural pattern Recognition tool(nprtool)

1- Neural Network training Display tool(nntraintool)

15

1- Neural Network tool(nntool)

( في البحث ، وهي تستخدم ألنشاء Neural pattern Recognition toolوقد تم استخدام )

لمستخدمة في التعرف علي األنماط . الشبكات ا

:(nprtoolمزايا ) 4.3..

واجهة المستخدم مبسطة . -1

تقوم بتوليد كود الذي يمكن من اعادة استخدامه في دالة اخرى مثال :)دالة تقوم في كل مرة بدريب -3

الشبكة ولكن تغير عدد العصبونات في الطبقة الخفية ( .

العصبية لتعمل في مجال تصنيف األنماط . تقوم بتحديد الخيارات المثلى للشبكة -1

: ( nprtoolاستخدام )7.2.3

(nprtool)( يمثل اول واجهة في 1.2.3الشكل )

16

. تمثل المخرج المطلوب3. توضح مدخالت الشبكة 1( 2.2.3الشكل )

17

(validation)( ونسبة للتحققtesting( يوضح تقسيم مدخل الشبكة الي نسب )نسبة لالختبار)1.3.1الشكل )

((trainingوبقية النسبة ترجع كمدخل لعملية التدريب)

18

في هذه الواجهة يتم تحديد عدد العصبونات في الطبقة الخفية (4.2.3الشكل )

19

( 5.2.3الشكل )

( لدينا قيمتين هما :5.2.3في الشكل )

1- Mean Squared Error (MSE) لي للشبكة : يمثل متوسط مربع االختالف بين مخرج الفع

(output والهدف المراد الموصول الية )(target) وكل إقتربت النتيجة من الصفر كلما كانت

أفضل ،اذا كانت القيمة صفر تعني ال يوجد خطاء .

3- (%E )Percent Error تشير الي جزء من المدخالت التي لديها ضعف في التصنيف )القيمة :

ا كانت القيمة مائة فإنها تدل علي عدم حدوث تصنيف (.صفر تدل علي ان التصنيف كامل ، اما اذ

20

( تتوقف عملية التدريب علي التحسن في Training( يوضح عملية التدريب )6.2.3الشكل)

(Generalization) ( الذي يقاس بإستخدام بيانات التحققValidation Data) .

21

( .testing( في هذا الشكل يمكن عمل االختبار )7.2.3الشكل )

22

. (Matlab Function) الشفرة( في هذه الواجهة توجد خيارات الحفظ و تمكن من توليد 8.2.3الشكل )

23

function net = create_pr_net(inputs,targets)

%CREATE_PR_NET Creates and trains a pattern recognition neural network.

%

% NET = CREATE_PR_NET(INPUTS,TARGETS) takes these arguments:

% INPUTS - RxQ matrix of Q R-element input samples

% TARGETS - SxQ matrix of Q S-element associated target samples, where

% each column contains a single 1, with all other elements set to 0.

% and returns these results:

% NET - The trained neural network

%

% For example, to solve the Iris dataset problem with this function:

%

% load iris_dataset

% net = create_pr_net(irisInputs,irisTargets);

% irisOutputs = sim(net,irisInputs);

%

% To reproduce the results you obtained in NPRTOOL:

%

% net = create_pr_net(data',target');

% Create Network

numHiddenNeurons = 20; % Adjust as desired

net = newpr(inputs,targets,numHiddenNeurons);

net.divideParam.trainRatio = 80/100; % Adjust as desired

net.divideParam.valRatio = 10/100; % Adjust as desired

net.divideParam.testRatio = 10/100; % Adjust as desired

% Train and Apply Network

[net,tr] = train(net,inputs,targets);

outputs = sim(net,inputs);

% Plot

plotperf(tr)

plotconfusion(targets,outputs)

. (nprtool)المتولد من الشفرة( يمثل 9.2.3الشكل )

الباب الرابع

التحليل

وصف البيانات .: األولالقسم

تجهيز البيانات .: الثانيالقسم

:إستخالص السمات . الثالثالقسم

التدريب واإلختبارإختيار عينات : الرابعالقسم

القسم الخامس: التدريب واإلختبار

24

: خطوات البحث 0.2

خطوات البحث العامة يوضح (1.4)الشكل

( يوضح خطوات البحث العامة1.1الشكل )

القسم األول

وصف البيانات

25

( وبيانات الكتابة المستخرجة UPX Format [2]مجموعة البيانات التي سنجري عليها البحث تم جمعها بصيغة )

-من حركة القلم هي :

المكونة للحرف. (Pen strokesعدد الضربات ) .1

( في كل ضربة .pen tipاإلحداثيات لكل ) .3

( .pen tipزمن كل حركة ) .1

حالة القلم . .1

في قائمة المراجع . [1]لي المرجع رقم إالمزيد عن مجموعة البيانات انظر لمعرفة

X_coordinateيوضح الضربة األولي لحرف الباء )ب( ممثلة علي النحو التالي ) (1.1.4)الشكل

Y_coordinate Time Status علي الترتيب ).

وهو قياس متري مقداره واحد من األلف (Himetrics)مواقع هذه اإلحداثيات تم حفظها ووحدة قياسها تسمي

. (Display Resolution)في السنتميتر الواحد وال تعتمد علي دقة الشاشة

26

( يوضح الضرب األولى لحرف الباء1.1.1الشكل )

<trace id="Stroke0">

7312 4043 0 1

7304 4048 16 1

7312 4033 16 1

7312 4028 31 1

7312 4033 31 1

7312 4028 47 1

7312 4028 47 1

7320 4033 63 1

7329 4033 78 1

7337 4028 94 1

7337 4028 125 1

7337 4023 156 1

7337 4023 187 1

7337 4023 219 1

7337 4043 250 1

7353 4069 281 1

7353 4110 312 1

7362 4152 343 1

7370 4198 375 1

7378 4250 406 1

7395 4291 437 1

7420 4343 468 1

7436 4390 499 1

7444 4431 546 1

7444 4472 577 1

7436 4524 609 1

7411 4565 640 1

7370 4612 671 1

7295 4643 702 1

7229 4674 733 1

7130 4695 765 1

7031 4715 796 1

6932 4736 827 1

6841 4762 858 1

6725 4777 889 1

6625 4788 921 1

6510 4798 952 1

6410 4814 983 1

6295 4824 1014 1

6187 4829 1045 1

6071 4829 1092 1

5964 4829 1123 1

5848 4824 1155 1

5749 4819 1186 1

5649 4803 1217 1

5550 4783 1248 1

5467 4752 1279 1

5410 4700 1311 1

5352 4638 1342 1

5319 4581 1373 1

5285 4519 1404 1

5277 4457 1435 1

5277 4390 1467 1

5285 4338 1498 1

5319 4291 1529 1

</trace>

27

الحروف وعدد تكرارتها( يوضح 1.1.1الجدول )

الحرف العدد

ا 381

أ 319

إ 311

آ 311

ى 311

ب 123

ت 392

ث 311

ج 311

ح 311

خ 311

د 318

ذ 311

ر 318

ز 313

س 313

ش 311

ص 311

ض 313

ط 311

ظ 331

ع 319

غ 311

ف 313

ق 311

ك 313

ل 311

م 311

ن 319

ه 311

و 311

ي 319

القسم الثاني

تجهيز البيانات

(Data preprocessing)

28

: Data preprocessing) المعالجة األولية ) 0.4.2

إزالة أو تقليل مشاكل البيانات ، كتحويلها من صيغة إلي أخرى المعالجة األولية علي البيانات هي عملية

. (noises)أو إزالة التشهوهات

خطوات المعالجة األولية : -

. (Data resampling)إعادة تمثيل البيانات .1

.(Smoothing)التنعيم .3

: (Data Resampling)إعادة تمثيل البيانات .1

إلي (Himetrics)الممثلة في قياس (pen tip)في هذه المرحلة نقوم بتحويل مواقع ال

(Pixels) . فيمكن عرضها في الشاشة لدراستها و معالجتها

قمنا بتطبيق الخوارزمية [3]

ة من ال لمجموعة متتالي (pixel)وهي تقوم بإعطاء نقطة فريدة

(pen tips) .

هو (Xh,Yh), و Screen Pixelبمقياس pen tipهو موضع ال (Xp,Yp)حيث

. Himetricsبمقياس ال (pentip)موضع ال

-: (Smoothing)التنعيم .3

29

التي تحدث غالبا إما (Noises)في هذه المرحلة تم تقليل بعض التشوهات

أو من إضطراب (Hardware problem) ة لمشاكل في جهاز المستخدم للكتاب

حركة اليد أثناء الكتابة [3].

تم تطبيق المعادلتين [3]

و [4]

:-

ثمثل عدد النقاط المجاورة . m, و (Xi+k,Yi+k)تمثل الوزن عند النقطة kαحيث

القسم الثالث

إستخالص السمات

(Feature Extraction)

30

المقدمة : 0.3.2

التعامل مع الشبكات العصبية يجب أن تكون المدخالت تحتوي فقط المعلومات األكثر أهمية التي عند

. يمكن أن تساهم في عملية التصنيف , كما أنه يجب أن يكون جميع المدخالت من نفس الطول

: (Feature vector)تكوين متجه الدخل تخطوا 4.3.2

األساسية المكونة للحرف . للضربة (chain code)إنشاء شفرة السسلسلة .1

.(chain code vector normalization)التنظيف و التطبيع .3

: (chain code)إنشاء شفرة السلسلة 0.4.3.2

تهتم شفرة السلسلة بحفظ إتجاه الكتابة كما توضح الصورة الشفرة المولدة من الضربة األساسية لحرف

و الضاد. الصاد

(3.1.1الشكل)

( اإلتجاهات 1.1.1الشكل )

الرئيسية

31

(Normalizationيوضح شفرة السلسلة لحرف الصاد قبل تثبيت الطول )(1.1.1الشكل )

تم حساب شفرة السلسلة علي الضربة األساسية للحرف وتمت تجربة إفتراضين :

األول : هي الضربة األولي ، وكان إفتراضا خاطئا حيث أنه قد يختلف الناس في طريقة كتابتهم ،

خطاء غير المقصودة كالبداية في الكتابة ثم التوقف .باإلضافة إلي األ

الثاني : هي أطول ضربة في الحرف ، و كان صائبا لدرجة كبيرة ، ولكن بعض الناس يكتبون الضربات

الثانوية أطول من الضربة األساسة مثال :) حرف الطاء(

تصنيف

صحيح

تصنيف خاطئ

رف الطاءإدخال صحيح وخاطئ لح( 1.1.1الشكل )

0 6 4 2 2 4 2 2 2 2 2 2 2

2 2 2 2 2 2 2 2 2 2 2 2

2 1 8 8 8 8 8 8 8 8 8 6

6 6 6 6 6 6 6 6 6 6 6 6

6 4 4 4 4 4 4 4 4 4 4 4

4 4 4 6 7 8 8 8 8 8 8 8

8 8 8 8 8 7 6 6 6 6 6 6

6 6 6 6 6 4 4 4 4 4 4 4

4 4 4 4 4 4 4 4 4 4 3 2

2 2 2 2 2 2 2 2 2

32

(chain code normalization)التنظيف والتطبيع 4.4.3.2

.التنظيف :1

، Smoothingقد تحتوي الضربة بعض األخطاء أثناء الكتابة والتي لم تتم إزالتها في مرحلة التنعيم

-: ويؤشر إلي ذلك وجود عنصر من عناصر شفرة السلسلة بتكرار واحد ففي هذه الحالة هناك إحتمالين

.)أن تكون الحركة غير مقصودة )مثال : إضطراب يد الكاتب

أن يحتوي الحرف على شكل حلقيloop الفاء والقاف(.، )مثال : الواو

فإن إزالة هذه العناصر إما أثرت إيجابا فتكون إزالة أخطاء أو سلبا فتكون قد إزالت بيانات مهمة , وقد قمنا

بإزالتها في البحث .

2 2 2 2 2 2 2 2 2 2 2 2

2 2 2 2 2 2 2 2 2 2 8 8

8 8 8 8 8 8 8 6 6 6 6 6

6 6 6 6 6 6 6 6 6 4 4 4

4 4 4 4 4 4 4 4 4 4 4 8

8 8 8 8 8 8 8 8 8 8 8 6

6 6 6 6 6 6 6 6 6 6 4 4

4 4 4 4 4 4 4 4 4 4 4 4

4 4 4 2 2 2 2 2 2 2 2 2

2

إزالة العناصر ذات التكرار الواحد( يوضح شفرة السلسلة للحرف الصاد بعد 1.1.1الشكل)

: (Normalization).التطبيع 3

خانة )عنصر( 11بطول (Normalized Chain code) لتحويل شفرة السلسلة إلي متجه بطول ثابت

-: التالية بتطبيق المعادلة نقوم بحساب التكرارات لكل عنصر من عناصر الشفرة , ثم نقوم

33

=

∑

: حيث

ـــ

.النسبة التكرار المعدلة للعنصر هي عبارة عن

هو تكرار العنصر في شفرة السلسلة السابقة . ـــ

لدينا شفرة السلسلة اآلتية : أفرض

4 1 3 5 1 1 1 4 4 4 4 2 2 2 2 2 2

ترتيب :الشفرة وتكراراتها علي العناصر

4 1 3 5 1 4 2

1 1 1 1 3 4 6

لة العناصر ذات التكرار الوحيد :عناصر الشفرة وتكراراتها بعد إزا

1 4 2

3 4 6

نصر في المتجه المعدل:عناصر الشفرة وتكراراتها بعد حساب نسبة تكرار كل ع

1 4 2

3.4 4.6 6.9

في أحيان نادرة في هذه الحالة 11ب في زيادة الطول عن بإجراء عملية التقريب للكسور العشرية والتي قد تتسب

نقوم بتنقيص تكرارات العنصر األكثر تكرارا.

3 3 3 8 1 1 1 1 8 8 1 1 1

1 3

(Normalizationبعد تثبيت الطول ) الصاد(يوضح شفرة السلسلة للحرف 1.1.1الشكل )

الفصل الرابع

ستخراج عينات التدريب واإلختبارإ

34

تصنيف البيانات : 0.2.2

المكونة للحرف فتم تقسيم (main stroke) تم تقسيم الحروف إلى مجموعات حسب شكل الضربة األساسية

( .1.1.1) الجدولمجموعة كما في 11الحروف إلي

لي مجموعاتإ( يوضح جدول تقسيم الحروف 1.1.1) الجدول

األحرف رقم المجموعة

أ ا إ آ 1

ب ت ث ن 3

جحخ 1

عغ 1

ض ص 1

ط ظ 1

لك 1

ش س 8

زر 9

ي ى 12

م 11

ق ف 13

ه 11

د ذ 11

و ؤ 11

35

م البيانات:تقسي 4.2.2

:ريب بيانات التد 1.3.1.1

Feature) الواحدتمثل طول المدخل 11حيث [x 3000 15]تم تدريب الشبكة على مدخل ذو بعد

Vector) تمثل عدد النماذج من كل المجموعات أعاله . 1222و

أحرف , فكل حرف يمثل حوالي 1عينة من كل مجموعة , ففي المجموعات التي تحتوي 322تم أخذ

ربع عينات المجموعة , و في المجموعة التي تتكون من حرف واحد فقط فإن ذلك الحرف يمثل العينة

بكاملها .

بيانات اإلختبار : 1.3.1.1

عينة من كل مجموعة أحرف ، تم إنشاء المصفوفة 12تم إنشاء مصفوفة اإلختبار و تحتوي بيانات

عشوائيا من غير البيانات التي تم عرضها علي الشبكة في التدريب والتي تم إختيارها بصورة عشوائية

أيضا.

رفة أسباب ضعف التصنيف التي تتعلق بقلة األمثلة قمنا بعمل صور لهذه األحرف لتساعدنا على مع

المعروضة علي الشبكة لطريقة معينة من الطرق التي يكتب بها حرف معين ، أو ما إذا كان الحرف قد

فلم تستطع الشبكة العصبية التعرف عليه . تمت كتابته بصورة خاطئة أصال

وع عدد عينات اإلختبار من جميع هي مجم 124 حيث [ x 450 15]مصفوفة اإلختبار لها البعد

عينة . 23المجموعات , كل مجموعة تشارك بعدد

الفصل الخامس

التدريب واإلختبار

36

: (Training)التدريب 0.5.2

بل المدخالت تستق (2.2.3الشكل )، (Function)لتوليد دالة (nprtool)تم إستخدام ال

(Input) والهدف المطلوب(Target) من كل مدخل ثم تقوم بإنشاء الشبكة حسب المتغيرات المحددة

(Parameters) .و ترجع شبكة عصبية ، يمكن إعادة تدريبها وإختبارها و إستخدامها بصورة مستقلة ،

الخفية حتي يسهل إستخدامها في في الطبقة (Neurons)تم تعديل الدالة المولدة لتستقبل عدد العصبونات

.عمل التجارب

د قيم المتغيرات اآلتية للشبكة :تم تحدي

82نسبة البيانات المستخدمة في التدريب. %

12نسبة البيانات المستخدمة في التحقق من زيادة كفاءة الشبكة في التعميم.%

12نسبة البيانات المستخدمة في اإلختبار.%

النحو التالي :جراء التجارب علي تم إ

( عصبون في الطبقة الخفية. 31، 32، 11، 12، 1إنشاء شبكة عصبية تحوي )

تمت إعادة تدريب الشبكة(Retrain) 1 . مرات لكل

تم قياس كفاءة الشبكة في التدريب بمقارنة المخرج مع الهدف بإستخدام دالة ال(confusion matrix).

( يوضح عملية التدريب .1.1.1الشكل )

عصبون في الطبقة الخفية هي لها نسبة تصنيف أكبر من 31و 32بعد عملية التدريب لوحظ أن الشبكات ذات ال

عصبون ثم تدريبها وكان متوسط نسبة 31% لكل , فتم إنشا شبكة تحوي 11.8% و 858.األخريات بمتوسط

% .11.9التصنيف لها

عصبون إلي اننا 31بون كانت بمتوسط أعلي من ذات ال عص 31و 32بالرغم من أن مجموعة الشبكات ذات ال

%.11.1عصبون لحصولها علي أعلي كفاءة في التصنيف حيث كانت 31أخترنا إحدي الشبكات ذات ال

للشبكة التي تم إختيارها لإلختبار . (confusion matrix)يوضح ال (1.1.1)الشكل

(Confusion Matrix)ال [5]

عين يسمح بالعرض الرسومي لتوضيح كفاءة هو جدول بشكل م

.(Supervised learning)خوارزمية محددة ، تحديدا في التعليم الموجه

37

نسبة التصنيف حسب عدد العصبونات في الطبقات الخفية (1.1.1)الجدول

Classification (%) No of neurons Net

32 5 1

41 5 2

40.2 5 3

52.2 5 4

35.8 5 5

29.5 10 6

62.9 10 7

62.9 10 8

62.9 10 9

27.2 10 10

40.7 15 11

52.6 15 12

61.5 15 13

31.7 15 14

28.8 15 16

53.1 20 17

64.5 20 18

75.9 20 19

69.3 20 20

31.5 20 21

5.6 25 22

72.8 25 23

37.8 25 24

46.1 25 25

76.7 25 26

37.1 30 27

42.2 30 28

61.9 30 29

17.6 30 30

59.3 30 31

58.2 23 32

76.1 23 33

66.5 23 34

38.9 23 35

45.1 23 36

38

تدريب الشبكة عليهاالتي تم لبيانات (confusion matrix)( يوضح ال 1.1.1الشكل )

39

: (Testing)اإلختبار 4.5.2

(Output)ثم تمت مطابقة المخرج 1.1.1ة في تم إختبار الشبكة علي مجموعة بيانات اإلختبار المذكور

لعملية اإلختبار حيث (confusion matrix)يوضح ال (12.1.1)الشكل (Target)مع الهدف

% من بيانات اإلختبار بصورة صحيحة .18إستطاعت الشبكة تصنيف

0 2 2 2 2 2 2 2 2 2 2 2 2 2 1

2 0 2 2 2 2 2 2 2 2 2 2 2 1 2

2 2 0 2 2 2 2 2 2 2 2 2 1 2 2

2 2 2 0 2 2 2 2 2 2 2 1 2 2 2

2 2 2 2 0 2 2 2 2 2 1 2 2 2 2

2 2 2 2 2 0 2 2 2 1 2 2 2 2 2

2 2 2 2 2 2 0 2 1 2 2 2 2 2 2

2 2 2 2 2 2 2 1 2 2 2 2 2 2 2

2 2 2 2 2 2 1 2 0 2 2 2 2 2 2

2 2 2 2 2 1 2 2 2 0 2 2 2 2 2

2 2 2 2 1 2 2 2 2 2 0 2 2 2 2

2 2 2 1 2 2 2 2 2 2 2 0 2 2 2

2 2 1 2 2 2 2 2 2 2 2 2 0 2 2

2 1 2 2 2 2 2 2 2 2 2 2 2 0 2

1 2 2 2 2 2 2 2 2 2 2 2 2 2 0

لمجوعة بيانات تحتوي ممثل )عينة( واحد من كل مجموعة. (Target)(يوضح مصفوفة الهدف 3.1.1الشكل )

40

: مناقشة نتيجة اإلختبار 0.4.5.2

عدد (1.1.1ل)في الشك ( confusion matrix)تم الرجوع لصور البيانات التي أدخلت لإلختبار توضح ال

طبق الفئة الصحيحة وعدد األحرف التي تم تصنيفها إلى الفئات األخرى كل على حدة . صنيفها النماذج التي تم ت

في الجدول اآلتي نحاول تبرير ومعرفة األسباب التي أدت إلي عدم التصنيف الصحيح لبعض عناصر عينة

اإلختبار .

41

لشبكة عليهااختبار االتي تم لبيانات (confusion matrix)يوضح ال (1.1.1الشكل )

42

سباب التصنيف الخاطئ لبعض الحروفيوضح أ (3.1.1الجدول )

التصنيف السبب

(3الفعلي )

التصنيف

(1الفعلي )

التصنيف

المتوقع

الصورة

12من 19تم التعرف علي 1الفئة

الصفوف التالية تحليل لبعض التصانيف الخاطئة

راس حروف تشبه

1المجموعة

ـ 11 1

الشكل ضربة أعتبر

أساسية في كثير من

حروف المجموعة األولي

1 1 -

المدخل يشبه

محرف المي

( 11في الفئة )

بشكل عام

1 11 11

التعرج منع التصنيف

الصحيح , وتم تصنيفه

للسبب في 1للفئة

0.4.3.2

1 1 1

مدخل خاطئ يشبه حروف

11الفئة

11 11 11

12من 18تم التعرف 3الفئة

الصفوف التالية تحليل لبعض التصانيف الخاطئة

خطأ في مرحلة جمع

البيانات

ت عن حرف البيانا

11 9 9 ،11

43

الثاء)بالرجوع لملف

( والمحتوي inkMLال

حرف الراء

إدخال يميل إلي كتابة

الحرف في الصورة غير

المعزولة

9 11 9

1 12 1 متوقعة للمشابه في الشكل

13 12 13 متوقعة للمشابه في الشكل

12من 19تم التعرف على 1الفئة

عض التصانيف الخاطئةالصفوف التالية تحليل لب

لم يتم تصنيفها بصورة

صحيحة وذلك لطول الذيل

1 1 -

ربما لم تجد طريقة كتابة

بهذا الشكل 1أحرف الفئة

تمثيال كافيا.

15 4 -

ربما لم تجد طريقة كتابة

بهذا الشكل 1أحرف الفئة

تمثيال كافيا.

- 1 1

12من 31تم التعرف علي 1الفئة

رحلة جمع خطأ في م

البيانات

البيانات عن حرف

العين)بالرجوع لملف

1 1 1

44

( والمحتوي inkMLال

حرف الحاء

تعرف جزئي حيث ان

الخرج يعمل قيمة في الفئة

، ربما لقلة األمثلة أيضا. 1

1 1 1

الباب الخامس

النتائج والتوصيات

45

النتائج : 0.5

نجاح الشبكات العصبية في عملية تصنيف الحروف بصورة واضحة . -1

تحتاج إلى موازنة ما بين سهولة اإلستخراج و (Feature Extraction)عملية استخالص السمات -3

مدى فعالية الخيار.

كمثال لسهولة اإلستخراج إنشاء صور و إدخالها كاملة إلي الشبكة العصبية ، لكنه خيار غير دقيق ألنه

. (Online Handwriting)يفقدنا معلومات الكتابة اآلنية

تحتاج عمليات –مدخالت عينات التدريب و كمثال لصعوبة اإلستخراج أن تحدد الضربة األساسية لكل

ولكن الضربة األساسية تحافظ على معلومات –عرض بالصور وفي هذه الحالة سيتم إختيار عينات التدريب يدويا

ر من أن يكون المدخل الكتابة اآلنية خصوصا إتجاه الكتابة ، و من خصائصها العملية كمدخل أنها أقل حجما بكثي

.صورة للشبكة

توجد بيانات مكتوبة بصورة خاطئة )فحص مبدئي للبيانات( . -1

شخاص يكتبوا الضربة الثانوية أطول من الضربة األساسية .يوجد أ -1

46

: التوصيات 4.5

تطوير مجموعة البيانات لتحوي حروف أكثر مثال )حرف الطاء( -1

تدريب الشبكة على األشكال المختلفة . -3

البحث ليشمل التعرف علي الكلمات.في اإلستمرار -1

من عدد وموضع الضربات الثانوية لتحدد الحرف داخل المجموعة.ستفادة اإل -1

47

لخالصة ا

‌الحصول‌علي‌ ‌فتم ‌الحرف‌, ‌األولي‌للتعرف‌علي‌فئة‌)مجموعة( ‌المشروع‌إنجاز‌الخطوة ‌في‌هذا تم

%‌،‌و‌وجدنا‌أن‌ذلك‌كان‌بسبب‌إختالف‌أشكال‌7..7شبكة‌عصبية‌نجحت‌في‌تصنيف‌بيانات‌التدريب‌بنسبة‌

مثال‌)الطاء‌المكتوب‌من‌ضربة‌واحدة‌فقط‌‌–فهناك‌بعض‌األشكال‌ليس‌لها‌العدد‌الكافي‌من‌النماذج‌–الحروف‌

باإلضافة‌إلى‌أخطاء‌في‌مجموعة‌البيانات‌،‌كما‌واجهتنا‌مشكلة‌إختيار‌‌،نماذج‌في‌كل‌مجموعة‌البيانات‌(‌4لها‌

‌.‌(‌1.3.2.4الفقرة‌)‌التي‌تمت‌مناقشتها‌في‌ (main stroke)الضربة‌األساسية‌

وفي‌التوصيات‌تمت‌إضافة‌والتي‌تم‌إنجازها‌‌الشبكة‌الناتجة‌تتعرف‌فقط‌علي‌الفئة‌وهي‌الخطوة‌األولي‌

‌مقترح‌لتكميل‌البحث‌والتعرف‌علي‌الحرف‌داخل‌فئته.

48

الخاتمة

و مالنا في الختام إال أن نقول الحمد هلل الذي هدانا لهذا و ماكنا لنهتدي لوال أن هدانا هللا ، آملين أن يستمر البحث

حتي يصبح للجامعة نظامها الكامل للتعرف اآلني على الكتابة العربية ، و أن يستفيد من بعدنا من بحثنا في ما

يستفيدوا مما أخطأنا فيه .أصبنا وأن

49

المراجع

1. Huzeifa A. Alshafy.,Mohamed E .Mustafa , “ Datasets for Online Arabic

Handwriting “ ,In Proceeding of the second International Conference on E-

Applications in developing countries (ICEA 2011), Khartoum ,Sudan,27-29

Nov 2011.

2. Agrawal , M., Bali k. , Madhavanath S. ,and Vuurpijl L., “UPX : a new XML

representation for annotated datasets of online handwriting data, “ Document

Analysis and Recognition , 2005. Proceedings. Eighth International Conference

on Volume , Issue ,29 Aug.-1 Sept .2005 Page(s): 1161-1165 Vol.2

3. Huzeifa A . Alshafy,Dr. Mohamed E. Mustafa,” Characters’ Boundaries based

segmentation for online Arabic Handwriting” sudan University Of Science and

Technology,

Page :2.

4. H . Izakian, S. A.Monadjemi, B. Tork Ladani , and K. Zamanifar ,” Multi_Fornt

Farsi/Arabic Isolated Character Recognition Using Chain Codes , World

Academy of Sciense , Enngnieering and Technology ,43, 2008.

5. http://en.wikipedia.org/wiki/Confusion_matrix

8/26/2014 8:12 AM GMT

6. Matlab Toolbox Documentations .

.(SPSSمقدمة في الشبكات العصبية االصطناعية وتطبيقاتها في العلوم االجتماعية بإستخدام ) .1

)دكتور:/عبدالحميد محمد العباسي واستاذ :/حاتم السمري(

. التعرف علي االرقام العربية .8

50

9‌.

http://ar.wikipedia.org/wiki/%D8%B4%D8%A8%D9%83%D8%A9_%D8%B9%D8%B5%

D8%A8%D9%88%D9%86%D9%8A%D8%A9_%D8%A7%D8%B5%D8%B7%D9%86%D8%

A7%D8%B9%D9%8A%D8%A9

PM 11:33 زمن:ال 3211/يوليو/3تاريخ: ال

11‌.

https://www.google.com/search?q=%D9%85%D9%83%D9%88%D9%86%D8%A7%D8

%AA+%D8%A7%D9%84%D8%B4%D8%A8%D9%83%D8%A7%D8%AA+%D8%A7%D9%

84%D8%B9%D8%B5%D8%A8%D9%8A%D8%A9+%D8%A7%D9%84%D8%A7%D8%B5%

D8%B7%D9%86%D8%A7%D8%B9%D9%8A%D8%A9&espv=2&es_sm=90&tbm=isch&t

bo=u&source=univ&sa=X&ei=eZn8U8GCEof8ygPB4IGABQ&ved=0CEgQsAQ&biw=136

6&bih=669

PM 4:27 زمن:ال 3211/يوليو/1تاريخ: ال

11.

http://arabteam2000-forum.com/index.php/topic/189517-

%D8%A3%D9%86%D9%88%D8%A7%D8%B9-

%D8%A7%D9%84%D8%B4%D8%A8%D9%83%D8%A7%D8%AA-

%D8%A7%D9%84%D8%B9%D8%B5%D8%A8%D9%8A%D8%A9-

%D8%A7%D9%84%D8%B5%D9%86%D8%A7%D8%B9%D9%8A%D8%A9/

PM 4:42| زمن:ال 3211/يوليو/3تاريخ: ال

13.

http://www.startimes.com/?t=16574555

PM 12:42 زمن:ال 3211/يوليو/7تاريخ: ال

12.

مقدمة‌في‌الشبكات‌العصبية‌االصطناعية

14.

http://203bxxx.niceboard.org/t20-topic

AM 11:42 زمن:ال 3211/يوليو/15تاريخ: ال

11‌

51

http://www.khoranat-alqosh.com/vb/showthread.php?t=33134

PM 2:07 زمن:ال 3211/يوليو/11تاريخ: ال

1..

http://bekcom.wordpress.com/2011/06/16/%D9%85%D9%83%D9%88%D9%86%D8

%A7%D8%AA-matlab/

PM 2:42 زمن:ال 3211/يوليو/15تاريخ: ال