چکیده:
در سال های اخیر با توجه به افزایش ارتباط روزافزون بین ماشین و انسان ، توجه زیادی به تکنولوژی قلم دیجیتال در موبایل - های note و تبلت ها شده است . افزایش استفاده از این تکنولوژی، نیاز به ایجاد صفحه کلیدهای مجازی برپایه ی قلم را در پی داشته است . علیرغم تلاش های انجام شده در زبان انگلیسی برای ایجاد این کیبورد مجازی، نقص چنین سیستم هایی در زبان - های فارسی و عربی آشکار است . هدف پژوهش حاضر، بهبود الگوریتم ژنتیک برای یهیود عملکرد یک الگوریتم تشخیص نویسه به عنوان مطالعه موردی است . مطالعه موردس استفاده شده بازشناسی برخط دست نوشته ی فارسی با کمک یک الگوریتم یادگیری سراسری مبتنی بر برنامه نویسی ژنتیک با تعریف ویژگیهای متمایزکننده ی کاراکتر فارسی و عربی میباشد. بدنه ی اصلی حروف و نوع استروکهای هر حرف توسط یک الگوریتم یادگیری سراسری مبتنی بر برنامه نویسی ژنتیک تشخیص داده میشود. پس از تشخیص بدنه ی اصلی حروف ، با توجه به نوع استروک قرارگرفته بعد از بدنه ی اصلی و با توجه به مکان قرارگیری بخش استروک حرف ، تشخیص نهایی حرف توسط یک DFA انجام می گیرد. الگوریتم پیشنهادی، حروف و اعداد مجزای فارسی را با ٩٧,٥٢% و دنباله ای از حروف و اعداد پیوسته ی فارسی را با ٩٢,٤٣% تشخیص میدهد.
In recent years, due to the ever-increasing communication between machines and humans, much attention has been paid to digital pen technology in mobile phones and tablets. The increase in the use of this technology has led to the need to create virtual keyboards based on the pen. Despite the efforts made in the English language to create this virtual keyboard, the defects of such systems in Persian and Arabic languages are obvious. The aim of the current research is to improve the genetic algorithm for the performance of a letter recognition algorithm as a case study. The study of the methods used is the recognition of Persian handwriting with the help of a global learning algorithm based on genetic programming with the definition of distinguishing features of Persian and Arabic characters. The main body of letters and the type of strokes of each letter are recognized by a global learning algorithm based on genetic programming. After identifying the main body of the letters, according to the type of stroke placed after the main body and according to the location of the stroke part of the letter, the final detection of the letter is done by a DFA. The proposed algorithm recognizes individual Persian letters and numbers with 97.52% and a sequence of consecutive Persian letters and numbers with 92.43%.