Ein hierarchischer neuronaler Klassifikator für die Erkennung von Einzelzeichen in mathematischen Formeltexten

Zusammenfassung

In dieser Arbeit wird eine hierarchische neuronale Netzwerkarchitektur für die Musterklassifikation vorgestellt. Die verwendeten Basisarchitekturen sind kompetitive LVQ- (learning vector quantization) und RBF-Netzwerke (radiale Basisfunktionen). Die Gesamtarchitektur des Klassifikators ist zweistufig. Die erste Klassifikatorstufe ist ein LVQ-Netz zur Grobklassifkation. Klassen die auf dieser Stufe an Verwechslungen beteiligt sind, werden zu Oberklassen, den sogenannten Verwechslungsklassen, zusammengefasst. Für jede Verwechslungsklasse wird in der zweiten Stufe ein spezielles RBF-Netz aufgebaut, das zwischen den (wenigen) Klassen dieser Verwechslungsklasse diskriminiert. Die Verwechslungsklassen werden aus der Verwechslungsmatrix des LVQ- Klassifikators bestimmt. Sowohl die Gesamtarchitektur als auch die Parameter (= Gewichte der künstlichen Neuronen) der LVQ/RBF-Netzwerke werden während der zweistufigen Trainingsprozedur erzeugt. Der hierarchische Klassifikator ist für Klassifikationsprobleme mit sehr vielen Klassen einsetzbar. Die Initialisierung der künstlichen RBF-Neuronen durch die Prototypen des LVQ-Netzes liefert ein sehr effizientes Trainingsverfahren.