سال انتشار: ۱۳۸۱

محل انتشار: هشتمین کنفرانس سالانه انجمن کامپیوتر ایران

تعداد صفحات: ۶

نویسنده(ها):

هادی صدوقی یزدی – دانشگاه تربیت مدرس، دانشکده فنی و مهندسی، بخش مهندسی برق
مهدی آبادی – دانشگاه تربیت مدرس، دانشکده فنی و مهندسی، بخش مهندسی برق
احسان اله کبیر – دانشگاه تربیت مدرس، دانشکده فنی و مهندسی، بخش مهندسی برق

چکیده:

برای بازشناسی اسناد چند زبانه باید بتوان بهطور خودکار نوع زبان هر کلمه را تشخیص داد. در این مقاله، با استفاده از یادگیری استقرایی قوانین، روشی برای جداسازی تصویری کلمات فارسی و لاتین در متون چاپی ارائه میشود. در روش پیشنعادی از ۶ ویژگی تصویری استفاده شده است. مجموعه ویژگی های استخراجشده از ۸۹۶ نمونه آموزشی تصاویر کلمات فارسی و لاتین با انودع قلم ها به عنوان ورودی به ابزار یادگیری قانون c4.5 داده شد. این ابزار بر اساس این ویژگی ها ۱۳ قانون برای جداسازی کلمات فارسی و لاتین تولید کرد. با استفاده از این قوانین در یک مجموعه ازمون ۱۴۲۰ کلمه ای، حدود ۹۴% از کلمات به درستی طبقه بندی شدند.