Д. А. Аминев1, В. А. Данилевич2, А. А. Демин3, А. Самман4
1 Институт проблем управления имени В.А. Трапезникова РАН (Москва, Россия)
2–4 МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. В настоящее время все большее распространение получают сенсорные дисплеи. Такая конструкция совмещает устройство ввода и устройство вывода информации, а также позволяет создавать максимально удобные интерфейсы для взаимодействия с пользователем. Распознавание вводимых данных значительно расширяет функционал сенсорного ввода, предоставляя возможность применять распознавание введенных символов для запуска разнообразных функций и приложений. Существующие на сегодняшний день подобные системы недостаточно гибкие в настройке и использовании.

Цель. Создать систему анализа данных, вводимых посредством инфракрасной сенсорной панели, с использованием нейронной сети, решающей задачу распознавания рукописных символов.

Результаты. Кратко рассмотрено функциональное назначение блоков разработанной программы: графического интерфейса, программы чтения COM-порта, нейронной сети. Представлен графический интерфейс, визуализирующий используемую сенсорную матрицу и отображающий функциональные кнопки, поля ввода и вывода данных. Интерфейс состоит из основного рабочего окна, окна просмотра и настройки макросов и окна настройки таймера автоидентификации. Разработан блок программы, позволяющий создать нейронную сеть по заданным настройкам, сделать в нее запрос и обучить. Создан дополнительный функционал программы, позволяющий запускать внешние файлы по введенному символу, частично автоматизирующий работу программы, помогая пользователю. Проведено функциональное тестирование всех разработанных модулей в отдельности и всей программы в целом. Проанализированы принципы обучения нейронных сетей. Проведены эксперименты, в которых реализовано обучение нейронной сети с разными настройками и параметрами обучения, к которым относятся число эпох обучения, скорость обучения, число нейронов скрытого слоя. По итогам этих экспериментов выявлены факторы, влияющие на качество обучения нейронной сети.

Практическая значимость. По итогам обучения нейронной сети получен набор коэффициентов, обеспечивающий стабильную работу нейронной сети. Установлено, что точность работы нейронной сети составляет 96%, а скорость распознавания меньше секунды.

Аминев Д.А., Данилевич В.А., Дёмин А.А., Самман А. Распознавание рукописных символов на сенсорной матрице с использованием нейронной сети // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 32–42. DOI: 10.18127/j19998554-202101-04

1. Тарик Р. Создаем нейронную сеть: Пер. с англ. СПб.: ООО «Альфа-книга». 2017.
2. Власов А.И., Папулин С.Ю. Анализ данных с использованием гистограммной модели комбинации признаков // Нейрокомпьютеры: разработка, применение. 2019. Т. 21. № 5. С. 18–27.
3. Джоши П. Искусственный интеллект с примерами на Python: Пер. с англ. СПб.: ООО «Диалектика». 2019.
4. Власов А.И., Кривошеин А.И., Терентьев Д.С., Шахнов В.А. Исследование конденсаторной решетки композитной емкостной сенсорной панели // Российская микроэлектроника. 2018. Т. 47. № 5. С. 299–306.
5. Демин А.А., Терентьев Д.С., Шахнов В.А. Альтернативная технология изготовления сенсорного емкостного экрана // Датчики и системы. 2013. № 9 (172). С. 56–64.
6. Терентьев Д.С., Власов А.И., Токарев С.В. Проекционно-емкостной сенсорный экран для встраиваемых мобильных систем // Прикаспийский журнал: управление и высокие технологии. 2013. № 1 (21). С. 16–26.
7. Власов А.И., Терентьев Д.С., Шахнов В.А. Графеновый гибкий сенсорный экран со встроенным аналого-цифровым преобразователем // Российская микроэлектроника. 2017. Т. 46. № 3. С. 192–199.
8. Терентьев Д.С., Власов А.И. Бортовые сенсорные панели с дактилоскопическими датчиками на транспорте // Датчики и системы. 2014. № 4 (179). С. 45–55.
9. Демин А.А. Методы автоматизированной оценки каллиграфии // Программные продукты и системы. 2011. № 1. С. 20–23.
10. Демин А.А., Власов А.И., Шахнов В.А. Методы и средства визуальных упражнений для адаптивной коррекции тонкой моторики кистей рук в условиях невесомости // Вестник Московского государственного технического университета им. Н.Э. Баумана. Сер. Приборостроение. 2015. № 3 (102). С. 23–38.
11. Балухто А.Н., Булаев В.И., Бурый Е.В. и др. Нейрокомпьютеры в системах обработки изображений. Сер. Библиотека журнала «Нейрокомпьютеры: разработка, применение». Т. 7. М.: Радиотехника. 2003.
12. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. Сер. Приложение к журналу «Информационные технологии». № 9. М.: Машиностроение. 2000.
13. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем // Приборы и системы. Управление, контроль, диагностика. 1999. № 2. С. 61–65.