طبقه بندی زبان نوشتار در اسناد چند زبانه

تشخیص نویسه نوری یکی از حوزه های کاری در شناسایی الگو می باشد. همه ساله مقالات مرتبط با این موضوع در کنفرانس های حوزه هوش مصنوعی، شناسایی الگو، پردازش تصویر، ماشین بینایی و... ارائه می شود. با این وجود به لحاظ گستردگی زبان ها در دنیا و پیچیدگی ذاتی این موضوع، هنوز علاقمندان بسیاری در پی یافتن نتایج بهتری برای شناسایی متون می باشند. اکثر مقالات با بیان این که هر زبان نوشتار ویژگی های خاص خود را دارا می باشد، فقط می توانند حروف سندی بایک زبان نوشتار خاص را شناسایی کنند. در بررسی اسناد، موارد زیادی وجود دارد که سند دارای دو یا چند زبان متفاوت است. لذا سیستم های تشخیص متون به شناسایی چند زبان به صورت همزمان نیاز دارند. در این پژوهش با انتخاب چند زبان رسمی دنیا، الگوریتم ی برای طبقه بندی زبان در یک سند چند زبانه پیشنهاد شده است. سیستم پیشنهادی، فقط تشخیص می دهد هر قسمت از متن به کدام طبقه زبانی تعلق دارد و سپس برای شناسایی نویسه ها کار استخراج ویژگی های هوشمند متناسب با آن طبقه را انجام می دهد. طبقه بند مورد استفاده ساختار درخت تصمیم با سطوح آستانه وفقی و درصد تشخیص به دست آمده برای متون اسکن شده 93.3 درصد می باشد که اثر بخشی مدل ارایه شده را اثبات می کند.