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

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.