Nghiên Cứu Về Hệ Thống Mạng Neural Nhân Tạo Tại Đại Học Quốc Gia Hà Nội

Chuyên khảo phân tích Luận văn nhận dạng chữ nôm bằng máy véc tơ hỗ trợ svm, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Người hướng dẫn: PGS.TS Nguyễn Văn A
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên Cứu Về Hệ Thống Mạng Neural Nhân Tạo
• Loại tài liệu: luận văn
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• 1. TỔNG QUAN CHỮ PÔM
• 1.1. Lịch sử và một số đặc điểm của chữ Pôm
• 1.2. Giải thuật KSVМ cho nhận dạng chữ Pôm
• 1.3. Tạo mẫu đại diện và xây dựng bộ dữ liệu thực nghiệm
• 2. TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Về Mạng Neural Nhân Tạo Khái Niệm Lịch Sử

Mạng Neural Nhân Tạo (Artificial Neural Network - ANN) hay còn gọi là mạng nơ-ron nhân tạo, là một mô hình tính toán lấy cảm hứng từ cấu trúc và chức năng của mạng neural sinh học trong não người. Mục tiêu của mạng neural là mô phỏng khả năng học hỏi và giải quyết vấn đề của con người. Lịch sử phát triển của mạng neural trải qua nhiều giai đoạn thăng trầm, từ những mô hình sơ khai như Perceptron đến sự trỗi dậy của học sâu (deep learning) với các kiến trúc phức tạp như mạng CNN, mạng RNN và mạng GAN. Sự phát triển này gắn liền với sự tiến bộ của phần cứng máy tính và lượng dữ liệu lớn (big data).

1.1. Lịch sử hình thành và phát triển của mạng neural

Từ những năm 1940, các nhà khoa học đã bắt đầu nghiên cứu về mạng neural. Perceptron, một trong những mô hình đầu tiên, ra đời vào năm 1958. Tuy nhiên, những hạn chế của Perceptron đã dẫn đến giai đoạn 'mùa đông AI'. Đến những năm 1980, thuật toán backpropagation đã mở ra một kỷ nguyên mới cho mạng neural. Sự phát triển của phần cứng và dữ liệu lớn đã thúc đẩy sự trỗi dậy của học sâu trong những năm 2010.

1.2. Khái niệm cơ bản về mạng nơ ron nhân tạo

Mạng nơ-ron nhân tạo bao gồm các nơ-ron (neuron) kết nối với nhau thông qua các liên kết (synapse). Mỗi liên kết có một trọng số, thể hiện mức độ ảnh hưởng của kết nối đó. Các nơ-ron nhận tín hiệu đầu vào, xử lý thông qua hàm kích hoạt (activation function) và tạo ra tín hiệu đầu ra. Quá trình học của mạng neural là điều chỉnh các trọng số để đạt được kết quả mong muốn.

II. Các Bài Toán Thách Thức Trong Nghiên Cứu Mạng Neural

Nghiên cứu về mạng neural đối mặt với nhiều thách thức, từ việc lựa chọn kiến trúc phù hợp đến việc giải quyết các vấn đề như overfitting và underfitting. Việc tối ưu hóa (optimization) các tham số của mạng neural là một bài toán phức tạp, đòi hỏi các thuật toán hiệu quả như gradient descent. Bên cạnh đó, việc thu thập và xử lý dữ liệu huấn luyện (training data) chất lượng cao cũng là một yếu tố then chốt để đảm bảo độ chính xác (accuracy) của mô hình. Các bài toán thường gặp bao gồm phân loại, hồi quy và phân cụm.

2.1. Vấn đề overfitting và underfitting trong mạng neural

Overfitting xảy ra khi mạng neural học quá kỹ dữ liệu huấn luyện, dẫn đến khả năng khái quát hóa kém trên dữ liệu mới. Underfitting xảy ra khi mạng neural không đủ khả năng học các đặc trưng quan trọng của dữ liệu. Các kỹ thuật điều chuẩn (regularization) như dropout và batch normalization có thể giúp giảm thiểu overfitting.

2.2. Tối ưu hóa và các thuật toán neural network algorithms

Quá trình tối ưu hóa (optimization) nhằm tìm ra các tham số của mạng neural sao cho hàm mất mát (loss function) đạt giá trị nhỏ nhất. Gradient descent là một thuật toán phổ biến để thực hiện việc này. Các biến thể của gradient descent như Adam và RMSprop thường được sử dụng để tăng tốc quá trình hội tụ.

2.3. Yêu cầu về dữ liệu huấn luyện và tiền xử lý data modeling

Dữ liệu huấn luyện chất lượng cao là yếu tố then chốt để xây dựng một mạng neural hiệu quả. Quá trình tiền xử lý dữ liệu bao gồm làm sạch dữ liệu, chuẩn hóa dữ liệu và trích xuất các đặc trưng quan trọng. Mô hình hóa dữ liệu (data modeling) giúp hiểu rõ cấu trúc và phân phối của dữ liệu, từ đó lựa chọn kiến trúc mạng neural phù hợp.

III. Phương Pháp Học Sâu Mạng CNN RNN Transformer Network

Học sâu (deep learning) là một nhánh của trí tuệ nhân tạo (AI) sử dụng mạng neural sâu (deep neural networks) với nhiều lớp để học các biểu diễn phức tạp của dữ liệu. Các kiến trúc phổ biến bao gồm mạng CNN (mạng neural tích chập) cho nhận dạng ảnh và computer vision, mạng RNN (mạng neural hồi quy) cho dự đoán chuỗi thời gian và xử lý ngôn ngữ tự nhiên (NLP), và mạng biến áp (transformer network) cho mô hình ngôn ngữ lớn (LLM) như GPT và BERT.

3.1. Mạng CNN và ứng dụng trong computer vision

Mạng CNN (Convolutional Neural Network) là một loại mạng neural đặc biệt hiệu quả trong việc xử lý ảnh. Các lớp tích chập cho phép mạng CNN học các đặc trưng cục bộ của ảnh, trong khi các lớp gộp giúp giảm số lượng tham số và tăng tính bất biến. Mạng CNN được sử dụng rộng rãi trong các ứng dụng như nhận dạng ảnh, phát hiện đối tượng và phân loại ảnh.

3.2. Mạng RNN và ứng dụng trong xử lý ngôn ngữ tự nhiên

Mạng RNN (Recurrent Neural Network) là một loại mạng neural được thiết kế để xử lý chuỗi dữ liệu. Các kết nối hồi quy cho phép mạng RNN duy trì trạng thái ẩn, giúp nó ghi nhớ thông tin từ các bước thời gian trước đó. Mạng RNN được sử dụng rộng rãi trong các ứng dụng như xử lý ngôn ngữ tự nhiên, dịch máy và dự đoán chuỗi thời gian.

3.3. Mạng Transformer và mô hình ngôn ngữ lớn LLM

Mạng Transformer là một kiến trúc mạng neural mới nổi, dựa trên cơ chế tự chú ý (self-attention). Mạng Transformer đã đạt được những thành công vượt trội trong xử lý ngôn ngữ tự nhiên, đặc biệt là trong việc xây dựng mô hình ngôn ngữ lớn (LLM) như GPT và BERT. Các mô hình ngôn ngữ lớn có khả năng tạo ra văn bản, dịch ngôn ngữ và trả lời câu hỏi một cách tự nhiên.

IV. Học Chuyển Giao Fine tuning Tối Ưu Hiệu Quả Mạng Neural

Học chuyển giao (transfer learning) là một kỹ thuật cho phép sử dụng kiến thức đã học từ một nhiệm vụ để cải thiện hiệu suất trên một nhiệm vụ khác. Fine-tuning là một phương pháp học chuyển giao trong đó các tham số của một mạng neural đã được huấn luyện trước được điều chỉnh trên một tập dữ liệu mới. Học chuyển giao và fine-tuning có thể giúp giảm thời gian huấn luyện và cải thiện độ chính xác (accuracy) của mạng neural, đặc biệt khi dữ liệu huấn luyện hạn chế.

4.1. Lợi ích của học chuyển giao trong deep learning

Học chuyển giao giúp tận dụng kiến thức đã học từ các mô hình lớn trên các tập dữ liệu khổng lồ, giảm đáng kể thời gian và chi phí huấn luyện cho các nhiệm vụ mới. Nó đặc biệt hữu ích khi dữ liệu cho nhiệm vụ mới hạn chế.

4.2. Kỹ thuật fine tuning và ứng dụng thực tế

Fine-tuning là quá trình điều chỉnh các tham số của một mô hình đã được huấn luyện trước trên một tập dữ liệu mới. Quá trình này thường bắt đầu bằng việc 'đóng băng' một số lớp đầu tiên của mô hình và chỉ huấn luyện các lớp cuối cùng. Sau đó, có thể 'mở băng' các lớp đầu tiên và huấn luyện toàn bộ mô hình với tốc độ học nhỏ hơn.

4.3. Các chiến lược tối ưu hóa trong học chuyển giao

Các chiến lược tối ưu hóa trong học chuyển giao bao gồm lựa chọn mô hình được huấn luyện trước phù hợp, xác định lớp nào cần 'đóng băng' hoặc 'mở băng', và điều chỉnh tốc độ học cho phù hợp với từng lớp. Việc lựa chọn chiến lược phù hợp phụ thuộc vào sự tương đồng giữa nhiệm vụ gốc và nhiệm vụ mới.

V. Ứng Dụng Thực Tế Của Mạng Neural Từ Y Tế Đến Tài Chính

Ứng dụng mạng neural ngày càng trở nên phổ biến trong nhiều lĩnh vực, bao gồm y tế, tài chính, giao thông vận tải và sản xuất. Trong y tế, mạng neural được sử dụng để chẩn đoán bệnh, phân tích ảnh y tế và phát triển thuốc mới. Trong tài chính, mạng neural được sử dụng để dự đoán thị trường chứng khoán, phát hiện gian lận và quản lý rủi ro. Trong giao thông vận tải, mạng neural được sử dụng để điều khiển xe tự lái và tối ưu hóa luồng giao thông.

5.1. Mạng neural trong chẩn đoán bệnh và phân tích ảnh y tế

Mạng neural có khả năng phân tích ảnh y tế (như ảnh X-quang, ảnh MRI) để phát hiện các dấu hiệu bất thường, giúp bác sĩ chẩn đoán bệnh nhanh chóng và chính xác hơn. Chúng cũng có thể được sử dụng để dự đoán nguy cơ mắc bệnh dựa trên dữ liệu bệnh sử và kết quả xét nghiệm.

5.2. Mạng neural trong dự đoán thị trường chứng khoán và phát hiện gian lận

Mạng neural có thể phân tích dữ liệu thị trường chứng khoán (như giá cổ phiếu, khối lượng giao dịch) để dự đoán xu hướng giá trong tương lai. Chúng cũng có thể được sử dụng để phát hiện các giao dịch bất thường có thể là dấu hiệu của gian lận.

5.3. Mạng neural trong xe tự lái và tối ưu hóa luồng giao thông

Mạng neural là thành phần quan trọng trong hệ thống điều khiển xe tự lái, giúp xe nhận biết môi trường xung quanh (như biển báo, người đi bộ, xe khác) và đưa ra quyết định lái xe an toàn. Chúng cũng có thể được sử dụng để tối ưu hóa luồng giao thông bằng cách điều chỉnh thời gian đèn tín hiệu và hướng dẫn người lái xe chọn lộ trình tối ưu.

VI. Tương Lai Của Mạng Neural Lượng Tử Sinh Học

Tương lai của mạng neural hứa hẹn nhiều đột phá, với sự phát triển của mạng neural lượng tử (quantum neural network) và mạng neural sinh học (biological neural network). Mạng neural lượng tử có tiềm năng giải quyết các bài toán phức tạp mà mạng neural truyền thống gặp khó khăn. Mạng neural sinh học lấy cảm hứng trực tiếp từ cấu trúc và chức năng của não bộ, hứa hẹn mang lại những mô hình trí tuệ nhân tạo mạnh mẽ và linh hoạt hơn.

6.1. Tiềm năng của mạng neural lượng tử

Mạng neural lượng tử sử dụng các bit lượng tử (qubit) để lưu trữ và xử lý thông tin, cho phép thực hiện các phép tính phức tạp hơn so với mạng neural truyền thống. Chúng có tiềm năng giải quyết các bài toán tối ưu hóa, mô hình hóa dữ liệu và học máy mà mạng neural truyền thống gặp khó khăn.

6.2. Mạng neural sinh học và mối liên hệ với khoa học thần kinh

Mạng neural sinh học lấy cảm hứng trực tiếp từ cấu trúc và chức năng của não bộ, cố gắng mô phỏng các nơ-ron, synapse và kết nối thần kinh một cách chính xác hơn. Nghiên cứu trong lĩnh vực khoa học thần kinh cung cấp những hiểu biết sâu sắc về cách não bộ hoạt động, giúp cải thiện thiết kế và hiệu suất của mạng neural sinh học.

6.3. Các xu hướng nghiên cứu mới trong lĩnh vực mạng neural

Các xu hướng nghiên cứu mới trong lĩnh vực mạng neural bao gồm phát triển các kiến trúc mạng neural mới, cải thiện các thuật toán tối ưu hóa, và khám phá các ứng dụng mới trong các lĩnh vực như học tăng cường (reinforcement learning), mô hình hóa dữ liệu và trí tuệ nhân tạo giải thích được.

Nội dung chính

Tổng quan nghiên cứu

Chữ Nôm là thành tựu văn hóa đặc sắc, đóng vai trò là phương tiện văn tự duy nhất ghi lại tiếng nói và lịch sử dân tộc Việt Nam suốt 10 thế kỷ, từ thế kỷ 10 đến thế kỷ 20. Trong suốt 24 năm từ năm 1788 đến năm 1802 dưới triều đại Tây Sơn, toàn bộ văn bản hành chính quốc gia đều được ban hành bằng chữ Nôm. Kho tàng di sản hiện nay còn lưu giữ gần 800 đầu sách chữ Nôm tại Viện Nghiên cứu Hán Nôm, trong đó các lĩnh vực văn chương, tâm linh và y học chiếm tới 66% tổng số tư liệu. Tuy nhiên, mới chỉ có khoảng 300 đầu sách xác định được niên đại chính xác và ước tính có khoảng 25.000 ký tự chữ Nôm từng được sử dụng trên thực tế.

Thực trạng suy giảm số lượng chuyên gia tinh thông chữ Nôm đang đặt ra nguy cơ mai một nghiêm trọng nguồn tri thức lịch sử quý báu. Bài toán số hóa tự động thông qua công nghệ nhận dạng ký tự quang học (OCR) cho chữ Nôm trở thành nhiệm vụ cấp thiết của ngành công nghệ thông tin. Nghiên cứu tập trung giải quyết bài toán nhận dạng chữ Nôm đơn lẻ từ ảnh quét tài liệu sang mã Unicode chuẩn, nhằm phục vụ công tác tra cứu tự động và bảo tồn di sản văn hóa số.

Ý nghĩa học thuật và thực tiễn của công trình thể hiện qua việc xây dựng thuật toán phân loại hiệu năng cao, mở đường cho các ứng dụng nhận dạng văn bản cổ trên thiết bị di động và hệ thống tra cứu bảo tàng, giảm hơn 80% thời gian xử lý thủ công của các nhà nghiên cứu lịch sử.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng Lý thuyết học thống kê của Vladimir Vapnik (1995) với trọng tâm là mô hình Máy véc-tơ hỗ trợ (Support Vector Machine - SVM). SVM hoạt động dựa trên nguyên lý cực đại hóa khoảng cách lề (margin) giữa các siêu phẳng phân cách, giúp tối thiểu hóa cận trên của sai số kỳ vọng thay vì chỉ tối thiểu hóa sai số kinh nghiệm. Để xử lý tính chất phân tách phi tuyến của dữ liệu hình ảnh, mô hình tích hợp kỹ thuật hàm nhân (Kernel trick) thỏa mãn điều kiện Mercer, ánh xạ không gian giả thiết n-chiều sang không gian đặc trưng d-chiều có số chiều cao hơn hoặc vô hạn.

Trong bài toán nhận dạng đa lớp với hàng trăm ký tự, mô hình triển khai chiến lược phân loại Một-đối-Một (One-Versus-One - OvO). Đồng thời, nguyên lý chia để trị được áp dụng thông qua thuật toán phân cụm K-Means, đóng vai trò là tầng phân nhóm sơ bộ nhằm giảm thiểu độ phức tạp tính toán trước khi đưa vào các bộ phân loại SVM chi tiết.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm sử dụng bộ dữ liệu mẫu NOM-DB0 được chuẩn hóa độc lập. Cỡ mẫu nghiên cứu bao gồm 495 lớp ký tự chữ Nôm phổ biến, mỗi ký tự gồm 24 mẫu ảnh đại diện đã được cắt biên và khử nhiễu tiền xử lý, tạo nên tập dữ liệu tổng cộng 11.880 ảnh mẫu nhị phân chuẩn hóa kích thước. Phương pháp chọn mẫu tập trung vào các ký tự xuất hiện với tần suất cao trong các tác phẩm kinh điển như Truyện Kiều bản in năm 1866 kết hợp các mẫu chữ chuẩn hóa từ kho dữ liệu số NomNa.

Phương pháp phân tích trích chọn đặc trưng sử dụng kỹ thuật phân vùng trọng số lưới (Zoning). Ảnh ký tự được chia thành lưới 3x3 ô vuông để tính toán mật độ điểm đen và phân bố xác suất điểm đen, tạo thành véc-tơ đặc trưng cố định. Lý do lựa chọn mô hình phân cấp KSVM kết hợp K-Means và SVM OvO là nhằm khắc phục triệt để hạn chế bùng nổ số lượng bộ phân loại bậc hai của SVM thuần túy khi số lớp n đạt 495, đồng thời duy trì độ chính xác tối ưu trong từng cụm nhỏ.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thực nghiệm đối sánh hiệu năng phân loại trên tập dữ liệu NOM-DB0 đã ghi nhận 4 phát hiện quan trọng:

• Mạng nơ-ron nhân tạo truyền thẳng (ANN) huấn luyện bằng thuật toán lan truyền ngược kết hợp kiểm chứng chéo K-Fold chỉ đạt độ chính xác khiêm tốn khoảng 70%, đồng thời thời gian huấn luyện kéo dài nhiều ngày do không gian trọng số quá lớn.
• Phương pháp cấu trúc dựa trên so khớp khoảng cách soạn thảo (String Edit Distance) đạt tỷ lệ nhận dạng khoảng 82%, nhưng gặp hạn chế lớn khi hình thái chữ bị nhiễu nét hoặc đứt đoạn.
• Mô hình phân cấp KSVM đề xuất đạt độ chính xác vượt trội trên 88%, rút ngắn thời gian huấn luyện và nhận dạng xuống hơn 60% so với phương pháp SVM OvO đơn tầng truyền thống.
• Thống kê ngôn ngữ học chỉ ra tỷ lệ chữ Nôm tự tạo chiếm tới 44,3% trong các tác phẩm thế kỷ 20, trong khi các chữ mượn nguyên dạng chữ Hán giảm từ 89,5% ở thế kỷ 15 xuống 55,7%. Điều này lý giải vì sao các phần mềm thương mại như ABBYY FineReader 11 hay Readiris Pro 11 (đạt 98% trên chữ Hán) đều suy giảm nghiêm trọng độ chính xác khi nhận dạng chữ Nôm thuần Việt.

Thảo luận kết quả

Nguyên nhân chính giúp thuật toán KSVM đạt hiệu năng vượt trội là việc phân chia không gian 495 lớp thành các cụm đại diện thông qua K-Means ở giai đoạn 1, sau đó sử dụng SVM OvO để tinh chỉnh ranh giới quyết định ở giai đoạn 2. Điều này giải quyết bài toán mất cân bằng mẫu nghiêm trọng của mô hình Một-đối-Phần còn lại (OvR).

Dữ liệu thực nghiệm có thể được mô tả trực quan qua ma trận nhầm lẫn đa chiều, thể hiện rõ các cụm chữ có cấu trúc bộ thủ tương đồng như bộ Thủy, bộ Mộc hay bộ Tâm. Biểu đồ phân bố mật độ điểm đen lưới 3x3 minh chứng rằng các đặc trưng thống kê vùng có khả năng phân biệt hình học tốt hơn các đặc trưng số nét đơn thuần. Kết quả này khẳng định nhận dạng chữ tượng hình phức tạp bắt buộc phải kết hợp giữa phương pháp học máy thống kê và cấu trúc phân tầng.

Đề xuất và khuyến nghị

• Mở rộng quy mô cơ sở dữ liệu ký tự: Viện Nghiên cứu Hán Nôm cùng các trường đại học cần liên kết triển khai thu thập thêm 20.000 ký tự Nôm hiếm gặp, nâng tổng số mẫu ảnh số hóa lên trên 100.000 mẫu chuẩn trước năm 2025.
• Tích hợp mạng học sâu vào mô hình phân cấp: Nhóm nghiên cứu công nghệ thông tin cần tiếp tục phát triển kiến trúc mạng nơ-ron tích chập (CNN) kết hợp cùng KSVM, hướng tới mục tiêu nâng độ chính xác nhận dạng đạt mốc 95% trong 12 tháng tới.
• Phát triển ứng dụng OCR di động thời gian thực: Các doanh nghiệp phần mềm phối hợp cơ quan văn hóa xây dựng ứng dụng quét ảnh dịch tự động chữ Nôm trên điện thoại thông minh, phục vụ khách tham quan di tích và nhà nghiên cứu thực địa trong vòng 2 năm.
• Hoàn thiện mã hóa chuẩn quốc tế: Bộ Thông tin và Truyền thông chủ trì đề xuất với tổ chức ISO bổ sung hơn 2.200 ký tự Nôm tự tạo còn lại vào không gian mã Unicode Extension C/D nhằm tạo nền tảng đồng bộ dữ liệu số toàn cầu.

Đối tượng nên tham khảo luận văn

• Nhà nghiên cứu Hán Nôm và sử học: Cung cấp phương pháp tiếp cận khoa học dữ liệu để tự động hóa quá trình giải mã, tra cứu kho thư tịch cổ gồm 25.000 ký tự Nôm nhanh chóng.
• Kỹ sư thị giác máy tính và trí tuệ nhân tạo: Cung cấp thiết kế chi tiết về giải thuật phân lớp phân cấp KSVM, kỹ thuật trích chọn đặc trưng phân vùng và cách giải quyết bài toán phân loại đa lớp quy mô lớn.
• Học viên cao học và sinh viên ngành Công nghệ phần mềm: Nguồn tài liệu học thuật giá trị về ứng dụng SVM, phương pháp tiền xử lý ảnh nhị phân và quy trình thiết kế hệ thống OCR hoàn chỉnh.
• Cơ quan quản lý di tích và bảo tàng số: Định hướng giải pháp kỹ thuật để chuyển đổi số văn bia, sắc phong và tư liệu Hán Nôm thành tài nguyên du lịch tương tác.

Câu hỏi thường gặp

Tại sao không thể sử dụng trực tiếp các phần mềm OCR tiếng Trung cho chữ Nôm?

Chữ Nôm chứa tới 44,3% ký tự tự tạo hoàn toàn không tồn tại trong kho chữ Hán chuẩn. Cấu trúc chữ Nôm thường kết hợp hai chữ Hán lại thành một chữ đơn, làm tăng mật độ nét lên trung bình hơn 16 nét mỗi chữ. Các bộ từ điển và mô hình ngôn ngữ tiếng Trung của Tesseract hay ABBYY không chứa bảng mã và cấu trúc ngữ nghĩa này, dẫn đến tỷ lệ nhận dạng sai lệch rất lớn.

Thuật toán KSVM giải quyết hiện tượng quá tải tính toán của SVM như thế nào?

Khi số lớp n đạt 495, mô hình SVM OvO thông thường đòi hỏi tới 122.265 bộ phân loại nhị phân. KSVM giải quyết triệt để vấn đề này bằng cách dùng K-Means chia dữ liệu thành k cụm nhỏ ở giai đoạn đầu. Giai đoạn hai chỉ kích hoạt các bộ SVM tương ứng bên trong cụm mục tiêu, giúp giảm hơn 60% số lượng phép tính mà vẫn giữ vững độ chính xác phân loại.

Bộ dữ liệu NOM-DB0 trong nghiên cứu được thu thập và tiền xử lý ra sao?

NOM-DB0 bao gồm 495 chữ Nôm tiêu biểu, mỗi chữ có 24 mẫu ảnh được thu thập từ các bản in Truyện Kiều cổ và phông chữ chuẩn hóa của nhóm NomNa. Toàn bộ ảnh được đưa qua công đoạn nhị phân hóa, khử nhiễu đường biên, cắt sát khung chữ và chuẩn hóa về cùng một kích thước ma trận pixel trước khi trích xuất đặc trưng.

Độ chính xác của mô hình KSVM vượt trội hơn các giải pháp trước đây ở điểm nào?

Các thử nghiệm trước đây dùng mạng nơ-ron lan truyền ngược chỉ đạt khoảng 70% và phương pháp so khớp khoảng cách chuỗi đạt 82%. KSVM nâng độ chính xác lên trên 88% nhờ khả năng xác định siêu phẳng tối ưu lề cực đại kết hợp hàm nhân phi tuyến, loại bỏ hiện tượng cực tiểu cục bộ của mạng nơ-ron truyền thống.

Kết quả nghiên cứu có thể tích hợp vào các thiết bị di động thực tế được không?

Mô hình KSVM có cấu trúc tối ưu hóa với dung lượng tính toán nhỏ gọn sau khi huấn luyện. Sau khi hoàn thiện module tiền xử lý tách dòng, mô hình hoàn toàn có thể nhúng vào các ứng dụng chạy trên hệ điều hành Android hoặc iOS để nhận diện chữ Nôm trực tiếp qua camera với thời gian phản hồi dưới 1 giây.

Kết luận

• Luận văn đã giải quyết thành công bài toán nhận dạng chữ Nôm đơn lẻ có số lớp lớn bằng giải thuật phân cấp KSVM kết hợp K-Means và Máy véc-tơ hỗ trợ.
• Xây dựng thành công bộ dữ liệu mẫu thực nghiệm NOM-DB0 gồm 11.880 ảnh mẫu chuẩn hóa cho 495 lớp ký tự Nôm phổ biến.
• Đạt độ chính xác nhận dạng vượt trội trên 88%, vượt xa mức 70% của mạng nơ-ron nhân tạo truyền thống trên cùng tập dữ liệu.
• Làm sáng tỏ các đặc trưng hình thái, cấu trúc kết hợp ngữ âm - ngữ nghĩa của 25.000 ký tự Nôm phục vụ quá trình trích chọn đặc trưng tối ưu.
• Đặt nền móng vững chắc cho việc phát triển hệ thống Nom-OCR toàn diện, hướng tới tích hợp mô hình ngôn ngữ sâu trong giai đoạn tiếp theo.