| LEADER |
04808nam a22003497a 4500 |
| 001 |
1477978 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 459960
|a Al Sheyab, Mohammad Mahmoud Ali
|e Author
|
| 245 |
|
|
|a Offline Writer Identification for Arabic Handwriting Texts Based on a Scale Invariant Feature Transform (SIFT)
|
| 246 |
|
|
|a تحديد هوية كاتب النص العربي المكتوب بخط اليد باستخدام خوارزمية تحويل صفة الصورة الغير مرتبط بمقياس
|
| 260 |
|
|
|a المفرق
|c 2017
|
| 300 |
|
|
|a 1 - 61
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة آل البيت
|f كلية الأمير الحسين بن عبد الله لتكنولوجيا المعلومات
|g الاردن
|o 0087
|
| 520 |
|
|
|a مع التطورات المستمرة في مجال الاتصالات والمجالات الصناعية الأخرى يزداد الطلب على استخدام أنظمة التوثيق ذات المصداقية العالية. تستخدم هذه الأنظمة في العديد من أعمالنا اليومية بما في ذلك: الأعمال المصرفية نشر المعلومات وأنظمة التجار الإلكترونية والتجارة عبر الإنترنت. نظم تحديد هوية كاتب النص هي أحد أكثر أنظمة التوثيق شيوعا، بالرغم من التطور الهائل في الأنظمة إلا أنه لم يتم دراسة عملية التعرف على هوية الكاتب العربي كما هو الحال للكاتب اللاتيني أو الصيني حتى السنوات القليلة الماضية. تطوير أنظمة التعرف على هوية الكاتب العربي تواجه العديد من التحديات بما في ذلك خصائص الكتابة العربية، التشويش، وترقيق النص فضلا عن الملامح أو رسم الكتابة اليدوية؛ فإنه يتأثر بسهولة من الميل. في هذه الأطروحة قدمنا مقترح لنظام التعرف على هوية كاتب النصوص المختلفة المدخلة مسبقا باللغة العربية باستخدام خوارزميات (Scale Invariant Feature Transform (SIFT)) and (k-means clustering) للتعامل مع التحديات التي تواجه اللغة العربية. النظام المقترح يتكون من مرحلتين: التدريب والتعرف في مرحلة التدريب، تقوم خوارزمية (SIFT) باستخراج (SIFT descriptors (SD’s)) من النصوص المدخلة المكتوبة باليد، وبعد ذلك نطبق عليها خوارزمية (k-means clustering) لإنشاء مجموعة من المراكز لكل كاتب وتخزينها في سجل. في مرحلة التعرف، تقوم خوارزمية (SIFT) باستخراج ال (SDs) من النص المدخل لغاية الفحص المكتوب باليد ومن ثم مقارنتها مع (SDs) الموجودة في السجل للتعرف على كاتب هذا النص باستخدام (k-nearest neighbors matcher (k-NN)). تم استخدام قاعدة البيانات (IFN/ENIT) في النظام المقترح. في هذه الأطروحة تمت المقارنة بين ثلاث حالات من خلال تغيير عدد مراكز (SDs clusters) التي تم إنتاجها من خلال تطبيق خوارزمية (k-means clustering) والثلاث حالات هي (150.300.600) مركز. بينت النتائج أن أفضل نتيجة كانت عند تطبيق 300 مركز حيث أن نسبة التعرف كانت 81% كأعلى قيمة، 86% كأعلى ثاني قيمة و94% كأعلى ثالث قيمة. وكانت هذه النتائج أفضل عند مقارنتها مع (Chawki and Labiba, 2010).
|
| 653 |
|
|
|a أنظمة التوثيق
|a تحديد هوية كاتب النص
|a الخوارزميات
|
| 700 |
|
|
|9 423385
|a Al-Shatnawi, Atallah M.
|g Al Shatnawi, Atallah M.
|e Advisor
|
| 700 |
|
|
|9 459904
|a Batiha, Khaled
|e Advisor
|
| 856 |
|
|
|u 9802-005-012-0087-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9802-005-012-0087-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9802-005-012-0087-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9802-005-012-0087-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9802-005-012-0087-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9802-005-012-0087-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9802-005-012-0087-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9802-005-012-0087-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9802-005-012-0087-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9802-005-012-0087-O.pdf
|y الخاتمة
|
| 856 |
|
|
|u 9802-005-012-0087-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 855544
|d 855544
|
