జర్నల్ ఆఫ్ కంప్యూటర్ ఇంజనీరింగ్ & ఇన్ఫర్మేషన్ టెక్నాలజీ

బ్యాక్ ప్రోపగేషన్ న్యూరల్ నెట్‌వర్క్ (BPNN) ఆధారిత చేతివ్రాత గణిత సమీకరణాల గుర్తింపు

సాగర్ షిండే మరియు రాజేంద్ర వాఘులాడే

చేతితో వ్రాసిన గణిత చిహ్నాలు మరియు సమీకరణాల గుర్తింపు అనేది నమూనా గుర్తింపు రంగంలో క్లిష్టమైన మరియు సవాలుతో కూడిన సమస్య. సంక్లిష్టమైన చేతితో వ్రాసిన గణిత సమీకరణాలను గుర్తించడం అవసరం. గురుత్వాకర్షణ చట్టం, కన్వల్యూషన్ ఇంటిగ్రల్ మొదలైనవి. గుర్తులు, అక్షరాలు మొదలైన వాటి ఓవర్‌రైటింగ్ వంటి సమస్యలు గుర్తించబడతాయి మరియు గుర్తింపు రేటును మెరుగుపరచడానికి ఉత్తమ వర్గీకరణను ఎంచుకోవడం ద్వారా పరిష్కరించబడతాయి. గణిత సమీకరణాల గుర్తింపు యొక్క నిర్గమాంశ, ఖచ్చితత్వం మరియు మొత్తం సామర్థ్యాన్ని మెరుగుపరచడానికి మెరుగుపరచబడిన బహుళ లేయర్ ప్రిసెంటర్ ఫీడ్ ఫార్వర్డ్ బ్యాక్ ప్రొపగేషన్ న్యూరల్ నెట్‌వర్క్ అల్గారిథమ్ ఆఫ్‌లైన్ రీకగ్నిషన్‌తో మెషిన్ లెర్నింగ్ విధానం ఉపయోగించబడింది. హైబ్రిడ్ లక్షణాలు సంగ్రహించబడ్డాయి, అవి. సెంట్రాయిడ్, బౌండరీ బాక్స్, జోనింగ్ డెన్సిటీ, లైన్ సెగ్మెంట్ మొదలైనవి మరియు మొమెంటం ట్రైనింగ్ అల్గారిథమ్‌తో గ్రేడియంట్ డీసెంట్ ఉపయోగించబడింది. అనేక రకాల సమీకరణాలపై ప్రయోగాన్ని నిర్వహించడానికి అడాప్టివ్ లెర్నింగ్ ఉపయోగించబడుతుంది. ప్రయోగాత్మక ఫలితం ద్వారా, సిస్టమ్ మూల్యాంకనం చేయబడింది మరియు వివరించబడింది, ఇది సాధారణ మరియు సంక్లిష్టమైన గణిత సమీకరణాల గుర్తింపులో గణనీయమైన మెరుగుదల 93.5% ఖచ్చితత్వాన్ని చూపుతుంది. భవిష్యత్తులో ప్రస్తుత పద్దతి కాగిత రహిత పని మరియు డిజిటల్ ప్రపంచాన్ని ప్రారంభించడానికి కీలక కారకంగా ఉంటుంది.