基于神经网络方法的字符识别方法
基于神经网络的芯片表面字符检测识别系统
基于神经网络的芯片表面字符检测识别系统唐铭豆;陶青川;冯谦【摘要】在实际的生产线上通常会将功能检测完毕的芯片编号识别入库,传统的人工肉眼识别需要大量的人力和时间,而通常的图像字符识别分为字符检测和字符识别两个阶段,在字符检测和识别时部分方法精度较高如Faster R-CNN利用深度学习来检测目标,但却存在着时间较慢的问题,部分时间较快的方法如扫描线检测、模板匹配等方法精度却不够,因此提出一套包括硬件和软件完整的新的芯片表面编号快速且高精度的检测识别方案.在算法中,检测数字字符提出一种先二值化图像再查找连通区域并分割字符的方法来定位字符,其中对粘连字符提出一套依赖边缘轮廓进行分割的方法,识别字符采用改进的卷积神经网络,将传统方法与深度学习结合起来,从而达到快速且高精度的效果,平均检测识别率达95％以上,平均检测识别时间小于0.1秒.【期刊名称】《现代计算机（专业版）》【年(卷),期】2018(000)009【总页数】6页(P40-45)【关键词】字符识别;卷积神经网络;高精度;字符检测【作者】唐铭豆;陶青川;冯谦【作者单位】四川大学电子信息学院,成都 610065;四川大学电子信息学院,成都610065;四川大学电子信息学院,成都 610065【正文语种】中文0 引言当前，在许多车间工厂需要对产品进行测试，在生产、试验的各测试环节，需要将产品编号与测试数据一一对应地记录保存，以满足质量控制、跟踪管理等方面的要求。
而往往进行测试时，由于产品数量巨大以及产品失效等客观原因，产品编号和测试数据是分开管理的，在对产品进行测试前，需要先对产品进行排序，产品编号的记录工作通常采用人眼观察排序的方式，效率低下并易出错。
而通过计算机视觉技术，利用模式识别及人工智能相关算法来实现器件编号的自动识别与记录，可以极大地提高测试效率，提高准确率，减少人工，且实现产品编号和测试数据同时获取与记录保存，将非常有利于测试自动化程度的提高，对生产测试过程的效率起到极大的改善作用，并降低人工失误带来的损失。
基于BP神经网络的车牌字符识别
字 符识 别方 法对 噪 声 不 敏感 ， 较 好 的稳 定 性． 有 但 当字符 出现 断裂 、 分缺 失 时 ， 部 识别效 果 不理 想 ．
＊ 收稿 日期 ： ０ ０ １ － ６ ２ １ — １０ 基金 项 目 ：０ ８年 宿 迁 学 院 科 研 基 金 项 目 ２０ 作者简介 ： 沈 洋 （ ９ ９） 男 ， 苏 宿迁 人 ， 教 ． １７一， 江 助
定 位 ， 符 分割 与字 符 识别 。 字
所谓 字 符识 别 即是 使 用 模 式 识 别 的技 术 在 前 面 定位 的 车 牌 图 像 中 准 确 的 识 别 出 车 牌 号 码 ， 当 前 ， 究 者对 字符 识 别 主要 采用 模 板 匹 配法 ［ 、 研 １ 统 ］
间 ， 训练 好 的神 经 网 络 可 以 很 有 效 的用 于识 别 但 字 符． 目前 ， 出并 应用 于 模 式识 别 领 域 的神 经 网 提 络模 型 己 有 近 百 种 ， 中应 用 广 泛 且 识 别 效 率 较 其 好 的有 ： Ｐ网 络 ， ｐｉｌ Ｂ Ｈｏ ｆ ｄ网络 ， ｅ ＡＲＴ 网络 等． 而 在这 些 网络 之 中 Ｂ Ｐ神 经 网络 因为 具 有 较 好 的 自 学 习能力 、 大 的分类 能 力 和 容错 能力 ， 使 用 最 强 故
为广 泛．
计模 式识 别 法［ 等 几 种识 别 方法 ． ２ ］
１ １ 符 特 征 与 图 像 库 中 的 字 符特 征相 匹配 ， 符 相 似 度 最 高 的 即 为识 别 结 果 ． 字
这 种识 别 方法 简单 、 速 ， 规 整 字 符 的识 别 率 比 快 对 较 高 ， 在 字符 变形 等 情况 下 ， 别能 力有 限． ． 但 识
基于改进的BP神经网络下的字符识别
基于改进 的 Ｂ Ｐ神经 网络下的字符识别
陆 玉 ’ ， 张 华 ２
（ １ ． 阜 阳职 业技 术学 院 人 文社科 系 ； ２ ． 阜 阳职 业技 术学 院 实训 中心 ， 安徽 阜 阳 ２ ３ ６ ０ ３ １ ）
摘要 ： 我 国 字符 一般 由 汉 字 、 英 文 字母 以及 阿 拉 伯 数 字 组 成 ， 字符 图 片 的 类 型 众 多给 字 符 的 识 别 带 来 了很 多 困难 ． 参 照 目前 现 有人 工 智 能 算 法 的优 点 ， 结合 了 字 符特 征提 取 方 法 设 计 了一 个 改 进 的 Ｂ Ｐ神 经 网络 对 归一 化 后 的 三 类 字 符
２ 基于改进的 Ｂ Ｐ神 经 网络 下 的 字 符 识 别
２ ． １ 神 经 网络理 论描 述
神 经 网络 Ｅ Ｓ ｌ （ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ） 是 由大量 神经 元 广泛 连 接 而成 的 网络 ． 它是 一 个 多层 前馈 网络 ， 由输 入层 、
收 稿 日期 ： ２ ０ １ ３ 一 ｌ ｌ 一 ２ ４ 基金项 目： 阜 阳 职业 技 术学 院 ２ ０ １ ３年 校 级 科 研 项 目 （ ２ ０ １ ３ Ｊ Ｋ Ｙ ＸＭ１ １ ） ．
现联 系 ， 这样 每一 层 的神 经元 可 以影 响 到与 它相 连接 的下 一层 的神经 元 ， 进而 实 现 网络 的递进 式 管理 ． 上述 ３层 Ｂ Ｐ神经 网络 是最 常见 到 的 网络 ， 但是 Ｂ Ｐ神 经 网络 并 不仅 限于 ３层 ， 可 以 由多 层构 成．
２ ． ２ 传统的 Ｂ Ｐ网络存 在 的缺 陷及 其原 因
真 及平 均灰 度值 的变 化等 都会 严重 影 响到实 际 匹配效 果． （ ２ ） 统计 决 策 法需 要 大量 的历史 样 本 和数 值计 算 作 为前 提 来 提取 待识 别 字符 的统 计 特 征 ， 通 过 确保 类 内差距 极 小化 ， 类 间差距 极大 化来 形成 具有 突 出特征 的多 维特 征 向量．
基于神经网络的手写字体识别系统设计与实现
基于神经网络的手写字体识别系统设计与实现Ⅰ.引言手写字体识别是一项重要的研究领域，它应用广泛，如优化自然语言处理，权重调整和电子商务等方面。
近年来，神经网络在手写字体识别领域得到了广泛应用，因为它可以从输入数据中自动进行特征提取，并能够学习复杂的非线性映射关系。
本文将介绍基于神经网络的手写字体识别系统的设计与实现。
Ⅱ.方法A. 数据处理本文利用EMNIST数据集进行实验，该数据集是一个包含28 x 28像素图像的大型手写数字和字符数据集。
经过处理，数据集被划分为训练集、验证集和测试集。
训练集包含85,000个样本，验证集包含15,000个样本，测试集包含10,000个样本。
B. 神经网络模型我们设计了一种基于卷积神经网络（CNN）的手写字体识别模型。
它包括两个卷积层和两个池化层，随后是两个全连接层和一个输出层。
每个卷积层后面跟着一个ReLU激活函数，全连接层也是如此。
在最后一层，输出层包括10个神经元，每个神经元对应一个数字类别。
C. 模型训练本文使用Adam优化器和交叉熵损失函数进行了模型的训练。
经过调整，当学习率设置为0.001时，模型可以有较好的训练效果。
在训练期间，我们在验证集上监控了分类准确率，从而选择最优的模型。
D. 模型评价我们评估了我们所建立的手写字体识别系统，在测试集上的分类准确率。
结果表明，该模型能够实现92%以上的分类准确率。
Ⅲ.结果本文所建立的手写字体识别系统采用了基于卷积神经网络的方法。
我们将EMNIST数据集分为三个部分：训练集，验证集和测试集。
训练集用于训练模型，验证集用于选择最优模型，测试集用于评价最终的分类效果。
结果表明，该系统具有较高的分类准确率。
Ⅳ.讨论与结论本文介绍了一种基于神经网络的手写字体识别系统的设计与实现。
通过对EMNIST数据集进行训练和测试，我们发现该系统具有较好的分类效果。
我们还发现，比较模型的准确性和速度非常重要。
我们需要在保证准确性的基础上，不断寻找更快速的模型，以提高识别效率。
基于PCA和BP神经网络算法的车牌字符识别
分分析法对原始样本数据进行分类， 然后 由Ｂ Ｐ神经 网络法对拒识样本进行识别。研 究结果 表明， 与传统的单一识别方法相 比， 提高 了识别正确率， 减少 了训练 时间。
关键 词 ： 主成分 分析 （ Ｃ ；Ｐ神 经 网络 ； Ｐ Ａ） Ｂ 字符识 别
中图分类 号 ： Ｐ ５ Ｔ７１ 文献标 识码 ： Ａ
Ｋｅ ｏ ｄ ：ｒ ｃ ａ ｃｍ ｏｅｔ ａ ｓ Ｐ Ａ） Ｂ ｅ ａ ｎｔｏｋ ｃａａｔ ｃｇｉｏ ｙｗ ｒｓ ｐ ｎ ｉ ｏ ｐｎｎ ｌ ｉ Ｃ ； Ｐ ｎｕｌ ｅ ｒ ；ｈｒｃ ｒ ｅｏｎ ｉ ｉ ｐ ｌ ｎ ａ ｙ ｓ（ ｒ ｗ ｅｒ ｔｎ
Ｂ Ｐ神 经 网络是 目前 应 用 较 多 的一 种 目标 分 类 器 。利 用其 对 目标 进行 分类 ， 前 端输 人 太 多 的样 若
基 于 Ｐ Ａ和 Ｂ Ｃ Ｐ神 经 网络 算 法 的车 牌字 符 识 别
闫雪梅， 王晓华， 夏兴高
（ 北京理工大学信息科学技术学院电子工程 系， 北京 １０ ８ ） ００ １
摘 要 ： 文章采 用 了双重 Ｐ Ａ算 法链接 Ｂ Ｃ Ｐ神 经 网络 的方 法对 车 牌 字 符进 行 识别 。先 由主 成
其中， 是特征向量矩阵； 是样本均值； ｃ 目标 Ⅳ是 类别的数 目； 表示 ｋ 目 类 标的训练图像数。
基 金项 目： 国家 自然科学基 金资助项 目（０ ７ １０ 。 ６ ４ ２ １ ） 作者简介 ： 闷雪梅 （９ ６一） 女， １６ ， 讲师 ， 究方 向为图像 处理与 研 模式识别 。Ｅ ｍ ｉ ｘ ｙ ｍ ｙｎ ｉ ．ｏ — ａ ： ｍ ｍ ａ＠ｓ ａｃｒ ｌｍ ｎ ｎ 收 稿 日期 ：０ ７０ － 修 订 日期 ：０ ７０ －９ ２ ０ －４０ ４； ２０ －４０
基于改进型BP神经网络的字符识别算法研究
摘要 ： 神 经 网络被 广泛地应用 于字符识 别， 通过对其难点 问题 的分析 ， 为 了提 高字符识别率 ， 本文应 用改进型 Ｂ Ｐ神 经 网络进行 字符识别 ， 该算法识别率 高， 速度快 ， 可适用 于多种 高噪声环境 中， 实用性很 强。
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｎｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｉ ｓ ｗ ｉ ｄ ｅ ｌ ｙ印ｐ ｌ ｉ ｅ ｄ ｆ ｏ ｒ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ．Ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｔ ｈ ｅ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ｏ ｆ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ，ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｚ ｅ ｓ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｂ ｙ ｔ ｈ ｅ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ Ｂ Ｐ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ，Ｓ Ｏ ａ ｓ ｔ ｏ ｉ ｍｐ ｍｖ ｅ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｒ ａ ｔ ｅ ． ｈ ｉ Ｔ ｓ ｍｅ ｔ ｈ ｏ ｄ ｈ ａ ｓ ｈ ｉ ｇ ｈ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｒ ａ ｔ ｅ ， ｆ ａ ｓ ｔ
・
２ ０ ６・
价 值 工 程
基 于改进型 Ｂ Ｐ神经 网络 的字符识别算 法研 究
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏｎ Ｃｈａ ｒ ａ ｃ ｔ ｅ ｒ Ｒｅ ｃ ｏ ｇ ｎｉ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏｒ ｉ ｔ ｈｍ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｉ ｍ ｐｒ ｏ ｖ ｅ ｄ ＢＰ Ｎｅ ｕｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ
１ ． １结 构 识 别 结 构 识 别 是 早 期 字符 识 别 的 研 究 的 主 要方法 ， 我 们 也 可 以 称 之 为 句 法 结 构 识 别 。 其 思 想 是 提 取
基于MATLAB神经网络工具箱的字符识别
０ 引 言
自从 有 了能 够存 储信 息 ， 算 ， 能进 行 逻辑 判断 的 运 并 电子计算机 以来 ， 计算机 的功 能和性 能研 究得 到了飞 速的 发展 ，使机 器智能 的研究 与开发 也 日益受 到人们 的重视 。 我们这 里讨 论 的是一 种前 馈神 经 网络 去解 决 字符 识别 问 题。 字符识别 问题 与简单 的人类视觉 任务相关 而不 是纯粹
ｙ
： ｆ （） 中ｙ（ 在 藏 －中 （ （ ｙ ｔ 其 ： 【 隐 层１ ｔ ∑ｗ ） ） ＝ ） ） 一 １
ｉ ＝０
神经元的ｊ 的输 出量 或者 是 输入 向量 的 第 ｊ 元 素 ；④ 个
自适 应权 从输 出节点 开始 返 回到隐藏 层节点 。 （ ）： Ｏ 【 Ｙ 【 … ｗ）（ ）＋ ８ ）
ＶＯ１ Ｎｏ． ．９． ６ １ Ｎｏｖ．ｏ０ ． ２ ６
基 于 ＭＡ Ｌ Ｂ神 经 网络 工具 箱 的字 符 识 别 ＴＡ
张 文卿 ，谭 宇硕 ，刘旭 光
（ ． 家 庄 学 院 教育 技 术 系 ，河 北 石 家庄 １ 石 ０ ０ ３ ；２华 北 电力 大学 机 械 学 院 ，河北 保 定 ５０ ５ ． ０ １０ ） ７ ０３
法 则 ，这 个 法 则 包 括 通 过 不 同 层 的 一 个 前 向 传 输 和 一 个
空间 中处理对 象 ， 以这一 过程有 很明显 的实用价值 。 所
１ 神 经 网络
神 经 网络最 突 出的特 征是 从周 围环境 学 习的 能力 和 通 过学 习完 善 自身执 行能 力 的特 性 。我们 可 以把这 种 学 习过程 描述 成改 变神 经 网络 自由参量 的过 程 。研 究神 经 网络 意味着 改变 那些 未知 的 参量 或者 网络 权 。神 经 网络 用 于解 决 字符识 别 问题 的主 要优 势是 其研 究 数据 的 能力 和受 到噪声 干扰 时仍 然 能较 为正常工 作 的特性 。 前馈 神经 网络结 构体 系 是神 经 元 以层 的形式 组 成 网 络 的基础 ，一个 单层 前 馈神 经 网络 有一 个 由源结 点组 成 的输 入层 为输 出层输 入 数据 ，其 中这个 输入 层 是 由神经 元组 成 。而 多层前 馈神 经 网络 另外 还 有一 个或 者 多个 隐 藏 层 。我们将 考 虑一 个 以多层 感 知器 闻名 的 多层前 馈 神 经 网络 。这些 感知器 是 由一 个简单 的后 向算 法训练 而成 。 Ｆａ ｋＲ ｓｂａｔ ｒｎ ．ｏｅｌｔ 的感 知器 是 以执 行一 些模仿 识别 任务 为 目 标 的模 型。它 由一 个具有 传递 函数 的线性 合成器 构成 。
基于神经网络的手写识别技术实现
基于神经网络的手写识别技术实现随着科技的发展和计算机技术的日新月异，人工智能的应用越来越广泛，尤其是在图像处理和分析领域中，人工智能有了更广泛的应用。
其中一项重要的应用就是手写识别技术。
随着社会的发展，越来越多的人选择使用数字化设备来记录信息，比如手机、电脑等等。
但是，手写和纸笔的使用仍然是非常普遍的。
因此，手写识别技术的研究和发展已经成为了当下人工智能领域的重要课题之一。
手写文字识别是将手写的数字或字符转换为数字化形式的一种技术。
实现此技术需要克服很多困难，包括人的手写习惯的差异性、书写质量的不同、书写速度的变化以及文本的方向等问题。
但是，神经网络技术的出现使得手写识别技术实现更为可行。
简单来说，神经网络是一种由多层节点组成的类似于人脑的计算机系统。
每个节点代表着一个向量或一个数字，这使得神经网络系统能够对输入的数据进行复杂的处理和分析。
因此，神经网络技术的应用已经涉及到许多领域，如图像分类、物品识别、自然语言处理和机器翻译等等。
在手写识别领域中，神经网络的应用主要有两种方法：传统的神经网络和卷积神经网络。
传统的神经网络由输入层、中间层和输出层组成。
它可以接收输入的手写数字和文字，并将其识别为数字或文字输入到输出层中。
传统的神经网络的效果受到了许多因素的干扰，如书写角度、笔画形状和纸张质量等。
卷积神经网络则是一种更为复杂的神经网络模型。
它通过卷积层、池化层和全连接层的组合来识别手写输入。
在卷积层中，神经网络可以检测输入数据的形状或图案，而在池化层中，网络会缩小图案的特征值和大小。
最后，在全连接层中，网络可以对得到的简化图案进行分类并输出结果。
目前，卷积神经网络在手写识别领域中的效果是最好的。
手写数字和字母输入是手写识别技术的最基础需求，但可能还需要更丰富的数据，比如手写汉字、签名、所写单词的语义识别等。
这些更加复杂的情况需要更加精细的神经网络设计和更高效的训练方法。
在二十一世纪初期的手写识别研究中，研究者们通常使用传统的基于概率的方法来训练神经网络模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
论文写作与规范
题目：基于神经网络方法的字符识别方法
学号： 210802102
专业：计算机系统结构
姓名：靳飞飞
2009 年 1 月 9日
基于神经网络方法的字符识别方法
靳飞飞
（中国海洋大学信息科学与工程学院, 山东青岛266071）
摘要：字符识别是模式识别领域的一项传统的课题，这是因为字符识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而字符识别的研究仍具有理论和实践意义。
这里讨论的是用神经网络方法实现基于照相的数字图像的字符识别的问题。
并且通过模板匹配的方法作为参照，以体现神经网络在处理模式识别问题上的优势。
由于人工神经网络的非线性以及并行性和鲁棒性等特点，在上述领域，其取得了以往传统算法无法获得的成功。
关键词：神经网络；字符识别；图像处理
Character recognition based on neural network
Jin Feifei
(College of Information Science and Engineering，Ocean University of China，Qingdao 266071，China)
Abstract:Character recognition is a traditional problem in the field of pattern recognition, for it is rather an isolated task than a fundamental problem in most work of pattern recognition area, with which we have various methods to deal in terms of specific conditions. That means the pursuit of character recognition is of great significance both in theory and in practice .The goal of this paper is using neural network to recognize characters on digital image based on camera. It also can be seen, in the paper, the advantage of neural network compared with the template matching method. Because its nonlinearity, parallel and strong, in these fields mentioned above, artificial neural network has achieved the success which other traditional algorithms can not reach.
Key word: neural network, character recognition, image processing
1引言
字符识别是模式识别领域的一项传统的课题，这是因为字符识别不是一个孤立的问题，
而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而字符识别的研究仍具有理论和实践意义。
人工神经网络模式识别方法是近些年提出的新方法，为字符识别研究提供了一种新手段，它具有一些传统技术所没有的优点：良好的容错能力、分类能力强、并行处理能力和自学习能力。
因而，采用神经网络识别方式是一种很好的选择。
参考文献:
[1] Q. Zang, et al. Object Classification and Tracking in Video Surveillance[C]. Canadian Association of Internet Providers, 2008.
[2] S.K. Zhou, et al. Visual Tracking and Recognition using Appearance-Adaptive Models in Particle Filters[J]. IP, 2008, 13(11):1491-1506
[3] C.O. Conaire, et al. Multi-spectral Object Segmentation and Retrieval in Surveillance Video[C]. IEEE International Conference on Image Processing, 2008.
[4] N. Dalal, et al. Human Detection Using Oriented Histograms of Flow and Appearance[C]. European Conference on Computer Vision, 2008.
[5] Y. Freund, et al. A decision-theoretic generalization of on-line learning and an application to boosting[J]. Journal of Computer and System Sciences, 2008, 55(1): 119-139.
[6] J. Friedman, et al. Additive logistic regression: a statistical view of boosting[R]. Dept. of Statistics, Stanford Univ. Technical Report, 2008.
[7] I. Haritaoglu, et al. W4: Real-Time Surveillance of People and Their Activities[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 22(8): 809-830.
[8] A. Lipton. Local Application of Optic Flow to Analyses Rigid versus Non-Rigid Motion[R]. ICCV Workshop on Frame-Rate Vision, 2008.
[9] K. Murphy, et al. Graphical model for recognizing scenes and objects[C]. Neural Information Processing Systems Conference, 2008.
[10] V. Vapnik. Statistical Learning Theory[C]. Wiley Inter-science, New York, 2008.
[11] A. Torralba, et al. Sharing visual features for multi-class and multi-view object detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 29(5): 854-869.
[12] Z. Tu. Probabilistic Boosting-Tree: Learning Discriminative Models for Classification, Recognition, and Clustering[C]. IEEE International Conference on Computer Vision, 2008.。