Олимпиада "Наноэлектроника"
Неофициальный сайт

Меню сайта
Категории раздела
Наш опрос
Оценка сайта нано-е.рф
Всего ответов: 57
Статистика

Онлайн всего: 1
Гостей: 1
Пользователей: 0
Главная » Статьи » Сети (МИФИ) » Домашние задания (по сетям МИФИ)

Сети для распознавания образов
Федеральное государственное автономное образовательное учреждение высшего профессионального образования
«Национальный исследовательский ядерный университет
«МИФИ»

Отчет по Домашнему Заданию №1


Сети для распознавания образов




Выполнила студентка группы А9-11
Паршакова Е.С.
Проверил доцент кафедры №27
Лапшинский В.А.


Москва 19.12.14


Оглавление


Список определений, обозначений и сокращений
Введение
Сенсорные сети
Формальная постановка задачи
СБИС для распознавания образов и обработке изображений
Массивы для анализа образов
СБИС-массивы для синтаксического распознавания образов
Нейронные сети
Использование искусственных нейронных сетей для распознания рукописных символов
Алгоритм распознания
Заключение
Литература


Реферат


Этот отчет посвящен сетям для распознавания образа. В частности применение нейросетей для распознавания образов на примере рукописных символов.
Число страниц: 20
Рисунков: 13
Таблиц: 1
Источников в списке литературы: 5


Список определений, обозначений и сокращений


СБИС – сверхбольшие интегральные схемы
ЭВМ – электронные вычислительные машины
РООИ – распознавание образов и обработка изображений
ПЭ – процессорные элементы
ИНС – искусственные нейронные сети
Дендрит– разветвлённый отросток нейрона
Синапс – место контакта между двумя нейронами или между нейроном и получающей сигнал эффекторной клеткой. Служит для передачи нервного импульса между двумя клетками
Аксон – нейрит, отросток нервной клетки, по которому нервные импульсы идут от тела клетки к органам и другим нервным клеткам
Нейрон – это структурно-функциональная единица нервной системы. Эта клетка имеет сложное строение, высокоспециализирована и по структуре содержит ядро, тело клетки и отростки
Растр – точечная структура графического изображения при печати


Введение


Теория распознавания образа — раздел информатики и смежных дисциплин, развивающий основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков. Такие задачи решаются довольно часто, например, при переходе или проезде улицы по сигналам светофора. Распознавание цвета загоревшейся лампы светофора и знание правил дорожного движения позволяет принять правильное решение о том, можно или нельзя переходить улицу.
Необходимость в таком распознавании возникает в самых разных областях- от военного дела и систем безопасности до оцифровки аналоговых сигналов.
Проблема распознавания образа приобрела выдающееся значение в условиях информационных перегрузок, когда человек не справляется с линейно-последовательным пониманием поступающих к нему сообщений и в результате его голова переключается на режим одновременности восприятия и мышления, которому такое распознавание свойственно.
Неслучайно, таким образом, проблема распознавания образа оказалась в поле междисциплинарных исследований - в том числе в связи с работой по созданию искусственного интеллекта, а создание технических систем распознавания образа привлекает к себе всё большее внимание.


Сенсорная сеть


Новейшие технологии беспроводной связи и прогресс в области производства микросхем позволили в течение последних нескольких лет перейти к практической разработке и внедрению нового класса распределенных коммуникационных систем — сенсорных сетей.
Беспроводная сенсорная сеть — распределённая, самоорганизующаяся сеть множества датчиков (сенсоров) и исполнительных устройств, объединенных между собой посредством радиоканала (Рис. 1). Область покрытия подобной сети может составлять от нескольких метров до нескольких километров за счёт способности ретрансляции сообщений от одного элемента к другому.
Беспроводные сенсорные сети (англ. WSN — WirelessSensorNetwork) состоят из миниатюрных вычислительных устройств — мотов, снабжённых сенсорами (датчиками температуры, давления, освещенности, уровня вибрации, местоположения и т. п.) и трансиверами, работающими в заданном радиодиапазоне. Гибкая архитектура, снижение затрат при монтаже выделяют беспроводные сети интеллектуальных датчиков среди других беспроводных и проводных интерфейсов передачи данных, особенно когда речь идет о большом количестве соединенных между собой устройств, сенсорная сеть позволяет подключать до 65 000 устройств. Постоянное снижение стоимости беспроводных решений, повышение их эксплуатационных параметров позволяют постепенно переориентироваться с проводных решений в системах сбора телеметрических данных, средств дистанционной диагностики, обмена информации. «Сенсорная сеть» является сегодня устоявшимся термином (англ. SensorNetworks), обозначающим распределенную, самоорганизующуюся, устойчивую к отказу отдельных элементов сеть из необслуживаемых и не требующих специальной установки устройств. Каждый узел сенсорной сети может содержать различные датчики для контроля внешней среды, микрокомпьютер и радиоприемопередатчик. Это позволяет устройству проводить измерения, самостоятельно проводить начальную обработку данных и поддерживать связь с внешней информационной системой.
Технология ретранслируемой ближней радиосвязи, известная как «Сенсорные сети», является одним из современных направлений развития самоорганизующихся отказоустойчивых распределенных систем наблюдения и управления ресурсами и процессами. Сегодня технология беспроводных сенсорных сетей, является единственной беспроводной технологией, с помощью которой можно решить задачи мониторинга и контроля, которые критичны к времени работы датчиков. Объединенные в беспроводную сенсорную сеть датчики образуют территориально-распределенную самоорганизующуюся систему сбора, обработки и передачи информации. Основной областью применения является контроль и мониторинг измеряемых параметров физических сред и объектов.
Использование в типовом узле сенсорной сети в качестве датчика второго трансивера, позволяет использовать сенсорную сеть не только для мониторинга параметров сред и объектов, но и для определения местонахождения и мониторинга передвижений объектов, снабженных специальными радиочастотными метками. Построенная из таких узлов сенсорная сеть образует беспроводную инфраструктуру RTLS.
Назначение сенсорной сети – решение задач сбора, обработки и передачи информации с высокими требованиями по автономности, надежности, масштабируемости и распределенности сети.



Рисунок 1. Беспроводной датчик


Основные преимущества:

• оперативность и экономичность развертывания;
• отсутствие необходимости в техобслуживании;
• длительная автономная работа;
• отказоустойчивость и надежность в жестких условиях
• эксплуатации;
• широкая область применений.

Основные характеристики сенсорных сетей указаны в табл. 1.


Таблица 1. Основные характеристики



Применение сенсорных сетей:
• Системы охраны и контроля доступа: мониторинг местности и усиление стационарных рубежей охраны, контроль маршрутов перемещения людей. Раннее обнаружение аварий. Противопожарная система.
• Автоматизация зданий: система контроля доступа и предупреждения аварий. Беспроводные датчики для различных систем «Умного дома». Управление освещением, климатом, домашней электроникой.
• Диагностика промышленного оборудования: дистанционный технический надзор и профилактическое обслуживание оборудования. Контроль эффективного использования оборудования.
• Удаленный сбор показаний со счетчиков: удаленное снятие показаний с различных видов счетчиков, расходомеров и регистраторов. Контроль и регулирование расхода ресурсов.
• Телемедицина и здравоохранение: мониторинг основных показателей медицинской телеметрии (пульс, давление, температура). Контроль приема лекарств.
• Военное применение: беспроводные самоорганизующиеся сети передачи данных. Быстро развертываемые охранные системы. Системы телеметрического контроля [1].


Формальная постановка задачи


Распознавание образов — это отнесение исходных данных к определенному классу с помощью выделения существенных признаков, характеризующих эти данные, из общей массы несущественных данных.
При постановке задач распознавания стараются пользоваться математическим языком, стремясь - в отличие от теории искусственных нейронных сетей, где основой является получение результата путем эксперимента, - заменить эксперимент логическими рассуждениями и математическими доказательствами.
Классическая постановка задачи распознавания образов: Дано множество объектов. Относительно них необходимо провести классификацию. Множество представлено подмножествами, которые называются классами. Заданы: информация о классах, описание всего множества и описание информации об объекте, принадлежность которого к определенному классу неизвестна. Требуется по имеющейся информации о классах и описании объекта, установить - к какому классу относится этот объект.
Наиболее часто в задачах распознавания образов рассматриваются монохромные изображения, что дает возможность рассматривать изображение как функцию на плоскости. Если рассмотреть точечное множество на плоскости T, где функция f(x, y) выражает в каждой точке изображения его характеристику — яркость, прозрачность, оптическую плотность, то такая функция есть формальная запись изображения.
Множество же всех возможных функций f(x, y) на плоскости T — есть модель множества всех изображений X. Вводя понятие сходства между образами можно поставить задачу распознавания. Конкретный вид такой постановки сильно зависит от последующих этапов при распознавании в соответствии с тем или иным подходом [2].


СБИС для распознавания образов и обработке изображений


Для распознавания образов можно использовать СБИС. Ещё один подход — использовать искусственные нейронные сети. Этот метод требует либо большого количества примеров задачи распознавания (с правильными ответами), либо специальной структуры нейронной сети, учитывающей специфику данной задачи.
В последние годы проявляется большой интерес к архитектуре СБИС-массивов для параллельных вычислений. Обсуждаются возможности применения этих массивов для обработки сигналов, изображений и для распознавания образов. Во многих таких вычислительных структурах используются систолические массивы, включающие мультипроцессорную конвейерную обработку данных внутри и вне массива. Через интерфейсы такие массивы соединяются с главной ЭВМ или со специализированным вычислительным устройством.
Скорость вычислений в массиве может ограничиваться пропускной способностью устройство ввода-вывода главной ЭВМ или самого СБИС-массива. Разработка вычислительных машин должна быть нацелена на минимизацию влияния ограниченной пропускной способности шин ввода-вывода, на проведение параллельных вычислений в СБИС-массивах. При анализе образов и обработке изображений операции часто состоят из нескольких вычислительных шагов [3].


Массивы для анализа образов


При статистической классификации образов набор n измерений представляется в виде n-мерного вектора в векторном пространстве. Векторное пространство на основе статистического анализа или теории решений делится на несколько областей, каждая из которых соответствует одному классу образов. В работе рассмотрен СБИС-массив для классификации по критерию Фишера на основе разделения матриц. Так же предложена архитектура СБИС для классификации по минимуму расстояния, относящегося к важному классу линейных классификаторов.
Классификация образов может быть разделена на две фазы: фазу обучения и собственно на классификации. В фазе обучения для известных эталонных векторов оцениваются ковариационные матрицы и вектор средних значений. По полученной дискриминантной функции классифицируются неизвестные образы. Статистическая классификация образов состоит из операций над векторами и матрицами. На (Рис. 1) показан массив процессоров для анализа образов, состоящий из квадратного и линейного массива (n горизонтальных выходов квадратного массива соединены с входами линейного массива). Массив процессоров может реконфигурироваться в зависимости от вида проходящих данных путем изменения структуры связей между двумя массивами и/или структуры связей между ПЭ. При этом необходима буферная память для современного хранения данных и организации ввода-вывода.



Рисунок 2. Массив процессоров для анализа образов


Как показано на (Рис. 2), каждый ПЭ квадратного массива имеет два входа, С_вх и b_вх, и два выхода, С_вых и〖 b〗_вых. ПЭ может иметь несколько внутренних регистров и в нем могут выполняться операции трех типов:
1) передача и загрузка данных
2) умножение и сложение или вычитание
3) деление



Рисунок 3. Процессорные элементы


Потоки данных сдвинуты и подаются в массив по конвейеру. Считается, что операции умножения – сложения или деления выполняются за один цикл. Пересылка данных может осуществляться одновременно с выполнением других операций.
Поэтому команды для проведения вычислений ковариационной матрицы или классификации образов могут подаваться также по конвейеру или раздельно. Один способ подачи команд для массива размерностью 4Х4 показан на (Рис. 3).



Рисунок 4. Связи в квадратном массиве для передачи команд или классификации образов

Каждый ПЭ, обозначенный индексом k, получает команду от другого ПЭ с индексом k-1. Схема индексации получена из последовательности, в которой вступают в работу ПЭ. Аналогичная схема может использоваться для линейного массива.
Большинство операций при обработке изображений последовательно повторяется над большим числом точек (пикселов) изображения. Поэтому, применяя СБИС с параллельной обработкой, можно существенно уменьшать время вычислений.
Значения уровней яркости в изображении размером nхnпикселов могут быть представлены матрицей. Квадратный массив размерностью nхn с ортогональными связями используется дляпроведения операций в пространственной и частной областях. Для изображений больших размеров может оказаться необходимым использование нескольких кристаллов, которые имеют также ортогональные связи, что приводит к простой структуре внутренних и внешних соединений.


СБИС – массивы для синтаксического распознавания образов


Достижения в технологии ИС за последние десятилетия позволило существенно снизить размеры, стоимость и время задержек микроэлектронных устройств, что привело к появлению новых областей применения ЭВМ. Одной из таких областей является искусственный интеллект. Действительно, ЭВМ с ограниченными пока возможностями интеллекта уже стали неотъемлемой частью нашей жизни (например, электронные игры и экспертные системы в здравоохранении, системы автоматического перевода). В машинном интеллекте одним из важнейших инструментов являются методы распознавания образов. Распознавание физических явлений всегда было одним из основных атрибутов человеческого бытия и других живых существ, однако процесс распознавания пока еще остается не совсем понятным. Образ, который видит компьютер, представляет собой квантованное или структурированное описание внешнего объекта. Действия, осуществляемые ЭВМ при распознавании образа, зависят от выбранного его представления и обычно требуют больших вычислительных затрат.
Существует множество способов представления образов. Одним из типичных подходов является преобразование каждого входного образа в бинарное представление с помощью фоточувствительных матриц (Рис. 5).



Рисунок 5. Символ (а), сетка дискретизации (б) и исходный бинарный образ (в)


Рассмотрим образ символа (Рис. 5, а), который проецируется на фотоматрицу (Рис. 5, б). Получена бинарная матрица (Рис. 5, в). Темные клетки соответствуют логической единице, если большую их часть занимает изображение символа, а белые клетки – логическому нулю. Данные с фотоматрицы считываются в виде вектора, описывающего образ (Рис. 6).


Рисунок 6. Вектор, описывающий образ


В общем виде X_n представляется двоичным числом или дискретными значениями непрерывной функции. В этом представлении заключена вся важнейшая информация об образе, и с этого момента начинается его анализ.
Во многих случаях образ состоит из набора повторяющихся подобразов определенной формы, названных примитивами образа. Возможный порядок следования примитивов в образе полностью определяется синтаксисом грамматики, порождающей образ. Например изображен символ К (Рис. 7, а) и его возможные примитивы образа (Рис. 7, б).



Рисунок 7. Символ К (а) и примитивы (б)


Используя определения операций соединения примитивов (Рис. 8), получим описание символа К. Следовательно, образы могут быть представлены строковыми последовательностями примитивов. Строковое представление является адекватным представлением образов, структура которых описывается относительно простым соединением примитивов.


Рисунок 8. Правила соединения примитивов


Нейронные сети


Теория нейронных сетей возникла в 40-60-х годах в результате совместных попыток физиологов и кибернетиков понять и смоделировать работу мозга. Получилась следующая модель. Мозг состоит из очень большого числа (порядка 1011) клеток (нейронов), каждая из которых имеет длинный хвост (аксон) и большое число (порядка 104) ответвлений (дендритов), касающихся аксонов других нейронов и/или входных рецепторов. Через эти зоны касания (синапсы) может передаваться информация (электрохимический потенциал).
Каждый нейрон является простеньким компьютером (Рис. 9.): потенциал нейрона (и его аксона, играющего роль выхода) является функцией от потенциалов синапсов его дендритов (входов), причем функцией, вполне определенного вида. А именно, каждый нейрон имеет два устойчивых состояния (возбужденное и невозбужденное) и соответствующие им значения потенциала, одинаковые для всех нейронов. Каждый нейрон вычисляет линейную комбинацию потенциалов входных синапсов, сравнивает ее с пороговым значением и переходит в возбужденное (невозбужденное) состояние, если эта линейная комбинация больше (соответственно, меньше) порогового значения.
В совокупности мозг вычисляет некоторую вектор-функцию: зависимость потенциалов нейронов (достаточно рассматривать не все нейроны, а только связанные своими аксонами с исполнителями) от потенциалов входных рецепторов. А вся нетривиальность работы мозга состоит в том, что пороговые значения (по одному на нейрон, итого порядка 1011) и коэффициенты линейных комбинаций (по одному на дендрит, итого порядка 1015), вообще говоря, различны и могут изменяться со временем. Это изменение коэффициентов называется обучением. Нейронная сеть прямого распространения - это ориентированный ациклический граф с множеством вершин V и ребер E, вершины которого разбиты на слои следующим образом:
- нулевой слой состоит из вершин-истоков (входных рецепторов);
- ребра (синапсы), входящие в вершины (нейроны) (k+1)-го слоя, выходят из вершин (рецепторов или нейронов) k-го слоя;
- все стоки (выходные нейроны) принадлежат одному и тому же L-му слою.


Использование искусственных нейронных сетей для распознавания рукопечатных символов


Рассматривается задача распознавания символов в анкетах, заполняемых от руки печатными буквами.
Искусственные нейронные сети достаточно широко используются при распознавании символов. Алгоритмы, использующие нейронные сети для распознавания символов, часто строятся следующим образом. Поступающее на распознавание изображение символа (растр) приводится к некоторому стандартному размеру. Как правило, используется растр размером 16х16 пикселей.
Значения яркости в узлах нормализованного растра используются в качестве входных параметров нейронной сети. Число выходных параметров нейронной сети равняется числу распознаваемых символов. Результатом распознавания является символ, которому соответствует наибольшее из значений выходного вектора нейронной сети (Рис. 12.). Повышение надежности таких алгоритмов связано, как правило, либо с поиском более информативных входных признаков, либо с усложнением структуры нейронной сети.
Надежность распознавания и потребность программы в вычислительных ресурсах во многом зависят от выбора структуры и параметров нейронной сети. Изображения цифр приводятся к единому размеру (16х16 пикселей). Полученное изображение подается на вход нейронной сети, имеющей три внутренних уровня и 10 узлов в верхнем уровне. Нижние слои сети не являются полносвязанными. Узлы низшего уровня совместно используют общий набор весов. Все это, по замыслу разработчиков, должно повысить способность низших уровней сети к выделению первичных признаков в изображениях. Полученная таким образом нейронная сеть имеет 1256 узлов и 9760 независимых параметров. Для увеличения способности сети к обобщению и уменьшению объема необходимых вычислений и памяти проведено удаление слабо используемых весов. В результате число независимых параметров уменьшается в четыре раза. Обучение нейронной сети проведено на наборе из 7300 символов, тестирование на наборе из 2000 символов. Ошибки распознавания составляют приблизительно 1% на обучающем наборе и 5% на проверочном.

В качестве входных параметров нейронной сети вместо значений яркости в узлах нормализованного растра могут использоваться значения, характеризующие перепад яркости. Такие входные параметры позволяют лучше выделять края буквы. Поступающие на распознавание изображения приводятся к размеру 16х16 пикселей. После этого они подвергаются дополнительной обработке с целью выделения участков с наибольшими перепадами в яркости. Используемая нейронная сеть имеет только один внутренний уровень, но применяется совместно с другими алгоритмами. Обучение и тестирование проведено на символах, взятых из трех независимых баз данных. Из каждой базы данных используется от 4000 до 6000 символов на обучение и от 2000 до 4000 символов на тестирование. Процент ошибок существенно меняется в зависимости от базы данных, на которых проводится тестирование и составляет 0.60%-2.2%.
Одним из широко используемых методов повышения точности распознавания является одновременное использование нескольких различных распознающих модулей и последующее объединение полученных результатов (например, путем голосования). При этом очень важно, чтобы алгоритмы, используемые этими модулями, были как можно более независимы. Это может достигаться как за счет использования распознающих модулей, использующих принципиально различные алгоритмы распознавания, так и специальным подбором обучающих данных.
Один из таких методов был предложен несколько лет назад и основан на использовании трех распознающих модулей (машин). Первая машина обучается обычным образом. Вторая машина обучается на символах, которые были отфильтрованы первой машиной таким образом, что вторая машина видит смесь символов, 50% из которых были распознаны первой машиной верно и 50% неверно. Наконец, третья машина обучается на символах, на которых результаты распознавания 1-ой и 2-ой машин различны. При тестировании распознаваемые символы подаются на вход всем трем машинам. Оценки, получаемые на выходе всех трех машин, складываются. Символ, получивший наибольшую суммарную оценку, выдается в качестве результата распознавания [4].


Алгоритм распознавания


Разработанный алгоритм распознавания основан на выделении из растра с изображением буквы первичных признаков и последующем использовании искусственной нейронной сети для оценки близости входного изображения с символами из заданного набора букв. Результатом работы является набор оценок, отражающих степень близости распознаваемого символа, с символами из заданного набора символов. Набор распознаваемых символов может включать заглавные буквы и цифры. Поступающие на распознавание изображения символов преобразуются к единому размеру 16х16 пикселей.
Отличительной чертой реализованного алгоритма является использование нейронной сети с достаточно большим числом входных признаков. Из исходного изображения выделяются 2312 первичных признаков, характеризующих перепады яркости в узлах растра. Кроме того, используются признаки, вычисляемые по всему растру и характеризующие форму распознаваемого символа. В набор распознаваемых символов входят буквы русского алфавита и цифры (всего 43 символа). Нейронная сеть имеет один внутренний уровень, содержащий 100 узлов, и является полносвязанной, т.е. каждый узел внутреннего уровня соединен со всеми входными узлами, а каждый узел верхнего уровня соединен со всеми узлами внутреннего уровня. Таким образом, нейронная сеть имеет более 200 тысяч весов. Для уменьшения объема вычислений при распознавании для каждого распознаваемого изображения символа используются не все входные признаки, а только часть, т.е. вектор входных параметров нейронной сети является сильно разреженным.
Обучение нейронной сети происходит обычным образом, т.е. используется алгоритм обратного распространения ошибки. Программа обучения получает на вход файл с изображениями символов. При обучении символы из этой базы перебираются циклически. Для каждого изображения из базы выделяются первичные признаки, после чего выполняются прямой и обратный проходы по сети. Модификация весов сети при обучении производится после каждого символа. Шаг изменения весов сети постоянный.
Для ускорения и улучшения обучения плохо распознаваемые символы просматриваются чаще других. Для этого используется кэш, в котором хранятся трудно распознаваемые изображения. Растры для обучения выбираются как из входного файла, так и из кэша. Выбор символа из кэша происходит с учетом качества его распознавания, т.е. плохо распознаваемые символы выбираются чаще.
Кроме того, при обучении сети используется регуляризация весов сети, т.е. вводится их экспоненциальное затухание.
Качество распознавания зависит не только от алгоритмов, используемыми программами распознавания и обучения нейронной сети, но и от того, как обучалась нейронная сеть. На качество обучения нейронной сети влияют следующие факторы:
• Параметры базы с обучающими растрами. Размер, способ отбора растров, порядок растров в базе, наличие грязных символов и ошибок в разметке
• Выбор критерия, оптимизируемого при обучении нейронной сети. На разных этапах обучения возможно использование различных критериев
• Шаг изменения коэффициентов сети
• Использование регуляризации сети
• История обучения сети
• Использование дополнительного шума и искажений символов
• Момент остановки обучения. Желательно избегать как недостаточного обучения сети, так и переобучения
• Размер кэша плохих растров и относительная частота выбора растров из обучающей базы данных и из кэша плохих символов
Параметры обучения взаимозависимы и должны выбираться согласованно. Так, например, при небольшом размере обучающей базы использование искажений символов может приводить к улучшению качества обучения, а при увеличении размера базы приводит к его ухудшению. Использование кэша плохих символов в самом начале обучения особого смысла не имеет. Наоборот, после нескольких проходов по базе с обучающими символами большая часть символов из базы распознается с очень большой надежностью. Изменение весов сети происходит главным образом за счет растров, содержащихся в кэше плохих символов.
Регуляризация (т.е. введение экспоненциального затухания весов при обучении) приводит к некоторому ухудшению качества распознавания. Однако использование очень небольшого коэффициента затухания позволяет повысить устойчивость сети без заметных потерь в качестве распознавания.
Для определения наилучшего момента остановки сети можно периодически тестировать качество распознавания на небольшой независимой базе данных.
равнение качества различных алгоритмов распознавания символов затруднено тем, что относительное значение числа правильно распознанных символов существенно зависит от конкретной базы данных, на которой проводится тестирование. На качество распознавания также существенно влияют объем набора распознаваемых символов, технология обучения нейронной сети, методика и алгоритмы выделения первичных признаков, технология подготовки обучающей базы данных и другие факторы. Имеющиеся в литературе численные оценки эффективности различных алгоритмов относятся, главным образом, к распознаванию цифр.
Проведено обучение нейронной сети на базе из 166500 цифр и тестирование на базе данных из 16650 цифр. Число правильно распознанных символов составляет 99.61%. Дальнейшее развитие алгоритма может быть связано с поиском более адекватного представления структурных признаков распознаваемых символов. Использование большей обучающей базы данных и увеличение памяти нейронной сети также может дать некоторое улучшение качества распознавания [5].


Заключение

В этом отчете рассмотрена нейронная сеть и ее алгоритм для распознавания образов, на примере рукопечатных символов. А также было рассмотрено само понятие нейронной сети.

Литература


1. Сенсорная сеть:
https://www.ipmce.ru/img/release/sensor.pdf
2. Формальная постановка задачи:
https://ru.wikipedia.org/wiki/%D2%E5%EE%F0%E8%FF_%F0%E0%F1%EF%EE%E7%ED%E0%E2%E0%ED%E8%FF_%EE%E1%F0%E0%E7%EE%E2
3. Под редакцией К. ФУ. СБИС для распознавания образов и обработки изображения. – Москва «Мир», 1988
4. Использование искусственных нейронных сетей для распознавания рукопечатных символов
http://ocrai.narod.ru/hp.html
5. Алгоритм распознавания образов:
http://www.ampersant.ru/glaz/
Категория: Домашние задания (по сетям МИФИ) | Добавил: valoneya (19.12.2014)
Просмотров: 1337 | Рейтинг: 0.0/0
Всего комментариев: 0
Добавлять комментарии могут только зарегистрированные пользователи.
[ Регистрация | Вход ]
Форма входа
Поиск
Друзья сайта