при побудові алгоритму самонавчання, формується за допомогою конкретизують параметрів, словника, контексту.
Остання версія CuneiForm 2000 відрізняється, головним чином, тим, що в ній використовується декілька алгоритмів розпізнавання на основі нейронних мереж. Їх застосування, за твердженням розробників, підвищило якість розпізнавання текстів на 60%.
Зауважимо, що на вхід нейромережі можуть подаватися ознаки образів, виділені, наприклад, за методом Паркса, або результати безпосереднього сканування. Ці дві схеми використання нейромережі схематично зображені на малюнку 2.11.
Малюнок 2.11 - Схема рас?? Ознаванія тексту за допомогою персептрона з попереднім виділенням ознак за методом Паркса (ліворуч) і шляхом безпосереднього сканування зображення (праворуч)
3. Вибір методу рішення
3.1 Вибір загальної моделі функціонування програмного засобу
У той час як потреба в системах, здатних точно ідентифікувати образи, в тому числі і зорові, зростає, в даний час немає застосовної альтернативи до систем розпізнавання на основі комбінації методів, які нейтралізують існуючі недоліки.
Один з важливих підходів до задачі припускає використання поділяють функцій. В умовах, коли ми володіємо лише нечисленними апріорними відомостями про розпізнаваних образах, при побудові системи, що розпізнає найкраще використовувати навчальну процедуру. Велика складність завдання, велика кількість вхідних даних вимагають гнучкої захисної системи, яка здатна аналізувати грандіозну кількість інформації не традиційним способом. Система розпізнавання на основі нейромереж могла б у перспективі вирішити багато з проблем.
3.1.1 Переваги систем розпізнавання образів на основі нейромереж
Першим перевагою у використанні нейромереж при виявленні вторгнень є гнучкість, яку ці мережі надають. Нейромережа здатна аналізувати дані, навіть якщо ці дані є неповними або спотвореними, володіє можливістю проводити аналіз даних в нелінійному режимі. Більше того, здатність обробляти дані від великої кількості джерел у нелінійному режимі є особливо важливою, оскільки деякі образи досить складні за своєю структурою. І в перспективі існує можливість обробки за кількома значимим параметрами. Оскільки завдання розпізнавання вимагає достатньої продуктивності комп'ютерів, швидкість обробки в нейромережі може бути достатньою для вирішення в реальному часі, що може використовуватися в динамічних системах, в яких необхідно розпізнавання і класифікація яких образів.
Характерно, що вихідні дані нейромережі виражаються у формі ймовірності, нейросеть надає можливість прогнозування (передбачення). Система виявлення вторгнень на основі нейронної мережі ідентифікує ймовірність того, що окрема подія, або серія подій вказують на параметри образу, який можна віднести до якого-небудь класу не дивлячись на відмінності між подаються чином і способом, збереженим в базі. У міру того, як нейросеть «набирається досвіду», вона буде покращувати свою здатність визначати клас образу. Однак найбільш важлива перевага нейромереж полягає в здатності нейромереж «вивчати» нові характеристики і параметри образів і ідентифікувати елементи, які не схожі на ті, що спостерігалися раніше.
