Теми рефератів
> Реферати > Курсові роботи > Звіти з практики > Курсові проекти > Питання та відповіді > Ессе > Доклади > Учбові матеріали > Контрольні роботи > Методички > Лекції > Твори > Підручники > Статті Контакти
Реферати, твори, дипломи, практика » Статьи » Розпізнавання образів за допомогою неординарного алгоритму та програмної реалізації, що здійснює функціонування нової розділеної структури штучної нейронної мережі

Реферат Розпізнавання образів за допомогою неординарного алгоритму та програмної реалізації, що здійснює функціонування нової розділеної структури штучної нейронної мережі





зультаті чого спочатку на входи мережі подаються практично однакові образи, а з плином часу вони все більше сходяться до вихідних.

Вагові коефіцієнти встановлюються на кроці ініціалізації рівними величині:


(2.13)


де n - розмірність вектора ваг для нейронів ініціалізіруемих шару.

На основі розглянутого вище методу будуються нейронні мережі особливого типу - так звані структури, що самоорганізуються - self-organizing feature maps (цей усталений переклад з англійської, на мій погляд, не дуже вдалий, оскільки, мова йде не про зміну структури мережі, а тільки про підстроюванні синапсів). Для них після вибору з шару n нейрона j з мінімальною відстанню Dj навчається за формулою (2.10) не тільки цей нейрон, але і його сусіди, розташовані в околиці R. Величина R на перших ітераціях дуже велика, так що навчаються всі нейрони, але з часом вона зменшується до нуля. Таким чином, чим ближче кінець навчання, тим точніше визначається група нейронів, що відповідають кожному класу образів.


. 9.3 Процес навчання нейронних мереж

Процес навчання штучної нейронної мережі (ІНС) нового класу завдань включає наступні стадії:

. Формулюється постановка задачі та виділяється набір ключових параметрів, що характеризують предметну область.

. Вибирається парадигма нейронної мережі (модель, що включає в себе вид вхідних даних, порогової функції, структури мережі і алгоритмів навчання), найбільш підходяща для вирішення даного класу задач. Як правило, сучасні Нейропакет, нейроплата й еволюційний дозволяють реалізувати не одну, а кілька базових парадигм.

. Готується, можливо, більш широкий набір навчальних прикладів, організованих у вигляді наборів вхідних даних, асоційованих з відомими вихідними значеннями. Вхідні значення для навчання можуть бути неповні і частково суперечливі.

. Вхідні дані по черзі пред'являються ІНС, а отримане вихідне значення порівнюється з еталоном. Потім проводиться підстроювання вагових коефіцієнтів міжнейронних з'єднань для мінімізації помилки між реальним і бажаним виходом мережі.

. Навчання повторюється до тих пір, поки сумарна помилка у всій безлічі вхідних значень не досягне прийнятного рівня, або ІНС не прийде в стаціонарний стан. Розглянутий метод навчання нейроподібні мережі носить назву зворотне поширення помилки (error backpropagation) і відноситься до числа класичних алгоритмів нейроматематики.

Налагоджена і навчена ІНС може використовуватися на реальних вхідних даних, не тільки підказуючи користувачеві коректне рішення, але і оцінюючи ступінь його достовірності.


2.9.4 Алгоритм січних площин

Існують різні алгоритми, що дозволяють кластеризувати дані. Алгоритм навчання машини дізнаванню класів, заснований на методі січних гіперплоскостей (рис.2.6), полягає в апроксимації розділяє гіперповерхні шматками гіперплоскостей і складається з наступних основних етапів:


Рис. 2.6. Метод посічених площин


А. Навчання

(формування розділяє поверхні):

Проведення січних площин;

Виняток зайвих площин;

Виняток зайвих шматків площин.

Б. Розпізнавання нових об'єктів.

При використанні методу паралельних варіантів одночасно і незалежно один від одного на одному і тому ж матеріалі навчаються кілька машин. При пізнанні нових об'єктів кожна машина буде відносити ці об'єкти до якогось класу, можливо, не до одного і того ж. Остаточне рішення приймається голосуванням машин - об'єкт ставитися до того класу, до якого його віднесло більше число машин (нейронів).

Спосіб підвищення надійності класифікації полягає в деякому поліпшенні методу проведення січних площин. Можна припустити, що якщо проводити січні площині близько до площини, що проходить через середину прямої, що з'єднує об'єкт і опонент, перпендикулярний цій прямій, то результуюча поверхня буде ближче до істинної кордоні між класами. Експерименти підтверджують це припущення.

Алгоритми, засновані на методі потенціалів.

В алгоритмі, заснованому на методі потенціалів, з кожним збудженим елементом поля рецепторів можна пов'язати деякуфункцію, рівну одиниці на цьому елементі і убуваючу по всіх напрямках від нього, тобто функцію ф, аналогічну електричному потенціалу з тією лише різницею, що в даному випадку R є відстань між двома сусідніми елементами поля рецепторів.


) (2.14)


Для підрахунку користуються ...


Назад | сторінка 16 з 36 | Наступна сторінка





Схожі реферати:

  • Реферат на тему: Розробка штучної нейронної мережі для розпізнавання статі по фотографії
  • Реферат на тему: Метод навчання нейронних мереж (правило зворотного поширення помилки)
  • Реферат на тему: Пошук інформації в мережі Інтернет для використання в процесі навчання
  • Реферат на тему: Створення нейронної мережі, що виконує логічну функцію &І& і &АБО&
  • Реферат на тему: Проект комп'ютерного класу коледжу на основі бездротової мережі