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





вих персептронов. У нашому випадку вибірка містить три класи квіток ірису, по 50 образів у кожному класі. При цьому, щоб забезпечити неспотворену графічну ілюстрацію процесу навчання мережі в двовимірному просторі, використовуються тільки два головних параметра квіток ірису з чотирьох, яких, як показує досвід, тим не менш достатньо для задовільної класифікації квіток ірису.

Для навчання мережі ми візьмемо 120 зразків з вибірки Іриси Фішера raquo ;, а 30 зразків залишимо для тестування мережі. Будемо використовувати зразки:

1-40

51-90

101-140

Для цього потрібно в стовпці Тип поставити цифру 2 (рис. 3.17)



Рис. 3.17. Іриси Фішера


На робочому аркуші Вибірки з випадаючого списку вибираємо номер потрібної навченою послідовності (ріс.3.18).


Рис. 3.18. Вибір навчальної последовательності зі списку.


Після вибору відбувається автоматичний перехід на робочий лист Навчання (рис. 3.19)


Рис. 3.19. Робочий лист Навчання


Після переходу потрібно вибрати зв'язки між нейронами. В меню вибору зв'язків ставимо маркер на пункт Все зв'язку (рис.3.20).


Рис. 3.20. Меню вибору зв'язків


Вибір зв'язків між нейронами можна зробити вручну (рис. 3.21).


Рис. 3.21.Табліца вибору зв'язків


У таблиці управління навчанням мережі в рядку Число зразків стоїть цифра 130, це означає що виключені зразки в навчанні будуть неактивні. У полі число прогонів ставимо 200 епох навчання і натискаємо кнопку Виконати (рис. 3.22).


Рис. 3.22. Таблиця управління навчанням мережі


Запуститься навчання мережі. Після 200 циклів навчання Нерон матимуть положення показане на мал. 3.21.


Рис. 3.21.Обученіе мережі


З цього можна зробити висновок про те, що мережа функціонує. Далі потрібно буде протестувати мережу на точність кластеризації.


. 6 Створення табличній моделі навченої мережі


Після навчання мережі сформувався діапазон шар нейронів Кохонена (рис. 3.22). Скопіюємо таблицю в новий аркуш MS Excel. І назвемо його ІНС.


Рис. 3.22. Шар нейронів Кохонена


За допомогою даної табличній моделі можна класифікувати двовимірні зразки, подаючи їх на вхід. Для подачі на вхід потрібен вхідний порт даних (рис. 3.23).


Рис. 3.23. Вхідний порт даних табличній моделі ІНС Кохонена


Вхідний порт даних працює таким чином. З іменованої комірки curSmpl копіюється номер поточного навчального способу k. За цим номером за допомогою функції Excel зміщені () в осередки вхідного порту даних зчитуються координати k-го навчального способу активної вибірки. Отримані через цей порт координати поточного навчального способу надходять на входи шару нейронів Кохонена (ріс.3.35б), в кінцевому рахунку, визначаючи номер чергового нейрона-переможця.

Для зразків вибірки створимо робочий аркуш Вибірки raquo ;, з якого дані будуть надходити на вхідний порт (рис. 3.24).


Рис. 3.24. Робочий лист Вибірки


Для введення навчальних зразків на вхідний порт даних використовуємо наступні формули:

. в проіменовани осередок до введемо R [3] C [- 1]: R [3] C [2]

. в осередку [R11C5: R11C6]:== зміщені (Вибірки! R [- 5] C; k; 0)

Тепер дані з таблиці Вибірки можуть надходити на вхідний порт даних.

За допомогою таблиці підстановки (ріс.3.25) визначимо до яких кластерам відносяться зразки. У стовпці до вказано номер зразка, у стовпці winner - Нейрон- переможець.


Рис. 3.25. Таблиця підстановки


На аркуші Вибірки створимо додатковий стовпець з номером кластера (рис. 3.26)


Рис. 3.26. Лист Вибірки


На даному малюнку видно який клас зразків кластеризує кожен нейрон. Це означає, що до зразків віднесені кластери (табл. 3.1).

Номер кластера в таблиці відповідає номеру відповідного нейрона на мапі Кохонена. Бачимо, що в 2-му та 3-му класах зустрічаються однакові нейрони (2, 22).

Це говорить про те, що класифікація зразків на кордоні класів відбувається неоднозначно і зустрічаютьс...


Назад | сторінка 28 з 36 | Наступна сторінка





Схожі реферати:

  • Реферат на тему: Проектування інформаційної системи для зберігання, накопичення та вибірки д ...
  • Реферат на тему: Розробка інформаційної системи накопичення, зберігання та вибірки даних про ...
  • Реферат на тему: Спостереження за передачею даних в мережі організації за допомогою засобів ...
  • Реферат на тему: Побудова вибірки в соціологічному дослідженні
  • Реферат на тему: Статистична обробка вибірки, економічні індекси, середні показники і варіац ...