кож зареєстрованих помилках. Даний модуль необхідний для зберігання різних статистичних даних роботи мережі, також він здійснює зберігання інформації про зареєстровані помилках, отриманих від модуля зворотного зв'язку.
· Каскад нейромереж, являє собою набір ієрархічно пов'язаних нейронних мереж.
Розглянемо причини використання і структуру каскаду нейромереж.
Для визначення біометричних параметрів статі і віку людини, зображення обличчя якого надійшло на вхід, необхідно використання як мінімум двох мереж кожна для визначення одного із зазначених параметрів. При використанні мінімального набору мереж, значно скорочуються витрати на навчання і зберігання даних кожної мережі, але є істотні недоліки, які були виявлені в рамках минулої курсової роботи. В результаті проведених автором тестів мережі для визначення статі, навченої на різних даних, було відмічено хороша здатність мережі до узагальнення і високий результат успішних відповідей, при навчанні на зразках належать конкретної досить широкою віковій групі (підлітки, дорослі, літні). Але в такому випадку мережа давала помилки при розпізнаванні зразків з інших груп. При спробі навчання одночасно на зразках з різних груп, здатність до узагальнення падала, як і відсоток успішного розпізнавання.
Для виправлення вказаних недоліків автором була розроблена структура каскаду нейромереж, схема якої представлена ??на малюнку 7.
Малюнок 7. Структура каскаду нейромереж
Вхідний зображення спочатку проходить грубе розподіл за віком, навчена мережа визначає зображення до одного з 4-ох класів: немовлята, підлітки, дорослі люди, літні люди. Далі для кожного з зазначених класів мається навчена мережа для визначення статі людей належать саме цього класу. Після визначення статі зображення, віддається наступній мережі для більш точного визначення віку.
Дана структура складається з перших мережі верхнього рівня, 4-ох мереж другого рівня і 8-ми мереж третього рівня. Разом отримуємо 13 мереж, така кількість збільшує витрати на навчання в цілому, але навчання конкретної мережі зійдеться швидше, ніж при використанні мінімального набору, за рахунок звуження безлічі можливих варіантів. Структура каскаду нейромереж повинна значно поліпшити якість розпізнавання.
Крім робочого (користувальницького) режиму, додаток має режим навчання і налаштування мереж, він є закритим і не доступний звичайним користувачам. Призначення даного режиму: створення завантажувальних файлів з навченими і налаштованими мережами, які можна використовувати і в режимі користувача для роботи. Структура режиму навчання та налаштування представлена ??на малюнку 8.
Малюнок 8. Модульна схема режиму навчання та налаштування
· Модуль формування навчальних даних, необхідний для створення навчальних вибірок. Даний модуль дозволяє вхідним зображенням зіставити класи, до яких вони відносяться. З отриманих вибірок формується безліч навчальних даних. Результат передається модулю управління навчанням.
· Модуль управління навчанням мережі, необхідний для налаштування і навчання мережі. Даний модуль взаємодіє з конкретною мережею, готує її до навчання, робить запуск і зупинку навчання, дозволяє змінювати параметри навчання на будь ітерації. Також модуль управління навчанням виробляє взаємодію з модулем візуалізації, передаючи результати про поточний стан мережі.
· Модуль візуалізації, необхідний для більш наочного представлення процесу збіжності мережі. Даний модуль візуально представляє дані процесу навчання, отримані від модуля управління, будувати графіки збіжності і виводить поточні показники мережі.
· Модуль статистики, зберігає дані про процес навчання мережі та її поточний стан. Даний модуль дозволяє зберігати історію навчання мереж та їх параметрами. Це дозволяє вибрати найбільш оптимальні настройки параметрів мереж.
· Модуль налаштування каскаду нейромереж, дозволяє настроїти конкретну мережу каскаду, а так само поміняти ієрархію взаємозв'язку мереж.
. 3 Реалізація та організація роботи програми
Додаток було створено як проект Windows Forms в середовищі Visual Studio +2010 на мові програмування C ++. Для роботи з нейронними мережами, був реалізований окремий модуль ConvolutionNetwork.h з гнучкою системою класів.
Навчання мережі є дуже ресурсномісткою операцією, тому гостро постає питання швидкодії процесу навчання. Для досягнення високого рівня швидкодії, класи були спроектовані таким чином, щоб виконувати свого роду надбудову над даними. Всі дані розташовані в одному місці пам'яті, в такому випадку в процесі навча...
