Методические указания к выполнению работы

ЛАБОРАТОРНО-ПРАКТИЧЕСКОЕ ЗАДАНИЕ №8

ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ РАСПОЗНАВАНИЯ ГРАФИЧЕСКИХ СИМВОЛОВ

Цель: создать нейронную сеть прямой передачи сигнала и обратного распространения ошибки для распознавания графических символов.

ЗАДАЧИ РАБОТЫ

1. Научиться создавать изображения заданного формата в палитре RGB.

2. Освоить процедуры зашумления изображений.

3. Освоить основные функции формирования, моделирования и обучения нейронных сетей.

4. Научиться проводить классификацию и распознавание в исходном пространстве.

5. Реализовать программно перечисленные процедуры и функции.

6. Провести отладку программы.

7. Провести контрольные распознавания объектов различных классов, не принадлежащих обучающей выборке..

8.Оценить правильность функционирования нейронной сети.

ТРЕБОВАНИЯ К ВЫПОЛНЕНИЮ И ОФОРМЛЕНИЮ РАБОТЫ

1. Язык программирования – Мatlab.

2. Программно должно быть предусмотрено использование различных процедур зашумления и фильтрации изображений, а также использование всех определенных признаков для контрольного распознавания зашумленных объектов.

3. Лабораторная работа должна быть оформлена в соответствии с требованиями ДСТУ 3008-95 «Документация. Отчеты в сфере науки и техники. Структура и правила оформления».

4. В протоколе лабораторной работы должны быть отражены цель и задачи работы, приведены исходные данные работы, описан ход работы. Обязательными являются листинг программы и рисунки с пояснениями.

МЕТОДИЧЕСКИЕ УКАЗАНИЯ К ВЫПОЛНЕНИЮ РАБОТЫ

1. Архитектура нейронной сети.

Для работы нейронной сети требуется 16х16=256 входов и 5 (количество распознаваемых классов) нейронов в выходном слое, при чем только один элемент вектора выхода равен 1, остальные – 0. Для решения задачи распознавания графических символов выбрать двухслойную нейронную сеть прямого распространения сигнала обратного распространения ошибки с логарифмическими сигмоидальными функциями активации в каждом слое. Такую функцию активации следует выбрать потому, что диапазон выходных значений для этой функции определен от 0 до 1, и этого достаточно, чтобы сформировать значения выходного вектора. Правильно функционирующая сеть должна ответить вектором со значением 1 для элемента, соответствующего номеру символа в алфавите. Кроме того, сеть должна быть способной распознавать символы в условиях действия шума. Предполагается, что шум – это случайная величина распределенная по нормальному закону со средним значением 0 и максимальным значением 0.2.

2. Обучение нейронной сети.

Сеть обучается так, чтобы сформировать единицу в единственном элементе вектора выхода, позиция которого соответствует номеру класса распознаваемого символа, и заполнить остальную часть вектора нулями. Однако наличие шумов может привести к тому, что сеть не будет формировать вектор выхода, состоящего только из нулей и единицы. Поэтому по завершении этапа обучения выходной сигнал обрабатывается М-функцией compet, которая присваивает значение 1 единственному элементу вектора выхода, а всем остальным – значение ноль.

Чтобы создать нейронную сеть, которая может обрабатывать зашумленные векторы входа, следует выполнить обучение сети, как на идеальных, так и на зашумленных векторах. Сначала сеть обучается на идеальных векторах, пока не будет обеспечена минимальная сумма квадратов погрешностей. Затем сеть обучается на 10 наборах идеальных и зашумленных векторов. Две копии свободного от шума алфавита используются для того, чтобы сохранить способность сети классифицировать идеальные векторы входа.

3. Эффективность функционирования системы.

Эффективность нейронной сети следует оценить следующим образом. Необходимо рассмотреть 2 структуры нейронной сети: сеть 1, обученную на идеальных последовательностях, и сеть 2, обученную на зашумленных последовательностях. Проверка функционирования производится на 100 векторах входа при различных уровнях шума от 1 до 3 с шагом 0.05.

Тестирование реализуется следующим образом. Добавляем к векторам входа заданный шум. Для каждого уровня шума формируется 100 зашумленных последовательностей для каждого символа и вычисляется выход сети. Выходной сигнал обрабатывается М-функцией compet с той целью, чтобы выбрать только один из 5 элементов вектора выхода. После этого оценивается количество ошибочных классификаций и вычисляется процент ошибки.

Если необходима более высокая точность распознавания, сеть может быть обучена либо в течение более длительного времени, либо с использованием большего количества нейронов в скрытом слое.

4. Процедура распознавания.

Для проверки работы нейронной сети использовать рукописные графические символы (не принадлежащие обучающей выборке) 5-ти классов.