Сравнительный анализ нейросетевых реализаций алгоритмов распознавания образов
МИНИСТЕРСТВО ОБЩЕГО И ПРОФЕССИОНАЛЬНОГООБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИРОСТОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТКАФЕДРА БИОФИЗИКИ И БИОКИБЕРНЕТИКИВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА на тему:Сравнительный анализ нейросетевых реализаций алгоритмов распознавания образов.Студент И.Е.ШепелевНаучный руководитель А.И.Самарин К ЗАЩИТЕ ДОПУСКАЮЗав. кафедрой д.б.н,профессорБ.М.Владимирский г.Ростов-на-Дону1998 г.ОГЛАВЛЕНИЕСтр.Введение 2 Общее описание исследуемых нейронных сетей. Однослойные сети. Персептрон. Многослойные сети. Сети Хопфилда. Описание программных моделей и алгоритмов их обучения. Методика и результаты экспериментальных исследований. Проблема функции ИСКЛЮЧАЮЩЕЕ ИЛИ. 3.2 Исследование представляемости однослойной и двухслойной нейронной сети.Релаксация стимула. Возникновение ложного образа. Выработка прототипа. Бистабильность восприятия. Заключение.Литература.Приложение 1.Приложение 2.Введение. Основным назначением системы распознавания образов является отыскание решения о принадлежности предъявляемых ей образов некоторому классу. Один из важных подходов к задаче предполагает использование разделяющих функций. В условиях, когда мы обладаем лишь немногочисленными априорными сведениями о распознаваемых образах, при построении распознающей системы лучше всего использовать обучающую процедуру. На первом этапе выбираются произвольные разделяющие функции и затем в процессе выполнения итеративных шагов обучения эти разделяющие функции доводятся до оптимального либо приемлемого вида. К определению разделяющих функций в настоящее время существует несколько подходов. В данной работе рассматриваются два из них, которые имеют соответствующие нейросетевые реализации. Первый из них - персептронный подход. В начале 60х годов Минский, Розенблатт, Уиндроу и другие разработали сети, состоящие из одного слоя искусственных нейронов. Часто называемые персептронами, они были использованы для широкого класса задач, в том числе и искусственного зрения. Однако Минский и Пайперт [2] доказали, что используемые в то время однослойные сети теоретически неспособны решить многие простые задачи. Сети обратного распространения - наиболее успешный, по-видимому, из современных алгоритмов, преодолевает ограничения, указанные Минским. Обратное распространение является систематическим методом для обучения многослойных сетей.Второй подход при определении разделяющих функций использует понятие потенциальной энергии. Так Хопфилдом [7] в задаче о релаксации некоторого начального состояния к одному из устойчивых состояний нейронной сети было введено понятие потенциальной энергии, которая уменьшалась в процессе релаксации. Соответствующие нейронные сети известны в литературе как сети Хопфилда. Это сети с обратными связями, которые в связи с этим обладают некоторыми свойствами, заслуживающими внимания. На этапе бакалаврской работы цель состояла в создании компьютерных моделей указанных выше нейронных сетей и анализе некоторых свойств, связанных с их обучением и распознаванием ими образов.1.Общее описание исследуемых нейронных сетей.Однослойные сети. Персептрон. В соответствии с [3] персептрон представляет собой модель обучаемой распознающей системы. Он содержит матрицу светочувствительных элементов (S-элементы), ассоциативные элементы (А-элементы) и реагирующие элементы (R-элементы). По сути персептрон состоит из одного слоя искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов. В 60е годы персептроны вызвали большой интерес. Розенблатт [3] доказал теорему об обучении персептрона и тем самым показал, что персептрон способен научиться всему, что он способен представлять. Уидроу [12-15] дал ряд убедительных демонстраций систем персептронного типа. Исследования возможности этих систем показали, что персептроны не способны обучиться ряду простых задач. Минский [2] строго проанализировал эту проблему и показал, что имеются жесткие ограничения на то, что могут выполнять однослойные персептроны, и, следовательно, на то, чему они могут обучаться. Один из самых пессимистических результатов Минского показывает, что односло...
Другие файлы:
Алгоритмы обучения распознавания образов
В книге содержится подробное описание алгоритмов, успешно справляющихся с решением практических задач, и программ, реализующих эти алгоритмы. Особенно...
Математическая теория распознавания образов
Основные понятия теории распознавания образов и ее значение. Сущность математической теории распознавания образов. Основные задачи, возникающие при ра...
Распознавание образов
Понятие и особенности построения алгоритмов распознавания образов. Различные подходы к типологии методов распознавания. Изучение основных способов пре...
Технология обработки изображений и распознавания образов
Оптико-электронная система идентификации объектов подвижного состава железнодорожного транспорта. Автоматический комплекс распознавания автомобильных...
Использование нейросетей для построения системы распознавания речи
Я думаю, нет смысла рассказывать о том, зачем нужно исследование искусственных нейронных сетей, чем они привлекают исследователей и какие новые возмож...
