Geum.ru

Е. В. Чепин Московский инженерно-физический институт (государственный университет) исследование

Вид материалаИсследование

Содержание


Список литературы
Подобный материал:

УДК 004(06) Компьютерные системы и технологии


Ньейн Эй, Е.В. Чепин

Московский инженерно-физический институт (государственный университет)

  1. исследование эффективности использования нейросетей для некоторых задач


Основу доклада представляет исследование эффективности использования нейросетей для некоторых задач. Проведено исследование трёх задач использования нейросетей в области распознавания изображений. Результаты проведенных исследований для всех трех задач представлены в докладе.


Нейрокомпьютеры отличаются от ЭВМ предыдущих поколений не просто большими возможностями. Принципиально меняется способ использования машины. Место программирования занимает обучение, нейрокомпьютер учится решать задачи. Обучение - корректировка весов связей, в результате которой каждое входное воздействие приводит к формированию соответствующего выходного сигнала. После обучения сеть может применять полученные навыки к новым входным сигналам. При переходе от программирования к обучению повышается эффективность решения "интеллектуальных" задач.

Исследовались три задачи использования нейросетей в области распознавания изображений. Первая задача это распознавание объектов на изображениях [1]. В этой работе проведена реализация нейронной сети для распознавания слабоконтрастных изображений. Цель работы состоит в том, чтобы классифицировать объекты изображения. Эта работа демонстрирует, как может быть разработана система распознавания изображений. Контур слабоконтрастных изображений выделялся с помощью функцией библиотеки «OpenCV» [2]. Из выделенного контура формировались признаки изображения, которые включают 7 инвариантов центральных моментов изображения. Обучение нейронной сети с помощью алгоритма обратного распространения ошибки предполагает минимизацию функционала Е, который представляет собой сумму квадратов рассогласований между компонентами реального и желаемого вектора выхода сети. Проведенные исследования показали, что программа правильно классифицирует изображения, при использовании повернутых и смещенных изображений в качестве входных. Но программа плохо распознает изображения с разными масштабами.

Вторая задача - распознавание номерных знаков автомобилей [3]. Исследована система распознавания номерного знака в среде Matlab 7. Исследован метод порога для выделения номерного знака в изображении. В процессе распознавании использовалась нейронная сеть с последовательными связями. В процессе обучения использованы буквы, которые выделяются из реальных номерных знаков автомобилей. В дополнение к оригиналу, обучающему образцы, в набор для обучения добавлены образцы с шумами. Результаты тестирования показали, что обученная сеть может классифицировать более 98% правильно весь набор векторов, которые использовались в процессе обучения.

Третья задача - распознавание типов линий с помощью нейронной сети. В этой работе для распознавания признаков кривых использовалась трёхслойная нейронная сеть с последовательными связями. Слой выхода содержит 5 элементов, которые представляют типы функции линии. Выбираем 5 типов функции как стандартные типы функции для представления произвольной кривой. Эти функции представляют собой следующие: f = a x + b (линейная функция), f = a x2 + b x + c (параболическая функция), f = a + b exp(c x) (экспоненциальная функция), f = a + b Cosh(x + c) (гиперболический косинус), f = a + b Sin(x + c) (синусная функция). Каждый образ признаков этих типов функций имеет определенную область в системе координат признаков [4]. В данной работе для распознавания типов функции линии выбиралось число признаков l = 14. Предложена структура нейронной сети, которая состоит из трёх слоев для распознавания образов стандартных типов функций. Сеть обучена с помощью алгоритма обратного распространения ошибки. Затем обученная нейронная сеть испытывалась с использованием признаков, которые не использовались в процессе обучения. С этими признаками нейронная сеть может правильно классифицировать с вероятностью более 90%.

Результаты проведенных исследований для всех трех задач представлены в докладе.

Список литературы


  1. Ньейн Эй, Научный руководитель – Чепин Евгений Валентинович, к.т.н., доцент, Нейроная сеть для распознавания изображения. // Научная сессия МИФИ 2005. М.: МИФИ.

.com/technology/computing/opencv/index.htm

Nyein Aye, E. V. Chepin (Department of computer systems and technologies Moscow Engineering Physics Institute (State University) Moscow, Russia). "Car license plate recognition system using artificial neural network." Workshop on Computer Science and Information Technologies CSIT’2005, Ufa, Russia, 2005.

Каташкин В.И., Левахин М.Г., Чепин Е.В. Об одном подходе к решению задачи определения вида эмпирической модели. Инженерно-математические методы в физике и кибернетике вып. 8. –М.: Атомиздат , 1979. С. 138.


ISBN 5-7262-0710-6. НАУЧНАЯ СЕССИЯ МИФИ-2007. Том 12