Сравнительный анализ нейросетевых реализаций алгоритмов распознавания образов

Сравнительный анализ нейросетевых реализаций алгоритмов распознавания образов.ОГЛАВЛЕНИЕ Стр. Введение 1. Общее описание исследуемых нейронных сетей. 1.1 Однослойные сети. Персептрон. 1.2 Многослойные сети. 1.3 Сети Хопфилда. 2. Описание программных моделей и алгоритмов их обучения. 3. Методика и результаты экспериментальных исследований. 3.1 Проблема функции ИСКЛЮЧАЮЩЕЕ ИЛИ. 3.2 Исследование представляемости однослойной и двухслойной нейронной сети. 3.3 Релаксация стимула. 3.4 Возникновение ложного образа. Выработка прототипа. 3.5 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

Общее описание исследуемых нейронных сетей . 1.1

Однослойные сети. Персептрон

По сути персептрон состоит из одного слоя искусственных нейронов, соед... Сети, рассмотренные выше, не имели обратных связей, т.е. В его работе [7] при имитации поведения ансамбля нейронов использовали... Одно из этих уравнений представляет изменение  под действи... Когда подается новый входной вектор, сеть переходит из вершины в верши...

Описание программных моделей и алгоритмов их обучения

В работе моделируется персептрон с последовательными связями, который ... Такая топологическая структура удобна с точки зрения ее программной ре... Ее дополнительные преимущество состоит в автоматическом контроле усиле... Всем весам присвоены начальные значения, выбранные случайным образом и... Номер нейрона выбирается случайным образом.

Методика и результаты экспериментальных исследований

Методика и результаты экспериментальных исследований . 3.1

Проблема функции ИСКЛЮЧАЮЩЕЕ ИЛИ

К одному классу образов относили, подаваемое на измерительную сетчатку... В результате распознавания персептрон классифицировал первый из указан... Т. персептрон ошибся на втором образе. Эти же обучающие пары предоставили... В результате сеть все образы классифицировала правильно.

Исследование представляемости однослойной и двухслойной нейронной сети

Исследование представляемости однослойной и двухслойной нейронных сете... 2. При уровне допустимой ошибки 0.00001 персептрон путал классами цифру 1... 3.3 Релаксация стимула. Как говорилось состояние сети Хопфилда описыва... Приложение 1, где показаны промежуточные состояния.

Возникновение ложного образа. Выработка прототипа

Приложение 1. В применении к случаю прототипа с тремя записанными в памяти образами ... Рис. 3.6 Бистабильность восприятия. Эксперименты с моделью сети Хопфилда по... 7.

Заключение. В работе созданы программные модели трех нейронных сетей: персептрон, сеть обратного распросранения и сеть Хопфилда. Модели позволяют проиллюстрироваь основные достоинства и недостатки, а также ряд специфических свойств реализованных моделей.

Во всех моделях для приложения внешнего стимула использовалась, специально разработанная программно, измерительная сетчатка. Результаты серии экспериментов, проведенных на моделях, показали, что: • Способность персептрона и сети обратного распространения моделировать определенную функцию зависит от допустимой общей ошибки сети. • Топологическая структура сети Хопфилда обуславливает ее свойства, которые можно интерпритировать как релаксация стимула, выработка прототипа, бистабильность восприятия.

В дальнейшем планируется разработка программных моделей более сложных нейронных сетей и их комбинаций с целью получения наиболее эффективных алгоритмов для задачи распознавания образов. Литераура. 1.Горбань А.Н Россиев Д.А Нейронные сети на персональном компьюере. 2. Минский М.Л Пайперт С Персепроны. М.: Мир.1971 3. Розенблатт Ф.Принципы нейродинамики. М.: Мир.1965 4. Уоссермен Ф.Нейрокомпьютерная техника. М.: Мир.1992.237С 5. Cohen M.A Grossberg S.G.Absoiute stability of global pattern formation and parallel memory storage by compatitive neural networks.1983 6. Hebb D.O.Organization of behavior.

New York:Science Edition 7. Hopfield J.J.Neural networks and physical systems with emergent collective computational abilities. Proseedings of the National Academy of Science 79.1982 8. Parker D.B. Learning-logic. Invention Report. 1982 9. Rumelhart D.E. Hinton G.E Williams R.J. Learning internal representations by error propagation. In Parallel distributed processing, vol.1986 10. Werbos P.G. Beyond regression: New tools for prediction and analysis in the behavioral sciences. 1974 11. Wider R.O. Single-stage logic, Paper presented at the AIEE Fall General Meeting. 1960 12. Windrow B. The speed of adaptetion in adaptive control system. 1961 13. Windrow B. A statistical theory of adaptetion. Adaptive control systems. 1963 14. Windrow B Angell J.B. Reliable, trainable networks for computing and control. 1962 15. Windrow B Hoff N.E. Adaptive switching circuits. 1960 Приложение 1. Рис. 1. Рис. 2.