Пример распознавание фигур
Описание файла
Документ из архива "Пример распознавание фигур", который расположен в категории "". Всё это находится в предмете "нейросетевое моделирование сложных технических систем" из 11 семестр (3 семестр магистратуры), которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "курсовые/домашние работы", в предмете "нейросетевое моделирование сложных технических систем" в общих файлах.
Онлайн просмотр документа "Пример распознавание фигур"
Текст из документа "Пример распознавание фигур"
Московский Государственный Технический Университет имени Н. Э. Баумана
Домашнее задание
по курсу «Нейросетевое моделирование»
Выполнил:
Студент группы МТ11-111
П.И.Коновалов
Принял:
Доцент кафедры МТ11, к.т.н.
Е.В.Булыгина
Москва, 2006г.
Содержание
-
Краткое описание системы, формулировка задачи…….……..…стр.3
-
Анализ входных и выходных параметров………………………..стр.3
-
Подготовка набора данных..……………………………………....стр.4
-
Выбор типа и архитектуры нейронной сети ……………………..стр.4
-
Выбор способа обучения сети и параметров процесса обучения, выбор функции ошибки и ее допустимого значения ……………………стр.5
-
Оценка качества обучения сети, анализ возможных причин
ошибок ……………………………………………………………...стр.5
-
Анализ возможностей нейронной сети при работе с произвольными данными ……………………………………………………………стр.6
-
Анализ результатов: достоинства и недостатки метода нейросетевого моделирования, оценка пригодности метода для использования в рассматриваемой задаче……………………………………………стр.7
-
Краткое описание системы, формулировка задачи
Задача, которую мы ставили перед нейронной сетью, является продолжением темы нашего реферата – распознавание изображений. Мы принимали объектом исследования квадрат пикселей 10х10 (100 пикселей), на который «падает» изображение одной их 3 геометрических фигур: треугольника, круга, прямоугольника. Цель для сети – определить, что за фигура «падает» на вход.
-
Анализ входных и выходных параметров
Входные параметры: единичным входным воздействием принимался вектор состояний входной матрицы пикселей – 100 составляющих, каждой из которых при съеме данных присваивался логический «0», если в этот пиксель не попадало изображение, либо логическая «1», если изображение попадало в пиксель.
Выходным параметром принималась функция Y(a1,a1..a99,a100), выдающая лишь 3 значения: 1, 2, 3, если на входной матрице пикселей изображение треугольника, круга, прямоугольника соответственно.
-
Подготовка набора данных
Большую часть времени выполнения домашнего задания у нас заняла подготовка данных: случайным образом было сгенерировано 135 состояний входной матрицы пикселей и составлены им соответствующие входные векторы. Их графическую иллюстрацию, а также таблицу векторов можно найти в электронном варианте дз в папке «домашнее задание» (файл «входные данные» пакета «КОМПАС V8»).
135 векторов были разбиты на обучающее, контрольное и тестовое множества по 45 векторов.
-
Выбор типа и архитектуры нейронной сети
Для выполнения поставленной задачи были выбраны следующие типы сетей: линейная, многослойный персептрон и сеть кохонена. Т.к. наилучший результат, на наш взгляд, был получен на сети кохонена, далее будем описывать, в основном, этот тип.
-
Выбор способа обучения сети и параметров процесса обучения, выбор функции ошибки и ее допустимого значения
Параметры процесса обучения представлены на рисунке ниже
-
Оценка качества обучения сети, анализ возможных причин ошибок
Оценку качества обучения сети проводим на основе статистики классификации:
По таблице видно, что сеть прошла обучение на 36%, распознала тестовое множество на 33,3%, распознала контрольное множество на 51%. Учитывая, что в случае отсутствии логики у сети и вообще в случае выбора одного из трех некорелирующих возможных состояний функции вероятность «угадать» не превышает 33,3%, можно утверждать о положительном результате обучения: 51%>33,3%. Причиной неполного обучения сети мы считаем недостаток входных данных, т.к. число входных векторов должно было бы быть на порядок больше числа связей в сети, т.е. около . Разумеется, что даже 50% этого набора составить нам было невозможно.
-
Анализ возможностей нейронной сети при работе с произвольными данными
При работе сети с произвольными данными наблюдалась та же статистика, что и с контрольным множеством. Интересными были результаты, когда на вход подавались вектора отмасштабированного треугольника и треугольника с поворотом: сеть узнавала фигуры, несмотря на отсутствие подобных данных в обучающим множестве. Однако утверждать о наличии логики мы не беремся, т.к. процент подобных распознаваний не превышал 33,3. Возможно, ради интереса мы продолжим набор обучающих данных и увеличим «прозрачность» матрицы – число пикселей.
-
Анализ результатов: достоинства и недостатки метода нейросетевого моделирования, оценка пригодности метода для использования в рассматриваемой задаче
Анализ результатов показал возможность распознавания изображения по схеме «матрица входа», что может быть основой «электронного зрения» - использование ПЗС-матрицы может дать машине нужную информацию. Говорить что-либо о достоинствах и недостатках не приходится по причине отсутствия какого бы ни было альтернативного решения поставленной задачи – только нейросеть.