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

1. Краткое описание системы, формулировка задачи…….……..…стр.3

2. Анализ входных и выходных параметров………………………..стр.3

3. Подготовка набора данных..……………………………………....стр.4

4. Выбор типа и архитектуры нейронной сети ……………………..стр.4

5. Выбор способа обучения сети и параметров процесса обучения, выбор функции ошибки и ее допустимого значения ……………………стр.5

6. Оценка качества обучения сети, анализ возможных причин

ошибок ……………………………………………………………...стр.5

1. Анализ возможностей нейронной сети при работе с произвольными данными ……………………………………………………………стр.6

2. Анализ результатов: достоинства и недостатки метода нейросетевого моделирования, оценка пригодности метода для использования в рассматриваемой задаче……………………………………………стр.7

1. 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.

1. 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.

1. 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.

1. 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.

1. Выбор способа обучения сети и параметров процесса обучения, выбор функции ошибки и ее допустимого значения

Параметры процесса обучения представлены на рисунке ниже

1. 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.

1. 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.

1. 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.