Курсовая работа: Нейросетевые технологии распознавания пиксельных изображений

Оглавление
Введение
Постановка задачи
Обзор существующих решений
Simbrain
Neuroph
Nengo
Encog
Существующие реализации сверточных сетей
Выводы из обзора
Описание решения
Варианты слоев нейронной сети
Полносвязный слой
Слой свертки
Слой субдискретизации
Методы оптимизации работы нейронной сети
Стохастический и пакетный режимы обучения
Перемешивание обучающих примеров
Нормализация входных данных
Сигмоидальная функция
Выбор скорости обучения
Тестирование системы
Описание базы MNIST
Предобработка изображений
Описание решения и топология сети
Заключение
Продолжение исследования
Список литературы

Введение

Автоматическое (машинное) распознавание, описание, классификация и группирование образов – важные задачи в большом количестве инженерных и научных областей, таких как биология, физиология, медицина, маркетинг, компьютерное зрение, искусственный интеллект. Введем понятие образа. Образ – противоположность хаоса; это определенная сущность, которой может быть дано имя. Существуют два класса задач распознавания/классификации: 1) распознавание с учителем, в котором входной образ считается членом определенного класса; 2) распознавание без учителя (например, классификация), в котором образ считается членом неизвестного класса. Нужно заметить, что задача распознавания считается задачей классификации, в которой классы либо задаются дизайнером системы(в распознавании с учителем), либо строятся на основании схожести образов (в распознавании без учителя).
Одной из наиболее трудных задач распознавания образов является задача распознавания (классификации) изображений. Эта задача возникает в таких областях как распознавание рукописного текста, дорожных знаков, номеров автомобилей, стерео- и мультизрение. Отличи