Лабораторная работа: Сканы готовой первой лабораторной работы
Описание
Характеристики лабораторной работы
Список файлов
Файлы скачаны со студенческого портала для студенты "Baumanki.net"
Файлы представлены исключительно для ознакомления
Не забывайте, что Вы можете зарабатывать, выкладывая свои файлы на сайт
Оценивайте свой ВУЗ в различных голосованиях, в том числе в досье на преподавателей!
Распознанный текст из изображения:
ими-лаврен — г ° ° р ° ° й ° Фу
сетей обратного распространения и моделирование нейронной сети для решения задачи распознавания образов.
Табл. 1. Первый входной образ.
Табл. 3. Третий входной образ.
Табл. 4. Четвертый входной образ.
Г1остановка задачи: Создать нейронную сеть, реализующую функции распознавания графических изображений - с применением модели сети обратного распространения. Изображения представим в виде двоичных векторов, закодированных следующим образом:
Распознанный текст из изображения:
Входной
Скрытый
слой ~
Выходной слой М
слой ~
Желаемый
сигнал1
Желаем
ый
сигна
Желаемый сигнал„
Обучение сети обратного распространения.
Целью обучения сети является такая подстройка ее весов, чтобы приложение
Перед началом обучения всем весам должны быть присвоены небольшие начальные значения, выбранные случайным образом. Зто гарантирует, что в сети не произойдет насыщения большими значениями весов. Например, если всем весам придать одинаковые начальные значения, а для требуемого функционирования нужны неравные значения, то сеть не сможет обучиться.
Алгоритм обучения:
некоторого множества входов приводило к требуемому множеству выходов. При обучении предполагается, что для каждого входного вектора существует парный ему целевой вектор, задающий требуемый выход. Вместе они называются обучаюшей ларой. Например, входная часть обучающей пары может состоять из набора нулей и единиц, представляющего образ некоторой буквы алфавита. Совокупность обучающих пар называется обучающим множеством.
Распознанный текст из изображения:
1. Выбрать очередную обучающую пару из обучающего множества; подать
входной вектор на вход сети.
2. Вычислить выход сети.
3. Вычислить разность между выходом сети и требуемым выходом (целевым
вектором обучающей пары).
На шаги 1 и 2 ложно с иотреть как на «проход вперед», так как сигнал
распространяется по сети от входа к выходу.
4. Подкорректировать веса сети так, чтобы минимизировать ошибку.
5. Г1овторять шаги с 1 по 4 для каждого вектора обучающего множества до тех пор, пока ошибка на всем множестве не достигнет приемлемого уровня.
Шаги 3, 4 составляют «обратный проход», вычисляемый сигнал ошибки
распространяется обратно по сети и используется для подстройки весов.
Распознанный текст из изображения:
Присвоить всем вес козффициеитам ма случаЙ~~~ значен
Проход вперед, вычи ВЫХОДЫ СКРЫТОГО СХ
Проход вперед, вычи выходы ВыхОднОГО с
братный проход,
рректировать веса
ыходиого слоя к
Оратный проход,
рректировать веса
скрытого слоя 1
Вычислить
лнять внешний дикл
среднеквадратичная
ошибка по всем
ающим выборкам не
ИГИЕТ ДОПУСТИМОГО
значения
Распознанный текст из изображения:
2. Файл соб чаю ейвыбо кой.
Обучение сети до заданной среднеквадратичной ошибки:
Среднеквадратичная ошибка 0,01 достигнута за 100 циклов обучения;
Среднеквадратичная ошибка 0,005 достигнута за 250 циклов обучения;
Среднеквадратичная ошибка 0,001 достигнута за 3910 циклов обучения;
~1 „И
0 0 1 с1 0 0 1
ТФ, Т!
0 0 1 б 0 0 1
11 $1
0 0 1 с1 0 0 1
! !1 1У
1 0 0 1 с1 0 0 1
0 0 0 0 1 0 0 1 0 1 0 1 0 1 1 1 0 0 0 1 0 0 0 0 0 0 1 0 0 1 0 1 0 1 0 1 1 1 0 0 0 1 0 0 0 0 0 1 1 1 0 1 0 1 0 1 0 0 1 0 0 0 0 1 0 0 0 0 0 1 1 1 0 1 0 1 0 1 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 1 1 1 1 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 1 1 1 1 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0
Распознанный текст из изображения:
С искаженными образами:
Вывод: Создала нейронную сеть, реализующую функции распознавания
графических изображений — с применением модели сети обратного
распространения. Обученная сеть хорошо справилась со всеми ошибками.
Начать зарабатывать