Этапы решения задачи классификации цифр арабского алфавита на основе нейронных сетей: выбор класса, структуры и пакета нейронной сети, ее обучение, требования к информационной и программной совместимости, составу и параметрам технических средств.
Содержание 1. Анализ исходных данных и разработка ТЗ 1.1 Основание и назначение разработки 1.2 Классификация решаемой задачи 1.3 Предварительный выбор класса НС 1.4 Предварительный выбор структуры НС 1.5 Выбор пакета НС 1.6 Минимальные требования к информационной и программной совместимости 1.7 Минимальные требования к составу и параметрам технических средств 2. Окончательный выбор модели, структуры и параметров обучения НС 2.3 Блок-схема алгоритма обучения 3. Назначением работы является освоение нейронной сети. 1.2 Классификация решаемой задачи В таблице 1 представлены некоторые проблемы, решаемые нейронными сетями [5]. Проблема Исходные данные Выходные данные Задача Применение Классификация вектор признаков вектор, значения всех координат которого должны быть равными 0, за исключением координаты, соответствующей выходному элементу, представляющему искомый класс(значение этой координаты должно быть равным 1) указание принадлежности входного образа одному или нескольким предварительно определенным классам распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация клеток крови Кластеризация (классификация образа без учителя) вектор признаков, в котором отсутствуют метки классов - Алгоритм основан на подобии образов и размещает близкие образы в один кластер извлечение знаний, сжатие данных и исследование свойств данных Апроксимация функций (имеется обучающая выборка ((xl yi), (х2, у2), ..., (xn, yw)), которая генерируется неизвестной функцией, искаженной шумом) набор обучающих векторов рассчитанное сетью значение функции нахождение оценки функции Прогнозирование ( заданы N дискретных отсчетов {(y(f1), y(f2), …, y(fN)} в последовательные моменты времени t1, t2, …, tN ) вектора данных по M признакам за T периодов времени вектора данных по M признакам за периоды времени T L предсказание значения y(tN 1) в момент tN 1 принятие решений в бизнесе, науке и технике Управление (рассматривается динамическая система, заданная совокупностью {u(t), y(t)}) u(t) - входное управляющее воздействие (t) - выход системы в момент времени t расчет такого входного воздействия u(t), при котором система следует по желаемой траектории, диктуемой эталонной моделью Исходными данными для данной задачи является вектора(из нулей и единиц) размерности 60, которые описывают каждую из 10 арабских цифр, выбранных для обучения. Исходя из выше сказанного остановим свой выбор на следующих классах: Персептрон, однослойный и многослойный; Сети Хопфилда; Сети Ворда; Сети Кохонена; Двунаправленная ассоциативная память(ДАП); Проведем сравнительный анализ данных классов[5]: Класс Модель Область применения Достоинства Недостатки Однослойный персептрон отдельный персептронный нейрон вычисляет взвешенную сумму элементов входного сигнала, вычитает значение смещения и пропускает результат через жесткую пороговую функцию, выход которой равен 1 или -1 в зависимости от принадлежности входного сигнала к одному из двух классов распознавание образов, классификация программные или аппаратные реализации модели очень просты.
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
