- •«Тверской государственный технический университет»
- •Дипломная работа
- •«Тверской государственный технический университет»
- •Аннотация
- •Содержание
- •Введение
- •1 Структура и свойства искусственных нейронных сетей
- •1.1 Модель искусственного нейрона
- •1.2 Активационные функции
- •1.3 Искусственные нейронные сети
- •2 Проблема классификации образов
- •2.1 Рецепторная структура восприятия информации
- •2.2 Обучение сетей
- •2.2.1 Общие принципы обучения сетей
- •2.2.2 Обучение сетей с помощью алгоритма обратного распространения ошибки
- •2.3 Персептрон как модель распознавания образов
- •3 Моделирование искусственной нейронной сети для распознавания образов
- •3.1 Постановка задачи
- •3.2 Алгоритм распознавания образов на примере цифр
- •3.3 Полученные результаты
- •Заключение
- •Список использованных источников
Введение
Одним из наиболее актуальных направлений в области кибернетики является построение программных приложений для распознавания цифровых символов. В настоящее время существуют некоторые реализации нейронных сетей для распознавания цифр. Но, существующие алгоритмы не обеспечивают 100% распознавания символов. Следовательно, постоянное повышение эффективности существующих алгоритмов, а также разработка новых алгоритмов – является актуальной задачей.
На сегодняшний день существуют два основных направления применения нейронных сетей:
символьное – предполагает моделирование процессов мышления человека;
нейрокибернетическое – моделирование низкоуровневой структуры человеческого мозга.
Системы искусственного интеллекта должны эффективно решать неформализованные задачи. Результаты должны быть сравнимы с человеческими возможностями. Подобные системы должны обладать следующими особенностями:
1) использование собственной модели внутреннего мира;
2) способность пополнять имеющиеся знания;
3) способность к генерации новой информации, не содержащейся в модели;
4) корректная работа с разной степенью нечеткости;
5) взаимодействие с человеком;
6) адаптация.
Объект работы – нейронная сеть.
Предмет работы – распознавание цифровых символов с помощью нейронной сети.
Цель работы – проектирование и разработка искусственной нейро-матричной сети для облегчения распознавания цифровых символов.
Достижение указанной цели осуществлено за счет решения следующих задач:
Накопление базы данных исследуемых объектов;
Исследование свойств объектов для применения их в нейронной сети;
Разработка пошагового алгоритма работы сети;
Получение высокого результата классификации;
Тестирование программной реализации сети.
Работа состоит из введения, трех глав, заключения, списка использованной литературы. Текст работы изложен на 65 страницах, в том числе содержит 39 рисунков и 2 листинга.
1 Структура и свойства искусственных нейронных сетей
1.1 Модель искусственного нейрона
Самыми сложными системами, занимающимися переработкой информации, являются мозг человека и центральный процессор (ЦП) компьютера. Процессор способен интегрировать миллионы полупроводниковых транзисторов. За счет этого он становится подобен человеческому мозгу.
В состав мозга входит порядка 100 миллиардов нейронов. Один нейрон связан с 10000 других нейронов. Биологические нейроны отвечают за все процессы, связанные с мышлением, запоминанием, обработкой информации и т.д. По этой аналогии работают процессоры персональных компьютеров (рисунок 1.1) [1].
Рисунок 1.1 – строение мозга и центрального процессора компьютера
В биологическом мозге, отдельный нейрон является медленнодействующим, но за счет большого количества связей, работа мозга является достаточно быстрой. В схеме процессора, отдельный полупроводник является быстродействующим, но количество связей у него намного меньше, по сравнению с биологическим прототипом [2].
Мозг разделен на отделы. Каждый из отделов имеет модульную структуру.
Нейрон обладает многими качествами, общими с другими элементами тела, но его уникальной способностью является прием, обработка и передача электрохимических сигналов по нервным путям [3].
Составляющими нейрона являются: тело клетки, дендрит и аксон [4]. Нейроны, также называемые нервными клетками, обладают электрической активностью. Их основная задача – управление всем организмом.
Сигналы, проходящие через нейроны, могут обладать разной полярностью: положительные или отрицательные, возбуждающие или тормозящие. Величина сигнала определяется за счет веса синапса и может быть различной.
Вес синапса может меняться в процессе его функционирования. Каждый нейрон можно отнести к одной из групп:
Рецепторные – ввод информации;
Промежуточные – обработка информации;
Эффекторные – передача сигнала органам тела.
Каждый нейрон способен к реализации так называемой пороговой функции. Если получаемый им сигнал превосходит значение данной функции, нейрон формирует сигнал [6]. Структура нейрона приведена на рисунке 1.2.
Рисунок 1.2 – структура нейрона
Нейроны создают новый сигнал, имеющий различные уровни биологического моделирования:
группа нейронов;
нейронная сеть;
нервная система;
мыслительная деятельность;
мозг.
И мозг, и процессор оперируют сигналами, выполняют вычислительные функции [7].
Медлительность нейрона, по сравнению с полупроводником процессора, компенсируется за счет большого количества параллельных вычислительных блоков. Количество этих блоков намного больше, чем на персональном компьютере [8].
Мозг человека может эффективно работать при определенной степени неточности входящих данных. При этом, ест вероятность совершения ошибки. Процессор компьютера свободен от ошибок, при условии точности входных данных и корректной работе программного обеспечения [9].
Несмотря на то, что нейронная сеть создана на основе мозга, обе эти системы обладают определенной степенью отличия. Системы являются оптимальными для решения задач различного типа [10].
Для эффективного решения задач, разработчики нейронных сетей часто вынуждены отходить от современных биологических знаний. В таких ситуациях, мозг используется скорее, как метафора, чем как реальный прототип [11]. Несмотря на это, нейронное моделирование стремится понять, как работает нервная система человека и создать мощную вычислительную систему, не уступающую человеческому мозгу [12].
Искусственный нейрон является имитацией биологического нейрона. Входной сигнал, поступающий на очередной нейрон, является выходом нейрона с предыдущего слоя. Значение входа умножается на весовой коэффициент.
Входные сигналы (x1, x2,…, xn) поступают на искусственный нейрон [13]. Каждый из них умножается на вес w1, w2,…, wn Вес представляет собой «силу» синаптической связи.
Суммирующий блок – тело биологического элемента, суммирует взвешенные входы и создает выход – NET. В векторных обозначениях это может быть компактно записано следующим образом:
(1)
Схематически, работа искусственного нейрона изображена на рисунке 1.3.
Рисунок 1.3 – Искусственный нейрон