Модели и алгоритмы распознавания графических образов на основе нечетких нейронных сетей

• Автор: Мищенко, Вадим Анатольевич
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Воронеж
• Количество страниц: 136 с. : ил.

Оглавление
Введение
Глава I. Современные модели, методы и алгоритмы распознавания образов..
1.1 Интеллектуальные системы распознавания образов
1.2. Обзор существующих моделей, методов и алгоритмов компьютерного зрения
1.3 Нейронные сети - как инструмент в задачах распознавания
1.4 Обзор существующих методов распознавания образов
1.5 Эволюционное моделирование для настройки нейронной нечеткой сети
в задачах распознавания образов
Выводы
Глава II. Распознавание символов с помощью нейронных сетей
2.1 Алгоритм предварительной обработки изображения
2.2 Бинаризация
2.3 Сегментация изображения
2.4 Нейросетевые технологии
2.4.1 Многослойный персептрон
2.4.2 Сеть Кохонена
2.4.3 Сеть Хемминга
2.4.4 Нечеткие нейронные сети. Сеть Ванга-Менделя
2.4.5 Оценка эффективности работы нейронных сетей
Выводы
Глава III. Настройка весовых коэффициентов, с помощью модифицированного генетического алгоритма
3.1 Понятие генетического алгоритма
3.2 Адаптация алгоритма к решаемой задаче
Выводы
Глава IV. Описание программного продукта
4.1 Интерфейс пользователя
4.2 Взаимодействие функциональных блоков
4.3 Технологический процесс
Выводы
Заключение
Список используемой литературы
Приложения

Введение
Актуальность темы. Актуальность темы исследования определяется внедрением компьютерных технологий и систем искусственного интеллекта в различные сферы деятельности человека. Эти исследования опираются на фундаментальные основы такие, как распознавание образов, нейронные сети, генетические алгоритмы.
В новых, бурно развивающихся, научных направлениях
нейробионического и эволюционного моделирования сочетаются методы нечеткой логики и генетических алгоритмов, что открывает новые возможности перед исследователем для решения трудно-формализуемых задач в условиях неопределенности. Появились нейро-нечеткие системы: нечетко-генетические, нейрогенетические и нейро-нечетко-генетические. Данная работа посвящена построению нейро-нечетко-генетической системы и ее практическому использованию в работе почтовой службы.
В настоящее время автоматизация обработки почтовых индексов используется лишь на незначительной части технологического процесса сортировки почтовой корреспонденции. Одним из важнейших критериев оценки эффективности работы автоматизированного распознавания
почтовых индексов является скорость считывания и качество распознавания информации. В настоящее время в России основная часть отправлений подписывается вручную. Таким образом, задача качественного распознавания рукописного текста произвольного стиля в достаточно жестких временных рамках является сложной с технической точки зрения.
Автоматизация обработки почтовых индексов подразумевает
разработку программно-технического комплекса, осуществляющего распознавание индекса и дальнейшую обработку почтового отправления. В основе таких комплексов лежат системы распознавания образов. Одним из наиболее эффективных инструментов для распознавания образов являются системы, построенные на искусственных нейронных сетях. Наиболее эффективным инструментом обучения нейронных сетей является

полученных значений на выходе сети с целевыми значениями. Затем полеченные разности суммируются в общую, так называемую, функцию ошибок, которая характеризует общую ошибку сети. Но чаще, в качестве функции ошибок, берется сумма квадратов ошибок.
Одним из наиболее распространенных алгоритмов обучения многослойных нейронных сетей является алгоритм обратного распространения ошибки. В этом алгоритме вычисляется вектор градиента поверхности ошибок. Затем продвигаемся на некоторую величину в направлении вектора (он будет указывать нам направление наискорейшего спуска), где значение ошибки будет уже меньше. Такое последовательное продвижение постепенно приведет к минимилизации ошибки. Здесь возникает трудность с определением величины, на которую следует продвигаться. Если величина шага будет относительно большой, это приведет к наискорейшему спуску, однако есть вероятность «перепрыгнуть» искомую точку или уйти в неверном направлении, если поверхность имеет достаточно сложную форму. Например, в случае, если поверхность представляет собой узкий овраг с крутыми склонами, алгоритм будет очень медленно продвигаться, прыгая с одного склона на другой. Если же величина шага будет маленькой, это приведет к нахождению наиболее оптимального направления, однако может значительно увеличить число итераций. Для достижения наиболее оптимального результата величина шага берется пропорционально крутизне склона с некоторой константой- скоростью обучения. Выбор этой константы осуществляется экспериментальным путем и зависит от условий конкретной задачи.
Введем следующие обозначения. Матрицу весовых коэффициентов от входов к скрытому слою обозначим IV, а матрицу весов, соединяющих скрытый и выходной слой - V. Для индексов примем следующие обозначения: входы будем нумеровать только индексом элементы скрытого слоя - индексом j, а выходы - индексом к. Число входов сети равно п, число нейронов в скрытом слое - т, число нейронов в выходном слое - р. Пусть