Нейроэволюционный алгоритм и программные средства для обработки изображений

• Автор: Цой, Юрий Робертович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Томск
• Количество страниц: 213 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ.
ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР ЭВОЛЮЦИОННЫХ АЛГОРИТМОВ, ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ И НЕЙРОЭВОЛЮЦИОНОГО ПОДХОДА

1.1. Обзор и анализ эволюционных алгоритмов

1.1.1 Классификация методов адаптации в ЭА.

1.2. Искусственные нейронные сети

1.2.1. Проблема формирования обучающего множества данных

1.2.2. Нейросетевая обработка изображений

1.3. Анализ нейроэволюционного подхода.

1.3.1. Эволюционная настройка весов связей ИНС.

1.3.2. Эволюционная настройка структуры ИНС

1.3.3. Одновременная эволюционная настройка весов связей и структуры ИНС
1.3.4. Приложения НЭ подхода.
1.4. Цель и задачи исследования
1.5. Основные результаты и выводы по главе.
ГЛАВА 2. ИССЛЕДОВАНИЕ ЭВОЛЮЦИОННЫХ АЛГОРИТМОВ
2.1. Анализ операторов кроссинговера.
2.1.1. Вероятность сохранения шаблона
2.1.2. Время смешивания
2.1.2.1 Способ вычисления времени смешивания для ОК для целочисленных хромосом.
2.1.2.2 Экспериментальная проверка оценок времени смешивания
2.1.2.3 Анализ и обсуждение результатов моделирования.
2.2. ГЕННЫЙ ОПЕРАТОР КРОССИНГОВЕРА.
2.2.1. Исследование эффективности генного ОК.
2.2.2. Выводы по исследованию эффективности генного ОК.
2.3. Адаптация размера популяции.
2.3.1. Исследование влияния изменения размера популяции на характеристики эволюционного поиска
2.3.2. Стратегия адаптации размера популяции.
2.4. Основные результаты и выводы по главе.
ГЛАВА 3. ОПИСАНИЕ И ТЕСТИРОВАНИЕ РАЗРАБОТАННОГО НЕЙРОЭВОЛЮЦИОННЫЙ АЛГОРИТМ V
3.1. Индексирование нейронов ИНС.
3.2. Общее описание разработанного НЭ алгоритма
3.3. Кодирование информации
3.4. Генетические операторы
3.4.1. Оператор скрещивания
3.4.2. Оператор мутации
3.5. Экспериментальное исследование разработанного НЭ алгоритма 1.
3.5.1. Исключающее ИЛИ
3.5.2. Задача балансирования шестов.
3.6. Разработка библиотеки классов для эволюционных вычислений
3.6.1. Обзор существующих инструментальных библиотек для эволюционных вычислений.
3.6.2. Общие требования к библиотеке классов
3.6.3. Выбор средств разработки.
3.7. Структура разработанной библиотеки классов IЮ
3.7.1. Общее описание.
3.7.2. Описание структур данных.
3.7.3. Описание классов эволюционных операторов.
3.7.4. Описание класса задачи.
3.7.5. Описание класса эволюционного алгоритма
3.8. Реализация нейронной сети
3.9. Основные результаты и выводы по главе
ГЛАВА 4. УЛУЧШЕНИЕ КАЧЕСТВА ЦИФРОВЫХ ИЗОБРАЖЕНИЙ
4.1. Вводные замечания
4.2. Общие положения предлагаемого способа нейросетевой обработки изображений.
4.3. Оценка функционирования ИНС
4.3.1. Анализ и модификация оценки МунтеануРоса
4.3.2. Ранняя проверка ИНС
4.4. Трехэтапная обработка
4.5. Приближенное вычисление локальных характеристик
4.5.1 Экспериментальное исследование точности приближенных формул для вычисления локальных характеристик
4.6 Тестирование трехэтапного способа обработки изображений
4.6.1 Описание экспериментов
4.6.2 Результаты экспериментов
4.7 Анализ работы ИНС.
4.8. Описание программ для обработки изображений
4.8.1. Описание программы Стабег.
4.8.2. Описание программы СггегЬке
4.9 Основные результаты и выводы по главе 4.
ЗАКЛЮЧЕНИЕ.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Использование одновременно множества решений (популяции) делает возможным параллельный поиск и часто позволяет компенсировать возможную неопределенность при вычислении приспособленностей [], а также исправить, «починить» (repair) ненужные изменения хромосом []. Рис. Рис. Пример генетического кодирования, целочисленный вариант. Оптимизируемые параметры задачи кодируются в виде бинарной последовательности - хромосомы. Одним из преимуществ использования ЭА при решении задач оптимизации является их нетребовательность к «знанию» предметной области. Генетическое кодирование. Определяет исследуемое пространство поиска и отношение между генотипом (хромосомами) и фенотипом (соответствующими решениями) («один-к-одному», «один-ко-многим», «многие-к-одному»). Генетические операторы. Используются для рекомбинации и вариации представленных в популяции хромосом и соответствующих им решений. Сюда же относятся операторы селекции и формирования нового поколения. Функция приспособленности. Необходима для определения качества получаемых решений и определяет характеристики ландшафта пространства поиска (количество локальных экстремумов, наличие илато, ограничения). Общая схема эволюционного поиска. Определяет последовательность выполнения различных операций эволюционного поиска. Настройка параметров ЭА существенно влияет на его эффективность и качество получаемых решений. Длительность эволюции (число поколений). Размер популяции (число хромосом в одном поколении). Параметры генетических операторов (вероятность применения, количество точек разрыва кроссинговера и др. Исследование пространства поиска {exploration). Использование найденных «хороших» решений {exploitation). Первый аспект отвечает за способности ЭА к эффективному поиску решения и характеризует способности алгоритма избегать локальных экстремумов. Второй аспект важен для постепенного улучшения имеющихся результатов от поколения к поколению на основе уже найденных «промежуточных» решений. Пренебрежение исследовательскими способностями приводит к существенному увеличению времени работы ЭА и ухудшению результатов из-за «застревания» алгоритма в локальных экстремумах. В итоге становится возможной преждевременная сходимость ЭА (также говорят о вырождении популяции)когда решение еще не найдено, но в популяции практически все особи становятся одинаковыми и долгое время (порядка нескольких десятков и сотен поколений) не наблюдается улучшения лучшей приспособленности. Игнорирование найденных решений может привести к тому, что работа ЭА будет напоминать случайный поиск, что также отрицательно сказывается на эффективности поиска и качестве получаемых решений. Основная цель в настройке параметров ЭА и, одновременно, необходимое условие для стабильного получения хороших результатов работы алгоритма - это достижение баланса между исследованием пространства поиска и использованием найденных решений [, ]. Взаимосвязь между параметрами генетического алгоритма, а также их влияние на эволюционный процесс носит сложный характер [, , , ]. На рис. ГА на характеристики эволюционного поиска [6]. Рис. Одной из отличительных особенностей ЭА являются их адаптивные способности, что дает возможность реализовать подстройку параметров ЭА в процессе его работы для повышения эффективности ЭА и качества результатов. Детерминированная настройка параметров. Адаптивная настройка параметров. Адаптивная самонастройка параметров. В случае детерминированной настройки параметров ЭА [, , , 6, 0, 4] задается процедура, управляющая изменением значений параметров. При этом состояние процесса эволюционного поиска не учитывается, а принимается во внимание только количество поколений, прошедших с момента запуска ЭА. Разрушающие способности (disruption abilities) кроссинговера определяют вероятности разрушения шаб-юнфсЬета) в зависимости от его длины и порядка [0] (см. Разрыв поколений (generation gap) - параметр, определяющий долю особей в популяции, вытесняемых потомством, и вычисляемый как G = ptN, где р - количество потомков, N - размер популяции [].