Распознавание образов методом нейронных сетей. Многослойный персептрон
Савченкова Е.В.,
преподаватель 2-ой категории УО «ВГТК», г. Витебск, Республика Беларусь
Научный руководитель – Корчевская Е.А., канд. физ.-мат. наук, доцент
Теория распознавания образов– это раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций, объектов, которые характеризуются конечным набором некоторых свойств и признаков.
К примерам задач распознавания образовможно можно отнести следующие: оптическое распознавание символов; распознавание штрих-кодов, автомобильных номеров, лиц, речи, распознавание изображений, участков земной коры; классификацию документов.
Создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой. Традиционно задачи распознавания образов включают в круг задач искусственного интеллекта. Можно выделить три метода распознавания образов:
1. Метод перебора. В этом случае производится сравнение с базой данных, где для каждого вида объектов представлены всевозможные модификации отображения
2. Второй подход – производится более глубокий анализ характеристик образа.
3. Следующий метод – использование искусственных нейронных сетей (ИНС).
Нейронная сеть представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединений которых зависит от типа сети. В основе искусственных нейронных сетей лежат черты живых нейронных сетей. Прототипом для создания нейрона послужил биологический нейрон головного мозга.
|
|
|
Поведение искусственной нейронной сети зависит как от значения весовых параметров, так и от функции возбуждения нейронов. Известны три основных вида функции возбуждения: пороговая, линейная и сигмоидальная.
Одной из ряда моделей нейронных сетей является модель Розенблата, которая была предложена в 1958 году американским нейрофизиологом Ф. Розенблатом. Он ввел в модель Маккаллока и Питтса способность связей к модификации, что сделало ее обучаемой. Эта модель была названа персептроном. Первоначально персептрон представлял собой однослойную структуру с жесткой пороговой функцией процессорного элемента и бинарными или многозначными входами.
Серьезным недостатком персептрона является то, что не всегда существует такая комбинация весовых коэффициентов, при которой имеющееся множество образов будет распознаваться данным персептроном. Причина этого недостатка состоит в том, что лишь небольшое количество задач предполагает, что линия, разделяющая эталоны, будет прямой. Выходом из этого положения является использование многослойного персептрона, способного строить ломаную границу между распознаваемыми образами.
|
|
|
Многослойными персептронами называют нейронные сети прямого распространения. Входной сигнал в таких сетях распространяется в прямом направлении, от слоя к слою. Многослойный персептрон в общем представлении состоит из следующих элементов: множества входных узлов, которые образуют входной слой; одного или нескольких скрытых слоев вычислительных нейронов; одного выходного слоя нейронов.
Количество входных и выходных элементов в многослойном персептроне определяется условиями задачи. Сложность может возникнуть в отношении того, какие входные значения необходимо выбрать. Также не ясен пока вопрос о том, сколько использовать промежуточных слоев и элементов в них. В качестве начального приближения можно взять один промежуточный слой, а число элементов в нем положить равным полусумме числа входных и выходных элементов.
Многослойные персептроны успешно применяются для решения разнообразных сложных задач и имеют следующих три отличительных признака:
1) каждый нейрон сети имеет нелинейную функцию активации;
2) несколько скрытых слоев;
3) высокая связность.
|
|
|
Комбинация всех этих свойств наряду со способностью к обучению на собственном опыте обеспечивает вычислительную мощность многослойного персептрона. Однако эти же качества являются причиной неполноты современных знаний о поведении такого рода сетей.
Описанная проблема не является единственной трудностью, возникающей при работе с персептронами - также слабо формализован метод обучения персептрона. Персептрон поставил ряд вопросов, работа над решением которых привела к созданию более "разумных" нейронных сетей и разработке методов, нашедших применение не только в нейрокибернетике.
Дата добавления: 2018-02-18; просмотров: 1269; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!