Классификация римских цифр на основе нейронных сетей

ЗАДАНИЕ

на курсовое проектирование

Тема курсового проекта Классификация римских цифр на основе нейронных сетей

Исходные данные к проекту

1.       NeuroShell2 русское издание

2.       NeuroShell Classifier v2.0

3.       NeuroPro

Содержание пояснительной записки

1.       Назначение проекта

2.       Требования

3.       Выбор нейронной сети и нейропакета

4.       Обучение

5.       Блок-схема алгоритма обучения

6.       Тестовый пример

Рекомендуемая литература

1.       Стандарт предприятия СТП 1–У–НГТУ–98

2.       Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия – Телеком, 2001. – 382 с.:ил.

3.       Электронный учебник по NeuroShell 2

4.       Каллан Р. Основные концепции нейронных сетей

Содержание

1       Анализ исходных данных и разработка ТЗ

1.1  Основание и назначение разработки

1.2  Классификация решаемой задачи

1.3  Предварительный выбор класса нейронной сети

1.4  Предварительный выбор структуры нейронной сети

1.5  Выбор пакета нейронной сети

1.6  Минимальные требования к информационной и программной совместимости

1.7  Минимальные требования к составу и параметрам технических средств

2       Обучение нейронной сети

2.1  Формирование исходных данных

2.2  Окончательный выбор модели, структуры нейронной сети

2.3  Выбор параметров обучения

2.4  Оптимальные параметры обучения

2.5  Блок-схема алгоритма обучения

3       Анализ качества обучения

Вывод

Список использованных источников

1. Анализ исходных данных и разработка технического задания

 

1.1 Основание и назначение разработки

Данную разработку технического задания можно отнести к применению нейронных сетей, выполняется как курсовая работа в пределах дисциплины «Представление знаний в информационных системах». Целью данной разработки является освоение моделирования нейронных сетей. Назначением работы является необходимость решения задачи классификация римских цифр на основе нейронной сети.

1.2 Классификация решаемой задачи

 

Исходными данными в работе является набор изображений некоторого размера.

Рассмотрим классификацию решаемых задач искусственных нейронных сетей по книге [Терехов]. Вид исходных данных может быть представлен в виде:

А — распознавание и классификация:

входные данные необходимо отнести к какому-либо из известных классов при управляемом обучении (классификации); при обучении без управления (кластеризации) сеть проводит разделение входных образцов на группы самостоятельно, при этом все образцы одного кластера должны иметь что-то общее — они будут оцениваться, как подобные.

Исходными данными является вектор признаков, выходные данные - вектор, значения всех координат которого должны быть равными О, за исключением координаты, соответствующей выходному элементу, представляющему искомый класс(значение этой координаты должно быть равным 1).

К этому классу задач также относится категоризация (кластеризация). Исходными данными является вектор признаков, в котором отсутствуют метки классов.

В — аппроксимация функций :

 предположим, что имеется обучающая выборка ((xl yi), (х₂, у₂), ..., (xn, yw)), которая генерируется неизвестной функцией, искаженной шумом. Задача аппроксимации состоит в нахождении оценки этой функции.

Исходные данные – набор обучающих векторов. Выход сети – рассчитанное сетью значение функции.

С --предсказание/прогноз :

 пусть заданы N дискретных отсчетов {(y(f₁), y(f₂), …, y(f_N)} в последовательные моменты времени t₁, t₂, …, t_N . Задача состоит в предсказании значения y(t_N+1) в момент t_N+1. Прогноз имеют значительное влияние на принятие решений в бизнесе, науке и технике.

 Исходные данные – вектора данных по M признакам за T периодов времени. Выход сети – вектора данных по M признакам за периоды времени T+L.

D — оптимизация:

многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей оптимизации является нахождение решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.

E - Память, адресуемая по содержанию:

В модели вычислений фон Неймана обращение к памяти доступно только посредством адреса, который не зависит от содержания памяти. Более того, если допущена ошибка в вычислении адреса, то может быть найдена совершенно иная информация. Память, адресуемая по содержанию, или ассоциативная память, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному или искаженному содержанию. Ассоциативная память чрезвычайно желательна при создании перспективных информационно-вычислительных систем.

F- Управление:

Рассмотрим динамическую систему, заданную совокупностью {u(t), y(t)}, где u(t) является входным управляющим воздействием, a y(t) - выходом системы в момент времени t. В системах управления с эталонной моделью целью управления является 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 63, которые описывают каждую из 9 римских цифр, выбранных для обучения. Исходные данные предлагаются в прилагаемом файле “данные для нейросети”.

В этом же файле содержатся и выходные вектора размерности 9, где единица в одном из 9 положений означает принадлежность классифицируемого образца к той или иной букве.

Сеть, принимая входной вектор, должна в соответствии с ним выдать соответствующий данной последовательности выходной вектор.

Исходя из исходных данных, данная задача относится к классу A- задача классификации.