Conference publications

Abstracts

XIV conference

Разработка автоматизированной системы распознавания образов с применением нейросетевых технологий

Порфирьева Н.Н., Андреев В.В.

428015, г. Чебоксары, Московский пр., 15, Чувашский государственный университет им. И.Н. Ульянова, Факультет радиотехники и электроники, кафедра УИТС

Исследования проведены с применением пакета расширения MATLAB по нейронным сетям Neural Networks Toolbox. Для обучения нейронной сети в качестве входных образцов использованы фотографии оттенков серого размером 100*100 пикселей. Чтобы создать нейронную сеть, которая может обрабатывать зашумленные векторы входа, следует выполнить обучение сети как на идеальных, так и на зашумленных векторах. Сначала сеть обучается на идеальных векторах, пока не будет обеспечена минимальная сумма квадратов погрешностей. Затем сеть обучалась на 5 наборах идеальных и зашумленных векторов. К сожалению, после того, как описанная выше сеть обучилась классифицировать сильно зашумленные векторы, она потеряла способность правильно классифицировать некоторые векторы, свободные от шума. Следовательно, сеть снова надо обучить на идеальных векторах. Это гарантирует, что сеть будет работать правильно, когда на ее вход будет передан идеальный образ.

В данной работе исследованы зависимости качества обучения нейронной сети от структуры сети (числа входов, числа нейронов в скрытом слое нейронной сети), параметров обучения (циклов обучения, предельного значения критерия обучения). Использованный алгоритм обучения нейронной сети с помощью процедуры обратного распространения ошибки подразумевает наличие некоего внешнего звена, предоставляющего сети кроме входных также и целевые выходные образы. Алгоритмы, пользующиеся подобной концепцией, называются алгоритмами обучения с учителем. Для их успешного функционирования необходимо наличие экспертов, создающих на предварительном этапе для каждого входного образа эталонный выходной. Поэтому образ, по которому обучение произведено не было, распознан верно не будет. В этом случае сеть попытается синтезировать некий образ (не соответствующий данной фотографии), возможно, состоящий из набора соединенных вместе из уже имеющихся в базе данных образов. Качество обучения увеличивается с увеличением числа входных образцов и/или числа нейронов в скрытом слое до некоторого значения, пока не возникает переобучение. Чем меньше предельное значение критерия обучения (ошибки обучения), тем лучше обучена будет сеть, и соответственно будет лучше распознавать образы. Если число циклов обучения меньше необходимого для достижения предельного значения критерия обучения, то качество обучения снижается, и распознавание будет неточным. Результаты исследования легли в основу разработки автоматизированной системы распознавания образов с применением нейросетевых технологий.