Распознавание образов с помощью нейронных сетей (стр. 3 )

.

В методе "Проекционный Хопфилд" производится предварительная обработка обучающего множества. Входные данные, задаваемые каждым примером, можно рассматривать как стомерный вектор. Процедура предварительной обработки состоит в ортонормировании системы векторов, задаваемых всеми примерами обучающего множества. При тестировании предобработка не производится.

3.1 Загрузить (клавиша F4, файл, указанный в таблице согласно выданному варианту) обучающее множество (например, файл АВСDE.pbl), обучить сеть (клавиша F6) (если сеть не обучается, попробовать создать случайную карту (клавиша Alt-F8)). Порядок распознавания:

· выбрать окном букву (например, В) и поместить ее в буфер (Аlt+C);

· перейти в окно «ТЕСТ» и нажать ENTER;

· поместить распознаваемый образ (букву В) в окно «ТЕСТ» (Alt+P);

· выйти из режима редактирования, нажав Enter;

· запустить режим распознавания (Ctrl+F5);

· нарисовать символ (похожий по начертанию на две-три буквы обучающего множества) с помощью клавиши ПРОБЕЛ, выйти из режима редактирования (клавиша ENTER или ESC) с заменой старого примера, распознать тестовый пример (клавиша CTRL-F5)).

3.2 Занести образ какой-либо буквы в тестовый пример. Изменять этот образ, тестируя сеть после каждого изменения (5-7 раз).

3.3 В тестовом примере произвести зашумление чистого образа какого-либо символа. Войти в режим редактирования. С помощью клавиш F5, F6, F7 произвести зашумление (уровень шума можно задать, нажав те же самые клавиши с клавишей CTRL).

3.4 Исследовать режимы распознавания образов с учетом предобработки (выбрать тип автокоррелятора). Данный режим использовать только для нейронной сети Pade.

Включить режим сдвигового автокоррелятора (F9, выбрать меню ПАРАМЕТРЫ и в нем выбрать режим «сдвиг+вращение»). Выбрать, для примера, символ “А”. Скопировать изображение в карман (клавиша ALT-C), зайти в режим редактирования тестового примера и вставить изображение из кармана (клавиша ALT-P), с помощью клавиш CTRL-, CTRL-®, PGUP, PGDOWN сдвинуть изображение, выйти из режима редактирования с заменой старого примера и протестировать сеть на данном примере (клавиша CTRL-F5).

3.5 В отчете по результатам выполнения лабораторной работы привести таблицу с результатами распознавания образов и сделать выводы.

3.6 Произвести исследование на одном тестовом примере сети Хопфилда и сети SIGMOID обученной разными способами. Обратить внимание, что сеть может выдавать «химеры» - образы, не входившие в обучающее множество.

3.6 Использовать различные алгоритмы вычисления синаптической карты (“Классический или проекционный Хопфилд”).

3.7 Произвести исследование также на одном примере сетей с различной конфигурацией: число нейронов от 5 до 10; число тактов сети от 2 до 5; с характеристикой нейронов от 0.1 до 1.

4 Требования по выполнению 2-ой лабораторной работы

4.1 Дополнительно сравнить качество обучения при использовании и без использования метода MparTan и при изменении направления спуска (случайный спуск, наискорейший спуск).

4.2 Произвести исследование на одном тестовом примере сети обученной разными способами: способом оценивания методом наименьших квадратов (МНК) и определения расстояние до множества (РДМ). Уровень надежности следует брать из диапазона от 0.1 до 0.8.

4.3 Сравнить для вашего варианта задания, какой метод оценивания предпочтительнее МНК или РДМ.

Пример оформления таблицы 2 и 3 в отчете по 2-ой лабораторной работе в результате исследования нейронной сети Pade1.

Таблица2 –Использование метода MParTan

Направление вычисления	Антиградиент	Случайное
Организация обучения	Суммарная	Позадачная	Суммарная	Позадачная
Способ оценивания	МНК	РДМ	МНК	РДМ
Распознаваемый образ
1.Чистый образ (В), центр
2.Чистый образ (В), смещение вверх (вниз, вправо, влево)
3.Чистый образ (В); шум (характеристика шума)
3.1 Инвертирование(F3)
3.2 Затенение(F4)
3.3 Инвертирующий шум (F5,Ctrl+F5)
3.4 Добавляющий шум (F6,Ctrl+F6)
3.5 Гасящий шум(F7,Ctrl+F7)
3.6 Поворот изображения(G)
3.7 Зеркальное отражение(O)
4. Подключение автокоррелятора (программа предобработки). Выбор типа автокоррелятора в меню «Параметры». Чистый образ - С
4.1 Сдвиговый автокоррелятор
4.2 Автокоррелятор «сдвиг+отражение»
4.3Автокоррелятор «сдвиг+вращение»
4.4 Автокоррелятор «сдвиг+вращение+отражение»

Таблица 3 –Без использования метода MParTan

Направление вычисления	Антиградиент	Случайное
Организация обучения	Суммарная	Позадачная	Суммарная	Позадачная
Способ оценивания	МНК	РДМ	МНК	РДМ
Распознаваемый образ
1.Чистый образ (В), центр
2.Чистый образ (В), смещение вверх (вниз, вправо, влево)
3.Чистый образ (В); шум (характеристика шума)
3.1 Инвертирование(F3)
3.2 Затенение(F4)
3.3 Инвертирующий шум (F5,Ctrl+F5)
3.4 Добавляющий шум (F6,Ctrl+F6)
3.5 Гасящий шум(F7,Ctrl+F7)
3.6 Поворот изображения(G)
3.7 Зеркальное отражение(O)
4. Подключение автокоррелятора (программа предобработки). Выбор типа автокоррелятора в меню «Параметры». Чистый образ - С
4.1 Сдвиговый автокоррелятор
4.2 Автокоррелятор «сдвиг+отражение»
4.3Автокоррелятор «сдвиг+вращение»
4.4 Автокоррелятор «сдвиг+вращение+отражение»

Таблица 4

Распознаваемый образ	Hopfield	Sigmoid
1.Чистый образ (В), центр
2.Чистый образ (В), смещение вверх (вниз, вправо, влево)
3.Чистый образ (В); шум (характеристика шума)
3.1 Инвертирование(F3)
3.2 Затенение(F4)
3.3 Инвертирующий шум (F5,Ctrl+F5)
3.4 Добавляющий шум (F6,Ctrl+F6)
3.5 Гасящий шум(F7,Ctrl+F7)
3.6 Поворот изображения(G)
3.7 Зеркальное отражение(O)
4. Подключение автокоррелятора (программа предобработки). Выбор типа автокоррелятора в меню «Параметры». Чистый образ - С
4.1 Сдвиговый автокоррелятор
4.2 Автокоррелятор «сдвиг+отражение»
4.3Автокоррелятор «сдвиг+вращение»
4.4 Автокоррелятор «сдвиг+вращение+отражение»

В отчет по лабораторной работе №2 включить следующие результаты:

1. Вариант задания использовать из первой лабораторной работы.

2. Включить результаты исследования в виде таблиц 2,3,4

3. Провести сравнительный анализ полученных данных в таблицах 2,3,4

4. Выполнить сравнительный анализ распознавания искаженных и смещенных образов при использовании искажения, "зашумления", смещения, вращения и сформировать выводы по качеству распознавания.

5. Выбрать программную модель, которая лучше распознает образы при указанных изменениях параметров в данной лабораторной работе и по сравнению с первой.

6. Для программы Pade1 указать наилучший метод и его параметры

7. Привести пояснения применения автокоррелятора для улучшения распознавания образов.

8. Описать проблемы, которые возникли при распознавании образов.