ВВЕДЕНИЕ. 4
Математическое обоснование методов распознавания образов объектов на изображениях 6 Архитектурные особенности нейронных сетей для распознавания образов 14 Математическое обоснование алгоритма функционирования сверточной нейронной сети 18 Объектно-ориентированные технологии программирования. 26 Проектирование графического пользовательского интерфейса. 29 Алгоритм функционирования программного обеспечения. 30 Программная реализация алгоритма распознавания объектов на изображениях 34 Анализ результатов решения поставленной задачи. 42
ЗАКЛЮЧЕНИЕ. 45
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ.. 46
ПРИЛОЖЕНИЕ А.. 48
ПРИЛОЖЕНИЕ Б. 49
Распознавание произвольных изображений связано со многими сложнейшими проблемами, и множество из них еще ждет своего решения, несмотря на непрекращающиеся обширные исследования в этой области. Решение многих задач, с которыми человеческий мозг справляется быстро и внешне без особых затруднений, по-прежнему остается за пределами возможностей машин. Хотя существует вероятность того, что использование машин с альтернативной архитектурой позволит преодолеть проблемы, которые сегодня кажутся непреодолимыми.
Нейросети прямого действия.
Наиболее распространенным типом сетей прямого действия являются персептроны – однослойные нейронные сети, в которых каждый вход через весовые коэффициенты связан с одним или многими нейронами выходного слоя (Рисунок 1.1).
...
Для проектирования графического пользовательского интерфейса использовались средства Microsoft Visual Studio. Программа имеет одну разработанную форму (Рисунок 5.1).
...
Для каждого возможного входа нам нужно создать желаемый выход сети для завершения обучающих выборок. Для задачи распознавания текста очень часто кодируют каждый паттерн в виде вектора размера 26 (потому что у нас есть 26 разных букв), помещая в вектор «0,5» для позиций, соответствующих номеру типа паттерна, и «-0,5» для всех остальных позиций. Таким образом выходной вектор для буквы «К» представлен на листинге 7.2.
Листинг 7.2 – Выходной вектор для буквы «К»
// 0.5 помещается только в позицию буквы" K "
float[] output_letterK = new float[] {
-0.5f, -0.5f, -0.5f, -0.5f, -0.5f,
-0.5f, -0.5f, -0.5f, -0.5f, -0.5f,
0.5f, -0.5f, -0.5f, -0.5f, -0.5f,
-0.5f, -0.5f, -0.5f, -0.5f, -0.5f,
-0.5f, -0.5f, -0.5f, -0.5f, -0.5f,
-0.5f};
Имея такие обучающие образцы для всех букв, мы можем начать обучать нашу сеть. Для приведенной выше задачи мы будем использовать 30 входов, соответствующих размеру входного вектора, и 26 нейронов (Листинг 7.3).
...
В результате проделанной работы была разработана программа анализа работы нейронных сетей для распознавания объектов на изображениях средствами языка программирования C#:
Список использованной литературы:
Joydip, Kanjilal Visual Studio 2010 and .NET 4 Six–in–One / Joydip Kanjilal. - Москва: СИНТЕГ, 2013. – 816 c. Microsoft Visual Studio [Электронный ресурс]. Режим доступа:... Nick, Randolph Professional Visual Studio® 2008 / Nick Randolph. – Москва: СИНТЕГ, 2014. – 436 c. Nitin, Pandey Visual Studio.NET All–in–One Desk Reference For Dummies® / Nitin Pandey. – Москва: РГГУ, 2013. – 960 c. Richard, Mansfield Visual Studio® 6 For Dummies® / Richard Mansfield. – Москва: Наука, 2013. – 478 c. Rick, Leinecker Visual Studio® 2008 All–In–One Desk Reference For Dummies® / Rick Leinecker. – Москва: Мир, 2014. – 840 c. Брукшир Дж., Гленн Б. Введение в компьютерные науки. Общий обзор, 6-е издание: Пер. с англ. – М.: Издательский дом «Вильяме», 2001. – 688 с.: ил. – Парал. тит. англ. – ISBN 5-8459-0179-0 (рус.). ... Всего 13 источников
