WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 7 |

I fena sumatoruli matricebis mniSvnelobebis gaTvla.

II fena kongruentuli Ddiversiuli pasiuri matricebis matricebis matricebis kalkulireba kalkulireba kalkulireba c c i III fena i simbiozuri matricebis wonebis sinTezi da kalkulireba.

k k l l yoveli simbiozuri matricis miRebuli Sedegebis i Sedareba da miznobrivi funqciis maqsimaluri i mniSvnelobis gamovlena.

Sesabamis sumatorul matricisTvis wonebis koreqtireba algoriTmis damTavrebis piroba ara ara ki algoriTmis dasruleba miRebuli Sedegebi.

Catarebuli samuSaos Sedegad iyo ganxorcielebuli programuli modeli (nax. 17), romelic awarmoebs saxeTa amocnobas (arabuli cifrebi, qarTuli da laTinuri anbanebis asoebi) xelovnuri neironuli qselis (xnq)-s da saxeTa albaTur-statistikur analizis meSveobiT. programa axorcielebs simbolos grafikuli informaciis gadayvanas matricul formaSi, tvirTavs etalonur (mb)-s programaSi da iTvlis Sualedur kongruentul, diversiul da pasiur cxrilebs yoveli simbolosaTvis.

SemdgomSi tardeba yoveli simbolos simbiozuri matricebis gaTvla, wonebis awonvis analizi da saboloo mniSvnelobebis miReba, romlebidanac unda gamovlindes udidesi, romelic sazRvravs ama Tu im simbolos kuTvnilebis kods.

nax. 17 programebis fragmentebi da sumatoruli, kongruentuli, diversiuli da pasiuri gaTvlis matricebis analizi.

programa Seicavs meTodologiurad axal midgomas rac mdgomareobs meTodis gamoyenebas albaTur-statistikuri (xnq)-s programis aprobaciis SedegadD miRebuli iyo saxeTa gamocnobis maRali maCveneblebi. programa modelirebulia xelnawerisTvis da advilad SeiZleba adaptirebuli iqnas konkretul Sriftze amocnobis gaumjobesebis mizniT. amocnobisTvis konkretul Sriftis arCevisas da modelis am Sriftze NneiroSewyoba sawyisi dakalibrebuli (mb)-s meSveobiT programa arsebiTad amocnobis procents amaRlebs da aRwevs 97%-s da ufro metsac Sewyobis xarisxze damokidebulebiT, rac gvaZlevs saSualebas gamoviyenoT es programuli moduluri birTvi sxva programebSi.

programa adarebs, aanalizebs da cvlis woniTi matricebis wonebis maxasiaTeblebze modelis rac zrdis efeqturebas da sizustes. amis garda simboloebis gamocnoba xorcieldeba sakmaod operatulad, milisekundebSi, da Tan ar gamoiyeneba ganparalelobis SesaZlebloba procesebis blokuri struqturuli gayofis miuxedavad. mTlianobaSi Seqmnili programa unikaluria da efeqturia nebismieri brtyeli simboloebis amocnobisaTvis, romelic eyrdnoba xelnawer etalonur (mb)-s CaSenebuli albaTur-statistikuri (xnq)-iT, analitikuri gaTvlis meqanizmebiT da multimatriculi fenebis SewyobiT.

daskvna Catarebuli gamokvlevebis safuZvelze SemoTavazebulia saxeTa gamocnobis axali meTodi – samfenovani xelovnuri neiro-matriculi qselis agebis maswavleblis gareSe, romelic eyrdnoba woniTi koeficientebis wertilovan Sefasebebis albaTurstatistikur analizs. sadisertacio Sromis ZiriTadi Sedegebi Semdegia:

1. naSromSi Seswavlilia neirobiologiis, kibernetikis da xelovnuri inteleqtis ZiriTadi principebi, romlebic gamoiyeneba saxeTa amocnobis problemis gadawyvetaSi.

2. formirebulia etalonuri saxeebis monacemTa baza (mb), romelic Sedgeba 10 arabuli cifrisagan, 26 laTinuri asogan da 33 qarTuli asosagan. maTi formirebisaTvis saWiro gaxda yoveli simbolosaTvis daaxloebiT rastruli egzemplaris nairsaxeobis Seyvana sistemaSi.

3. gaanalizebulia da daTvlilia wertilovani matricebis albaTobebis statistikuri maCveneblebi Seyvanili rastruli 529920 wertilisaTvis, wonebis jamisTvis, albaTobebisTvis, gasaSualoebeli mniSvnelobebisTvis da matricebis wonebis medianebisTvis, Catarebulia wertilebis raodenobis kontroli yvela etalonuri saxeebisTvis, romlebsac gaaCnia aqtiuri wertilebis gamoCenis albaToba diapazonebidan [0, 00], [0.00–0.25], [0.25–0.50], [0.50–0.75], [0.75–1.00], [1,00], yoveli simboluri saxis maxasiaTeblebis gamosavlineblal.

4. agebulia gamosaxulebis zondebis vertikaluri da horizontaluri Semadgenlebis damokidebulebis grafikebi, wertilovani wonebis xazovani grafikebi da agreTve wertilovani albaTobebis 3D-svetiani diagramebi yoveli saxesTvis.

5. Semoyvanilia axali gansazRvrebebi da cnebebi, romlebic gamoiyeneba saxeTa gamocnobisTvis v-zondis daHh–zondis matricebis kongruentuli, diversiuli, pasiuli da simbiozuri nulovani matricebis saxeobebi.

6. Seqmnilia yoveli simbolos konglomeratuli statistikuri monacemebi, romlebic gamoyenebulia (snq)-s pirveli fenis jamuri matricebis asagebad da pirveli da meore doneebis interpolaciuri jamuri matricis woniTi koeficientebis dabalansebisa da gasworebisTvis. agebulia meore fenis Sualeduri neiromasivebi:

kongruentuli, diversiuli da neitraluri, agreTve mesame fenis simbiozuri matricebi.

7. formirebulia xelovnuri samfeniani neiro-matriculi sqema maswavleblis gareSe brtyeli grafikuli saxeebis amocnobisTvis. sqemis demonstrirebisa da testirebisaTvis Seqmnilia programuli uzrunvelyofa, romelic Sedgeba ori nawilisgan. pirveli nawili warmodgenilia MS Excel-is failis saxiT, xolo meore realizebulia RAD Delphi saSualebebiT.



8. SemuSavebulia blok-sqema da (snq)-s swavlebis algoriTmi, kompilirebulia saproeqto modulebi da aprobirebulia programuli uzrunvelyofa RAD Borland Delphi areSi Object Pascal programirebis enaze.

9. modelirebuli programa axdens gamocnobisTvis Semosuli saxis Rrma analizs, gaatarebs mas (snq)-s fenebSi, adarebs (mb)-dan yovel jamur matricul anabeWds, avlens kanonzomierebebs, axdens identificirebas, saWiroebis SemTxvevaSi gardaqmnis woniT koeficientebs da gansazRvravs simbolos konkretul klass.

10. axali SemuSavebuli meTodika unificirebulia da SeiZleba gamoyenebuli iqnas brtyeli simboloebis, niSnebis, nabeWdi Sriftebis, anbanebis da agreTve xelnaweri gamosaxulebebis amocnobisTvis.

11. miRweulia saxeTa amocnobis efequroba da maRali proxenti – 97%. SedarebiT kompaqturi da kargad gamoyofadi saxeTa klasebisaTvis SesaZlebelia egreTve damuSavebis pirvelive ciklis dros movaxdinoT maswavli nakrebis moculobis sagrZnobi Semcireba, rac (xnq)-s kargad modilirebuli struqturis maCvenebelia.

12. eqsperimentebis Sedegebi adasturebs miRebuli Sedegebis efeqturobas da SesaZlebelia maTi gamoyeneba nebismieri brtyeli figurebis gamocnobis amocanebSi.

disertaciis ZiriTadi Sedegebi asxulia samecniero naSromebSi:

1. Oganezov A. “Neuro-matrix object recognition model”, “Bulletin of the Georgian National Academy of Sciences”, Tbilisi, V. 173 №3, 2006.

2. Oganezov A. “Flat figures recognition based on fingerprinting signs in neural nets”, “Bulletin of the Georgian National Academy of Sciences”, Tbilisi, V. 174 №1, 2006.

3. Кочладзе З.Ю., Оганезов А.Л., “Об одном возможном подходе к проблеме распознавания плоских фигур”, “Труды Тбилисского Государственного Университета им. Ив.Джавахишвили”, Тбилиси, 2005, № 364 (24), стр. 149-155.

4. oganezovi a. “informaciuli damuSavebis albaTobiTi da neironuli sqemebis gamoyeneba qarTuli Sriftebis amocnobis procesisaTvis”, “mecniereba da teqnologiebi”, Tbilisi, #1-3, 2006, g. 30-31.

5. Кочладзе З.Ю., Оганезов А.Л. “Использование двухслойной нейронной модели в процессах распознавания образов”, “Энергия”, Тбилиси, 2005 №4(36) I, стр. 78-82.

6. Оганезов А.Л., Кочладзе З.Ю. “Задача распознавания инженерных 2D чертежей и преобразование в электронные 3D стереометрические объекты”, “Энергия”, Тбилиси, 2005 №4(36) I, стр. 72-81.

7. oganezovi v., oganezovi a. “aratradiciul energetikaSi gamoTvliTi teqnikis gamoyeneba”, “buneba da energia”, Tbilisi, 19-20 ivnisi, 1998, g. 138-144.

8. Oganezov A. “Creation of Energy Efficiency Fund for Georgia”, “Proceedings of Second International Energy Conference in Armenia”, Part 2, Yerevan, Armenia, Sept. 24-28, 2001, p: 47-51.

Тбилисский Государственный Университет им. И. Джавахишвили на правах рукописи ОГАНЕЗОВ АЛЕКСЕЙ ЛЕВАНОВИЧ ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ РАСПОЗНАВАНИЯ ОБРАЗОВ 05.13.11 – математическое и программное обеспечение для вычислительных машин, систем, комплексов и сетей А В Т О Р Е Ф Е Р А Т диссертации на соискание ученой степени кандидата физико-математических наук Тбилиси Диссертационная работа выполнена в Тбилисском Государственном Университете им. И.

Джавахишвили.

Научный руководитель: Кочладзе Зураб, кандидат технических наук, доцент Официальные оппоненты: Меладзе Гамлет, доктор физико-математических наук, профессор Сихарулидзе Анна, кандидат физико-математических наук Защита диссертации состоится 22 Декабря 2006 г. в 1400 ч. на заседании диссертационного совета Ph.M.01.08 №8 Тбилисского государственного университета им. И. Джавахишвили. Адрес:

ул. Университетcкая №2, г. Тбилиси, 0043, ТГУ Институт прикладной математики им. И. Векуа.

Ознакомление с диссертацией возможно в библиотеке Тбилисского государственного университета им. И. Джавахишвили. Адрес: ул. Университетcкая №2, г. Тбилиси, Автореферат разослан 20 Ноября 2006 г.

Ученый секретарь диссертационного совета, доктор физико-математических наук, профессор /Т. Тадумадзе/ Общая характеристика работы.

Актуальность темы. Одной из самых актуальных и развивающихся тенденций кибернетической науки является искусственный интеллект, в котором различают два основных направления:

• символьное (семиотическое, нисходящее), основанное на моделировании высокоуровневых процессов мышления человека и использовании знаний;

• нейрокибернетическое (нейросетевое, восходящее), основанное на моделировании отдельных низкоуровневых структур мозга (нейронов).

Главной задачей искусственного интеллекта является построение интеллектуальных компьютерных систем, которые обладали бы уровнем эффективности решений неформализованных задач, сравнимым с человеческими возможностями или превосходящим их.

Создание нейрокомпьютеров и моделирование адаптивных нейронных сетей рассматривается как наиболее востребованное направление в решении многих проблем искусственного интеллекта.





Актуальность исследований в этом направлении подтверждается массой различных применений, например:

автоматизация процессов распознавания речи и образов, доказательство математических теорем, искусственный синтез речи по тексту, создание экспертных систем, аппроксимация функционалов, машинный перевод текстов, прогноз финансовых показателей на биржевом рынке, управление бизнес процессами, построении нейронных самообучающихся систем и многое другое.

В настоящее время одним из актуальных вопросов информационных технологий в области искусственного интеллекта является проблема распознавания образов с применением принципиально новых методов, использующих искусственные самоорганизующиеся нейронные сети. Для осуществления преобразования рукописной и печатной информации в электронный вид наиболее актуальной проблемой в Грузии является распознавание шрифтов грузинского алфавита.

Цель работы. Целью данной работы является проектирование искусственной матричносамоорганизующейся нейронной сети и моделирование программной реализации для распознавания любых символьных образов (в частности цифр, символов латинского и грузинского алфавитов), а также достижение высокого результата классификации при минимально возможном разрешении матрицы рецепторов и количестве представителей образов из каждого набора символьных элементов базы данных.

Методы исследования. В работе использованы теория искусственных самоорганизующихся нейронных сетей для графических массивов базы данных с применением процесса распознавания без учителя, алгоритмы обратного распространения, метод зондов, теория вероятностей и статистический анализ, теория кодирования/декодирования и дискретных систем, концептуального анализа, теория множеств и кластеризации/категоризации объектов, методы алгоритмизации, методы компьютерного моделирования в VBA для Access и на основе MS Excel статистических таблиц, а также объектно-ориентированного программирования (ООП) на языке Object Pascal в среде Rapid Application Development (RAD) оболочки Borland Delphi.

Научная новизна. Имеющиеся в арсенале алгоритмы классификации в основном используют неадаптивные алгоритмы распознавания образов, которые работают для определенных печатных шрифтов.

Незначительное отклонение от стандартного изображения приводит к низким результатам распознавания.

На основе проведенных исследований предложены новые и эффективные методы распознавания образов с помощью искусственной нейронной сети (ИНС) без учителя не только для печатных, но и рукописных символов, в частности цифр и букв грузинского и латинского алфавитов, позволяющие существенно повысить коэффициент распознавания образов. Научная новизна заключается в формулировании методики и создании нового, адаптивного алгоритма, с использованием ИНС без учителя и вероятностностатистического анализа графической информации. Были введены понятия v/h-зондов, конгруэнтных, диверсивных, пассивных и нейтральных масс, представляющих собой различные категории весов нейронной сети; а также различные виды матриц: сумматорные, конгруэнтные, диверсивные, пассивные и симбиозные. На основе новой методики сформулирована гипотеза симбиоза масс для детерминирования принадлежности изображения к тому или иному классу визуальных объектов.

Практическая и теоретическая ценность работы. На основе построения принципиально новой нейронной схемы и применения вероятностно-статистических методов получены высокие результаты распознавания не только печатных, но и прописных образов. Обычно для качественного исследования набора символов используют эталонные символы, к примеру, в номинальном количестве 1000 экземпляров и разрешении матрицы 120х160 точек. При учете если мы имеем дело, например, как в нашем случае, с разновидностями символов и 25%-ой активности воспринимающей матрицы точечной закраски, имеем 331200000 (331.2 миллионов активных закрашенных точек). Основной ценностью нового метода является то, что вопреки уменьшению базы набора для исследования графической информации, получается более качественный результат, т.е. при минимальном количестве введенных эталонных образов, а именно в количестве всего 40 прототипов для каждого символа, вводимых в базу данных и при минимально возможной матрице рецепторов с разрешением 12х16 точек получается высокий результат распознавания.

Таким образом, вместо номинальных для внесения 331200000 точек мы имеем дело с 132480 точками, что на 331067520 точек меньше понадобилось для ввода и информационной обработки изображений.

Существенное уменьшение базы данных набора в данном случае на 99.96% и повышения эффективности распознавания объектов является большой практической ценностью нового метода.

Реализация результатов исследования. Результаты исследований предложены для имплементации на кафедре Кибернетики Тбилисского Государственного Университета им. И. Джавахишвили.

Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 7 |





© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.