WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |

Апробация работы. Основные положения и результаты диссертационной работы докладывались на семинарах кафедры искусственного интеллекта Тбилисского Государственного Университета им. И.

Джавахишвили, на конференциях Московского Государственного Университета Экономики Статистики и Информатики (МЭСИ).

Публикации. Основные результаты диссертации содержатся в приведенном списке публикаций автореферата – 8 научных работах. В работах, написанных в соавторстве, научные результаты были получены с активным участием диссертанта.

Содержание работы.

Во введении обоснована актуальность темы диссертации, в частности решение задачи распознавания образов с применением альтернативной технологии обработки информации – искусственных нейронных сетей (ИНС), сформулированы цель работы, методы исследования, научная новизна и практическая ценность, дается краткое изложение диссертации по главам.

В первой главе диссертации рассматриваются вопросы нейробиологии, в частности дается общее понятие о структуре и строении мозга, биологическом нейроне, составляющих его элементах (аксоны, синапсы, дендриты), типах его клеток, синаптичесокой силе, нейронных сетях и принципах их работы, проводится аналогия между компьютером и человеческим мозгом. Излагается понятие искусственного нейрона, весов, активационных функций (сигмоидальной логистической и гиперболического тангенса), пороговой величины, коэффициентов усилений; также были рассмотрены однослойные и многослойные искусственные нейронные сети; архитектура и свойства сетей с обратным распространением ошибки (Eerror Backpropagation), нейронные сети Хебба прямопоточных (Feedforward) сетей, алгоритм Кохонена обучения без учителя и основанные на этом методе нейронные сети особого типа – так называемые самоорганизующиеся структуры с подстройкой синапсов – Self-organizing Feature Maps (SOM), однослойные сети Хопфилда и двухслойные сети Хэмминга с ассоциативной памятью, а также формальные алгоритмы обучения сетей.

Во второй главе диссертации рассмотрены рецепторная структура восприятия информации, понятие образа, проблема обучения распознаванию образов (ПРО), геометрический и структурный подходы проблемы распознавания образов, гипотеза компактности и понятие адаптации. Приведен метод зондов и преобразование изображений в цифровой код. Рассмотрены алгоритмические построения и процесс обучения искусственных нейронных сетей с учителем и без учителя. Даны алгоритмы распознавания образов, в частности, алгоритм секущих плоскостей, алгоритм, основанный на методе потенциалов.

Рассмотрен метод обучения Уидроу-Хоффа и исследования Кохонена на самоорганизующихся структурах.

Описаны составные элементы (R/S/А) и интегральное устройство персептрона Розенблатта, анализируется работа персептрона, основывающаяся на принципах структуры мозга и зрительного аппарата и его применение для распознавания образов. Приведена так же схемотехника и функциональность узнающей машины Гамба. Затронут вопрос персептронной представляемости, потенциал многослойных персептронов и проблема функции «исключающего ИЛИ».

В третьей главе диссертации рассмотрены вопросы моделирования искусственных нейронных сетей для распознавания образов, проблемы, возникающие при этом, такие как достаточность набора базы данных образов, качество эталонных составляющих, а также этапы разрешения проблем, в частности операции группировки, секвестирования, ассоциирования. Описывается матрица рецепторов, проводятся подсчеты статистических показателей, сумм весов и вероятностей матрицы, усредненных значений и медиан весов матрицы, а также анализ количества точек, имеющих вероятности появления активных (закрашенных) точек из диапазонов [0.00], (0.00-0.25], (0.25-0.50], (0.50-0.75], (0.75-1.00], [1.00], для выявления характеристик каждого символьного образа. Также построены графики зависимостей вертикальных и горизонтальных составляющих зондов изображения, линейный график точечных весов, 3D-колонные диаграммы точечных вероятностей для каждого образа, описан новый метод точечной интерполяции весов первого и второго уровня на основе метода потенциалов. Были созданы усредненные контуры каждого символа и построена нейронная самообучающаяся сеть обработки изображения для улучшения показателей сходимости и распознавания. Разработана блок-схема и функциональный граф матричной нейронной самоорганизующейся сети для распознавания образов. В результате проведенной большой исследовательской работы была построена гибридная модель искусственной самоорганизующейся нейронной сети, использующая вероятностно-статистический анализ изображений.

Данная комплексная модель программно была реализована и апробирована на примере распознавания арабских цифр, латинского и грузинского алфавитов. В результате апробации было выявлено, что преимуществом данной программы является то, что она может распознавать как печатные, так и непечатные символы, может быть применена для классификации любых алфавитов и контурных изображений, а также дает высокие результаты распознавания символов при экспериментально низком разрешении матрицы рецепторов и малой базе набора эталонных изображений. Представлены также фрагменты программы и листинг алгоритмов распознавания образов, на основе многослойной самоорганизующейся нейросети, использующей обработку двумерных массивов, трансформацию изображений с машинного в цифровой код, матричные калькуляции, вероятно-статистический анализ табличных данных и графических диаграмм, а так же различные оценочные операции над дискретными множествами.

Разрешимость проблемы распознавания образов (РО) зависит от многих факторов. Условием для качественного РО является достаточный набор введенных эталонов – Базы Данных (БД) представителей каждого класса, используя которую можно проводить аналитические сверки и применять алгоритмы нейросетевой идентификации. Точность и эффективность распознавания символов непосредственно зависит от хорошо подобранных и откалиброванных эталонных представителей. Внесение в эталонную БД плохо детерминированных и сильно искаженных объектов может повлечь за собой трудности при классификации образов, что существенно снизит процент распознавания. Представители каждого символа БД должны обладать следующими характеристиками: быть классифицируемыми, не быть сильно схожими между собой и не содержать сильно деформированные элементы внутри класса. Если один и тот же символ имеет различное визуальное начертание, то БД должна подразделяться на сепарированные классы синонимных символов, которые должны ассоциироваться с одним и тем же образом. Примером могут служить следующие изображения символов, приведенных на рис. Для распознавания образов была использована комбинированная нейросетевая схема настройки весов с алгоритмом обратного распространения ошибки. Это позволило ИНС в рабочих циклах самонастроиться на этапе обучения и постепенно устранить погрешности. Самоподстройка или обучение может осуществляться как с учителем, т.е. когда пользователь может делать предпочтение, к какому образу более близок поступивший на вход программы символ, так и без учителя, путем автоматической самонастройки соответствующих весов нейронной матрицы на разных уровнях без участия человека.

Рис. 1 Примеры различных «синонимных» изображений цифр и букв.

Реализация обучения без учителя является наиболее эффективным и автоматизированным способом, но в тоже время более сложным для имплементации, тем не менее, именно этот способ был заложен в основу алгоритма для РО.

Изображения эталонных символов подают на матрицу рецепторов и хранят в БД. Чем выше разрешение матрицы рецепторов и количество экземпляров, тем меньше возникнет погрешностей связанных с метаморфозным сходством символов и тем точнее можно аналитически выявить закономерности и идентифицировать признаки для построения рекогнационной модели. Настоящей работой ставилась задача достижения распознавания при редуцировании количества эталонных экземпляров и разрешения матрицы рецепторов без потери эффективности распознавания. Поэтому была выбрана оптимальная матрица с разрешением 12х16 и БД представителей из набора всех цифр, букв латинского и грузинского алфавитов по 40 экземпляров для каждого символа.

Несмотря на ужесточение условий для идентификации, построенная модель дала высокие результаты распознавания объектов, благодаря хорошо построенной схеме ИНС. На рис. 2 приведен пример заполнения поля рецептора 34-мя точками, в результате которого получается графически-цифровое изображение цифры семь. Фрагменты некоторых произвольных изображений цифр и букв БД [2] приводятся на рис. 3. Декодирование изображения из графического формата файла, поступившего на вход программы и трансформирование в матричный вид для последующего распознавания. Изображение символа хранится в графическом файле в закодированном виде. Для анализа закодированного изображения необходимо преобразовать его в более доступный для восприятия матричный вид [3], используя формат построения BMP файл. Заголовок формата BMP хранит служебную информацию о структуре, размере, глубине цвета, типе компрессии, числе плоскостей, ширине, высоте, зарезервированных полях и др.

П р и м е р ы в в е д е н н ы х э т а л о н н ы х с и м в о л о в “ W ” – “ d ” б а з ы д а н н ы х.

Рис. 2 Матрица рецепторов. Рис. 3 Примеры введенных символов.

Само изображение начинается с кодового блока с индексом 118 в НЕХ формате (рис. 4). Код “FF” внутри тела шифра файла определяет белую, не закрашенную точку, а “00” – черную. Файл, несущий изображение, содержит также разделительные блоки между строками, смещен на фазу забронированных символов, хранится в перевернутом и транспонированном виде (записан по строкам слева направо и снизу вверх). В программе был успешно реализован модуль, осуществляющий декодирование графического изображения из файла BMP в двухмерный нормализованный массив “0” и “1”.

Рис. 4 Преобразование изображения из графического вида в цифровой табличный 2D массив.

Для каждой из 69 исследуемых символов (цифр и букв) были построены две таблицы, названные сумматорными матрицами точечных весов и точечных вероятностей, содержащие соответственно суммарные значения точечных весов и точечных вероятностей введенных эталонов. Фактически сумматорная матрица точечных весов (рис. 5) представляет собой матрицу наложений всех символьных прототипов на одну генерируемую матрицу, в результате чего на ней вырисовывается изображение символа при запрограммированном выявлении градиентного закрашивания на табличном поле значений, если значение точечных весов перевешивает определенные пороговые значения. На примере буквы “a” грузинского алфавита приведены сумматорные матрицы точечных весов и точечных вероятностей (рис. 5).

1 2 3 4 5 6 7 8 9 10 11 1 2 3 4 5 6 7 8 9 10 11 0.68 0.28 0.05 0.08 0.03 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.1 27 11 2 3 1 0 0 0 0 0 0 0 0.33 0.35 0.23 0.18 0.03 0.05 0.05 0.00 0.00 0.00 0.00 0.00 1.2 13 14 9 7 1 2 2 0 0 0 0 0 0.03 0.38 0.30 0.15 0.25 0.13 0.00 0.05 0.00 0.00 0.00 0.00 1.3 1 15 12 6 10 5 0 2 0 0 0 0 0.00 0.05 0.33 0.40 0.23 0.20 0.18 0.08 0.05 0.00 0.00 0.00 1.4 0 2 13 16 9 8 7 3 2 0 0 0 0.00 0.00 0.08 0.18 0.33 0.33 0.25 0.20 0.18 0.08 0.00 0.00 1.5 0 0 3 7 13 13 10 8 7 3 0 0 0.00 0.00 0.00 0.08 0.15 0.23 0.35 0.33 0.20 0.20 0.10 0.00 1.6 0 0 0 3 6 9 14 13 8 8 4 0 0.00 0.00 0.00 0.00 0.00 0.08 0.18 0.25 0.35 0.33 0.23 0.10 1.7 0 0 0 0 0 3 7 10 14 13 9 4 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.10 0.23 0.33 0.43 0.33 1.8 0 0 0 0 0 0 0 4 9 13 17 13 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.10 0.23 0.75 1.9 0 0 0 0 0 0 0 0 0 4 9 30 0.05 0.13 0.05 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.05 0.95 1.10 2 5 2 0 0 0 0 0 0 0 2 38 11 10 2 1 0 0 0 0 0 0 0 0 40 53 0.25 0.05 0.03 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 1.12 17 5 1 0 0 0 0 0 0 0 2 38 63 0.43 0.13 0.03 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.05 0.95 1.13 18 12 0 0 0 0 0 0 0 0 6 34 70 0.45 0.30 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.15 0.85 1.14 18 16 3 0 0 0 0 0 1 5 25 12 80 0.45 0.40 0.08 0.00 0.00 0.00 0.00 0.00 0.03 0.13 0.63 0.30 2.15 13 11 18 3 1 0 2 11 19 23 14 2 117 0.33 0.28 0.45 0.08 0.03 0.00 0.05 0.28 0.48 0.58 0.35 0.05 2.16 0 11 20 37 39 40 38 29 20 12 2 0 248 0.00 0.28 0.50 0.93 0.98 1.00 0.95 0.73 0.50 0.30 0.05 0.00 6. 119 104 84 82 80 80 80 80 80 81 90 211 2.98 2.60 2.10 2.05 2.00 2.00 2.00 2.00 2.00 2.03 2.25 5.Рис. 5 Сумматорные матрицы точечных весов и точечных вероятностей.

Введены новые термины, определяющие расположения зондов по вертикали и горизонтали, названные соответственно v-zond (вертикальные) и h-zond (горизонтальные) и подсчитаны суммы весов по вертикальным и горизонтальным составляющим матриц. Для апробационного анализа изображений и РО был использован новый модифицированный метод, в котором в отличие от стандартного метода зондов, применялось насыщенное количество v/h-зондов – 28 зондов, полностью захватывающих поле рецепторов с целью улучшения детектирования характерных признаков различий между символами. Однако из экспериментов было выявлено, что насыщение зондов несущественно улучшает процесс идентификации, т.к. в этом методе количество пересечений точек матрицы с зондами не однозначно определяет позицию пересечения, и в результате не всегда будет идентифицировать паттерн опознаваемого изображения.

В разработанной программе была реализована процедура автоматической загрузки исследуемых статистических данных из множества MS Excel таблиц и загрузки генеральной БД характеристик всех исследуемых классов в программное приложение.

В процессе анализа статистических и вероятностных закономерностей были подсчитаны характеристики каждого представителя класса. Для выявления характеристик изображений были исследованы сумматорные точечные вероятности, которые были условно разделены на четыре диапазона (0,0.25], (0.25,0.5], (0.5,0.75], (0.75,1.00] и ассоциированы с цветовой палитрой для визуального выделения доминирующих и рецессивных вероятностей, что дало суммарную визуальную картину вероятностного распределения точек каждого символа на поле рецепторов.

Диапазоны вероятностей и соответствие цветов точек:

(0,0.25] – белые точки (0.25,0.5] – светло-серые точки рецессивные (0.5,0.75] – темно-серые точки доминирующие (0.75,1.00] – черные точки Общее количество статистически проанализированных точек данной задачи составило 529920 (символов х 40 эталонов БД х 192 точек матрицы рецепторов). На основе матриц точечных вероятностей для каждого образа из БД были подсчитаны общие статистические данные (табл. 1): суммы весов матрицы, суммы вероятностей матрицы, среднее значение матрицы, медиана весов матрицы, а также количество точек, имеющие различные диапазоны вероятностей.

Pages:     | 1 |   ...   | 3 | 4 || 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.