WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 5 | 6 ||

0 0 0 0 0 0 0 0 0 0 0 0.03 2.03 2.53 2.93 2.60 2.08 0.03 0.30 2.88 2.78 2.13 0.0.00 0.03 0.53 0.93 0.60 0.08 0.00 0.00 0.88 0.78 0.13 0.00 0.03 0.00 0.00 0.00 0.00 0.00 0.03 0.30 0.00 0.00 0.00 0.0 0 0 0 0 0 0 0 0 0 0 2.03 0.50 0.45 0.10 0.43 0.50 2.18 2.70 0.15 0.23 0.68 2.0.03 0.00 0.00 0.00 0.00 0.00 0.18 0.70 0.00 0.00 0.00 0.13 0.00 0.50 0.45 0.10 0.43 0.50 0.00 0.00 0.15 0.23 0.68 0.0 0 0 0 0 0 0 0 0 0 0 2.38 0.48 0.15 0.00 0.28 0.53 2.38 0.53 0.05 0.05 0.38 2.0.38 0.00 0.00 0.00 0.00 0.00 0.38 0.00 0.00 0.00 0.00 0.60 0.00 0.48 0.15 0.00 0.28 0.53 0.00 0.53 0.05 0.05 0.38 0.0 0 0 0 0 0 0 0 0 0 0 2.65 0.33 0.03 0.00 0.18 0.43 2.58 0.30 0.03 0.00 0.23 2.0.65 0.00 0.00 0.00 0.00 0.00 0.58 0.00 0.00 0.00 0.00 0.78 0.00 0.33 0.03 0.00 0.18 0.43 0.00 0.30 0.03 0.00 0.23 0.0 0 0 0 0 0 0 0 0 0 0 0.85 0.00 0.00 0.00 0.00 0.00 0.63 0.00 0.00 0.00 0.00 0.90 0.00 0.15 0.00 0.00 0.05 0.48 0.00 0.20 0.00 0.00 0.13 0.00 2.85 0.15 0.00 0.00 0.05 0.48 2.63 0.20 0.00 0.00 0.13 2.0 0 0 0 0 0 0 0 0 0 0 0.00 0.05 0.00 0.00 0.00 0.35 0.00 0.00 0.00 0.00 0.00 1.00 0.95 0.00 0.00 0.00 0.00 0.00 0.65 0.10 0.00 0.00 0.00 0.00 0.95 2.05 0.00 0.00 0.00 2.35 0.65 0.10 0.00 0.00 0.00 3.0 0 1 0 0 0 0 0 0 0 0 0.00 0.00 0.00 0.00 0.00 0.18 0.00 0.00 0.00 0.00 0.03 0.00 0.98 0.05 0.00 0.00 0.00 0.00 0.43 0.03 0.00 0.00 0.00 0.98 0.98 0.05 2.00 0.00 0.00 2.18 0.43 0.03 0.00 0.00 2.03 0.0 0 0 1 1 0 0 0 1 1 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.95 0.05 0.00 0.00 0.00 0.13 0.25 0.03 0.00 0.00 0.05 0.95 0.95 0.05 0.00 2.00 2.00 0.13 0.25 0.03 2.00 2.00 0.05 0.0 0 0 0 0 0 0 0 0 0 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.03 0.00 0.00 0.00 0.00 0.93 0.08 0.00 0.00 0.00 0.08 0.18 0.00 0.00 0.00 0.08 0.93 0.93 0.08 0.00 0.00 0.00 0.08 0.18 2.03 0.00 0.00 0.08 0.0 0 0 0 0 0 0 0 1 1 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.15 0.00 0.85 0.15 0.00 0.00 0.00 0.05 0.10 0.00 0.00 0.00 0.00 0.85 0.85 0.15 0.00 0.00 0.00 0.05 0.10 0.00 2.00 2.00 2.15 0.0 0 0 0 0 0 0 0 0 0 0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.78 0.78 0.23 0.00 0.00 0.00 0.00 0.08 0.00 0.00 0.00 0.23 0.00 0.78 0.23 0.00 0.00 0.00 0.00 0.08 0.00 0.00 0.00 0.23 2.0 0 0 0 0 0 0 0 0 0 0 0.58 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.58 0.00 0.40 0.03 0.00 0.00 0.00 0.00 0.00 0.00 0.03 0.40 0.00 2.58 0.40 0.03 0.00 0.00 0.00 0.00 0.00 0.00 0.03 0.40 2.0 0 0 0 0 0 0 0 0 0 0 0.40 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.68 0.00 0.53 0.08 0.00 0.00 0.00 0.00 0.00 0.00 0.08 0.53 0.00 2.40 0.53 0.08 0.00 0.00 0.00 0.00 0.00 0.00 0.08 0.53 2.0.00 0.48 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.30 0 0 0 0 0 0 0 0 0 0 0 0 0.30 0.00 0.23 0.00 0.00 0.00 0.00 0.00 0.00 0.23 0.48 0.00 0.30 2.48 0.23 0.00 0.00 0.00 0.00 0.00 0.00 0.23 0.48 2.0.00 0.00 0.43 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.43 0.00 0 0 0 0 0 0 0 0 0 0 0 0 0.10 0.43 0.00 0.05 0.00 0.00 0.00 0.00 0.05 0.43 0.00 0.10 0.10 0.43 2.43 0.05 0.00 0.00 0.00 0.00 0.05 0.43 2.43 0.0.00 0.00 0.00 0.20 0.00 0.00 0.00 0.00 0.20 0.70 0.00 0.00 0 0 0 0 1 1 1 1 0 0 0 0 0.00 0.18 0.68 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.15 0.00 0.00 0.18 0.68 2.20 2.00 2.00 2.00 2.00 2.20 2.70 0.15 0.Рис. 15 Пример выделения конгруэнтных, диверсивных и пассивных точек “f” при сравнивании с эталонной БД буквы “o” и получение симбиозной матрицы.

Симбиозные матрицы получаются в результате перенесения значений точек (не равных нулю) из конгруэнтных, диверсивных и пассивных матриц в одну общую матрицу. При этом в симбиозной матрице эти точки не будут накладываться по координатам друг на друга в силу построения.

Нулевые точки – это точки симбиозной матрицы, значения которых равны нулю.

Симбиозная матрица является итоговой матрицей, которая содержит в себе информацию, связанную с различными категориями масс – конгруэнтных, диверсивных, пассивных и нулевых (остаточных масс с нулевыми значениями). На основании глубокого анализа проделанной работы были выявлены закономерности для распознавания образов.

Гипотеза симбиоза масс Чем больше конгруэнтных и нулевых точек в симбиозной матрице и меньше диверсивных и пассивных точек, тем больше приближение изображения матрицы рецепторов к искомой сумматорной матрице образа, т.е. к реальному изображению.

Используя градацию деления точек сумматорной матрицы на различные категории и получая симбиозную матрицу, можно выявлять по определенным признакам принадлежность того или иного образа к определенному классу символов, применяя нейроматричную самоорганизацию сети.

Алгоритм нейросетевой самоорганизации матриц для распознавания образов.

Фактически задача заключается в том, что на основе 40 введенных конфигураций в БД для каждого символа выявить их характерные признаки и распознать изображение представленного на опознавание символа. Задача распадается на следующие шаги:

1. Загрузка БД, содержащую 2760 введенных эталонных символов из MS Excel файла, в программу;

2. Введение изображения произвольного символа для последующего опознавания на матрице рецепторов (12x16) и сохранение в формате.BMP (16 Color);

3. Считывание введенного изображения для распознавания из файла в программу;

4. Преобразование изображения из двоичного представления в табличный массив 0 и 1 программы, где 0 – определяет незакрашенные, а 1 – закрашенные ячейки массива;

5. Подсчет конгруэнтной промежуточной нейронной матрицы 2-го слоя;

6. Подсчет диверсивной промежуточной нейронной матрицы 2-го слоя;

7. Подсчет пассивной промежуточной нейронной матрицы 2-го слоя;

8. Подсчет итоговой симбиозной нейронной матрицы 3-го слоя, основанной на характеристиках матриц первого и второго слоев;

9. Выявление характеристик симбиозных матриц и вычисление итоговых значений на выходах;

10. Выявление наибольшего значения из выходов симбиозных матриц, определение его кода и ассоциирование с поступившим на вход изображением;

11. Корректировка сумматорной матрицы 1-го уровня (с учителем или без учителя) в случае высокой погрешности;

12. Переход к шагу 2, пока величина погрешности не будет удовлетворяющей.

Искусственная нейро-матричная сеть (ИНМС) построена по следующей схеме (рис. 16): на вход нейронной сети подается растровое изображение символа, вход можно представить как матрицу рецепторов, а изображение может быть представлено в виде последовательности 0 и 1, где 0 - незакрашенные ячейки, а 1 - закрашенные ячейки. Информация из матрицы рецепторов подается и трансформируется на второй уровень - класс нейронных матриц представителей и критериев оценок для каждого образа базы данных, после этого подсчитываются промежуточные веса и применяются критерии отбора элементов, которые также прописаны в матричном виде - третий уровень.

Рис. 16 Граф матричной искусственной нейронной сети с разделенной структурой неронов.

Следующим этапом является взвешивание полученных результатов с помощью вычисления целевой функции каждой матричной схемы, учитывая различные критерии оценок. После вычисления всех весов на последнем этапе просматриваются полученные результаты, и наивысшему значению будет соответствовать наиболее приближенный образ. В созданной схеме используется самоорганизация сети, т.е. после определения образа происходит перенастройка весов различных матриц критериев в цикле, таким образом, схема не является статической, а является динамически подстраиваемой и эффективно сходящейся.

На основе построения принципиально новой самоорганизующейся нейронной схемы и применения вероятностно-статистических методов были получены высокие результаты распознавания. Данный граф показывает структурную схему построенной искусственной нейронной сети (ИНС) для распознавания графических образов.

Ниже приводится более детализированная блок-схема нейронной сети для распознавания образов, на которой описаны основные этапы, включающие загрузку БД, ввод изображения для опознавания, получение сумматорных, конгруэнтных, диверсивных, пассивных и симбиозных матриц для каждого образа и подсчет целевой функции для выявления наивысшего приближенного значения определяющего код распознавания образа.

Блок-схема соответствующей ИНС для распознавания образов имеет следующий вид:

Начало Алгоритма Загрузка БД всех эталонных элементов в трехмерный массив программы.

Подача на поле рецепторов программы изображения символа для распознавания.

I Слой Подсчет значений Сумматорных матриц.

II Слой Калькулирование Калькулирование Калькулирование Конгруэнтных матриц Диверсивных матриц; Пасивных матриц.

III Слой Ц Синтез и калькулирование весов Симбиозных матриц.

Ц И И К К Сравнение полученных результатов для каждой Симбиозной матрицы и выявление максимального Л значения целевой функции.

Л Корректировка весов для соответствующей сумматроной матрицы Условие окончания алгоритма Нет Нет Да Конец Алгоритма Полученные результаты.

В результате проделанной работы была смоделирована программная модель, реализующая распознавание образов (арабских цифр, букв грузинского и латинского алфавитов) с помощью Искусственной Нейронной Сети (ИНС) и вероятностно-статистического анализа образов. Программа реализует перевод графической информации изображения символа в матричный вид, загружает внешнюю эталонную БД сумматорных таблиц в программу и вычисляет промежуточные: конгруэнтные, диверсивные и пассивные таблицы для каждого символа. Далее производится подсчет симбиозных матриц каждого символа, анализ взвешивания весов и получение результирующих значений, из которых выявляется наибольшее значение, определяющее код принадлежности к тому или иному символу (рис. 17).

Рис. 17 Фрагменты программы и анализ сумматорной, конгруэнтной, диверсивной и пассивной матриц.

Программа содержит новый подход в методологии с применением вероятностно-статистической ИНС. В результате апробации программы были получены высокие результаты распознавания образов. Программа смоделирована для рукописного почерка и легко адаптируется под конкретный шрифт в целях улучшения распознавания. При выборе конкретного шрифта для распознавания и нейро подстройки модели под этот шрифт с помощью откалиброванной начальной БД программа существенно повышает процент распознавания и достигает высокие результаты распознавания 97% и выше в зависимости от качества подстройки, что позволяет применить это программное модульное ядро для современного использования в других программах.

Программа сравнивает, анализирует и изменяет весовые характеристики весовых матриц, повышая эффективность и точность модели. Кроме этого, распознавание символов осуществляется довольно оперативно за миллисекунды, не используя при этом возможность распараллеливания, несмотря на структурное блочное разделение процессов. В целом созданная программа является уникальной и эффективной для распознавания любых плоских символов, которая основывается на рукописной эталонной БД с внедренной вероятностно-статистической ИНС и механизмами аналитических подсчетов и подстроек мульти-матричных слоев.

Заключение.

На основе проведенных исследований предложен новый метод распознавания образов с помощью построения трехслойной искусственной нейро-матричной сети без учителя, базирующийся на вероятностатистическом анализе точечных оценок весовых коэффициентов. Основные результаты диссертационной работы следующие:

1. В работе проработаны, выявлены и применены принципы и знания из теории нейробиологии, нейроинформатики, кибернетики, искусственного интеллекта, искусственных нейронных сетей на основе специальной литературы и ресурсов Интернета.

2. Сформирована База Данных (БД) эталонных образов, состоящая из 10 арабских цифр, 26 букв латинского и 33 букв грузинского алфавитов, содержащая 40 разновидностей растровых экземпляров для каждого символа с целью выявления и исследования общих графических характеристик и математических закономерностей структуры построения плоских символов для дальнейшей идентификации образов.

3. Проанализированы и подсчитаны статистические показатели точечных вероятностей для введенных растровых точек матриц, суммы весов, вероятностей, усредненных значений и медиан весов матриц, проведен контроль количества точек для всех эталонных образов, имеющих вероятности появления активных 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.

4. Построены графики зависимостей вертикальных и горизонтальных составляющих зондов изображения, линейные графики точечных весов, а также 3D-колонные диаграммы точечных вероятностей для каждого образа.

5. Введены новые определения и понятия, применяемые для распознавания образов: v-zond, h-zond, конгруэнтные, диверсивные, пассивные и нулевые точки матриц, а также конгруэнтные, диверсивные, пассивные и симбиозные виды матриц.

6. Созданы конгломератные статистические данные каждого символа, которые использованы при построении сумматорных матриц первого слоя ИНС, применена интерполяция первого и второго уровней для сглаживания и балансирования весовых коэффициентов сумматорной матрицы, построены промежуточные нейро-массивы второго слоя: конгруэнтные, диверсивные и нейтральные, а также симбиозные матрицы третьего слоя.

7. Сформирована трехслойная схема искусственной самообучающейся нейро-матричной сети для распознавания плоских графических образов без учителя, которая обрабатывает и модифицирует эталонную базу образов – сумматорную матрицу при сравнении с поданными на вход тестовыми изображениями.

8. Разработаны блок-схема и алгоритм обучения ИНС, скомпилированы проектные модули и апробировано программное обеспечение в среде RAD Borland Delphi на языке программирования Object Pascal.

9. Смоделированная программа производит глубокий анализ поступившего на опознавание образа, пропускает его через слои ИНС, сравнивает с каждым сумматорным матричным слепком из БД, выявляет закономерности, идентифицирует, при необходимости перестраивает весовые коэффициенты и определяет его принадлежность к конкретному классу символов.

10. Разработанная новая методика является унифицированной и может быть применена для распознавания плоских символов, знаков, печатных шрифтов, алфавитов, а также рукописных изображений.

11. Достигнута высокая эффективность и хороший процент распознавания образов – 97% для сравнительно компактных и разделенных множеств на первом же цикле обработки изображения, несмотря на минимизированный объем выборочного наборова БД и редуцированной матрицы рецепторов, что является показателем хорошо смоделированной структуры ИНС.

Pages:     | 1 |   ...   | 5 | 6 ||



© 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.