- •1)Компьютеры и мозг. Нейрокомпьютеры
- •2)Нейрокомпьютеры, их особенности и архитектура
- •3)Одиночный нейрон, топология и функции активации
- •4)Персептрон Розенблата. Алгоритм обучения
- •5)Классификация базовых архитектур, типы обучения
- •6)Дельта-обучающее правило нс (линейная функция активации)
- •7)Дельта-обучающее правило нс (нелинейная функция активации)
- •8)Нс – обучение с учителем (метод обратного распространения ошибки)
- •10. Сжатие многомерной информации на основе метода главных компонент.
- •9. Обучение без учителя – сжатие информации.
- •11. Физический смысл и информационная значимость собственных чисел в методе главных компонент.
- •12. Нейрон индикатор – правило обучения Хебба.
- •13. Нейрон индикатор – правило обучения Ойя.
- •14. Соревновательное обучение нейронов – кластеризация.
- •15. Победитель забирает все
- •17. Рекуррентные сети (ассоциативная память).
- •18. Сеть Хопфилда как ассоциативная память
- •19. Сеть Хэмминга.
- •20. Методы предварительной обработки данных.
- •Обработка данных методом независимых компонент.
- •22. Нс и статистика – связь и отличия.
- •23. Томография – проекции.
- •24. Теорема о проекционном срезе.
- •25. Алгоритм фильтрованной обратной проекции.
- •26. Влияние числа проекций на эффективность томографического восстановления.
- •27. Природа численной неустойчивости алгоритма фильтрованной обратной проекции.
- •Статистические характеристики для классификации текстур.
- •1. Математическое ожидание (expected value) случайной величины
- •2.Дисперсия (variance) случайной величины.
- •3. Cтандартное отклонение (standard deviation). Одно из важнейших понятий математической статистики.
- •Спектрально-коррелляционные характеристики классификации текстур.
- •Выделение информативных признаков сигналов и изображений в пространстве параметров модели линейного предсказания.
- •31. Классификация сигналов в пространстве параметров нелинейной модели Вольтера.
26. Влияние числа проекций на эффективность томографического восстановления.
Восстановление изображения среза по сумме собранных проекций является чрезвычайно сложным процессом, и конечный результат представляет собой некую матрицу с относительными числами, соответствующую уровню поглощения каждой точки в отдельности.
Практически задача восстановления, заключающаяся в решении интегрального уравнения
,
может быть сформулирована следующим образом: по конечному числу проекций , измеренных под разными углами и заданных в свою очередь дискретно, требуется восстановить значение функции f(u,v). Количество проекций существенно влияет на точность восстанавливаемого изображения.
В компьютерных томографах применяются матрицы первичного изображения 256х256, 320х320, 512х512 и 1024х1024 элементов. Качество изображения растет при увеличении числа детекторов, увеличении количества регистрируемых проекций за один оборот трубки и при увеличении первичной матрицы. Увеличение количества регистрируемых проекций ведет к повышению лучевой нагрузки, применение большей первичной матрицы — к увеличению времени обработки.
27. Природа численной неустойчивости алгоритма фильтрованной обратной проекции.
Фильтрованная обратная проекция - методика, чтобы исправить размывание, с которым сталкиваются в простой обратной проекции. Каждое представление фильтровано перед обратной проекцией, чтобы противодействовать размыванию. То есть каждое из одномерных представлений свернута с одномерным ядром фильтра, чтобы создать набор фильтрованных представлений. Эти фильтрованные представления - тогда проектированы назад, чтобы обеспечить восстановленное изображение, близко аппроксимированное к "правильному" изображению. Фактически, изображение, произведенное фильтрованным обратным проектированием идентично "правильному" изображению, когда имеется бесконечное число представлений и бесконечное число точек в представление.
Недостатком являются жесткие требования, предъявляемые к выбору проекционных данных. В частности, когда данные представляются в виде двумерных проекций для удовлетворительного
качества реконструкции их требуется достаточно много.
Алгебраические алгоритмы компьютерной томографии часто используются при недостатке проекционных данных, в том числе в задачах с малым количеством ракурсов, а также в тех случаях, когда набор данных имеет нерегулярную структуру. При этом производится
предварительное разложение реконструируемой функции и проекционных данных по некоторым базисам. Связь между ними задается проецирующим оператором, строящимся исходя из
конкретной постановки. Важным в практическом отношении является линейный случай; тогда задача сводится к обращению матрицы. Недостатком этих алгоритмов является недостаточно высокая точность.
Статистические характеристики для классификации текстур.
При текстурной сегментации изображения производится разделение исходного изображения на участки с однородным свойством - текстурой, затем определяются основные параметры этих участков, необходимые для принятия решения. Текстура объектов представляет из себя некоторый повторяющийся рисунок, из которого формируются различные участки объекта.
Статистические характеристики для оценки текстурных изображений: