6.2. Лабораторная работа № 10. Распознавание образов с использованием искусственной нейронной сети

Цель работы: освоение методов распознавания образов на базе искусственных нейронных сетей.

Рекомендации по выполнению работы

А. Описание задачи

На основе предъявленного образа (графического файла) требуется автоматическое определение цифры, изображенной в файле.

Поэтапно процедура разработки и обучения сети выглядит следующим образом.

Этап 1. Определение характеристик распознаваемых образов:

• тип распознаваемых образов – растровый графический файл;

• набор измеряемых параметров образов – образ задается совокупностью пикселей, каждый из которых характеризуется интенсивностью красного, зеленого и синего цветов (модель RGB);

• классы распознаваемых образов – цифры от 0 до 9 (10 классов).

Этап 2. Изображение, находящееся в файле, можно пропустить через «черно-белый» фильтр, разбить на стандартное количество одинаковых сегментов (например, заданных матрицей 8 × 10) и определить для каждого сегмента преобладающий цвет (черный или белый).

Таким образом, вектор входных величин сети для отдельного распознаваемого образа (файла) будет состоять из одного и того же количества элементов (8 × 10 = 80 элементов), каждый из которых может принимать значения: 1 (цвет сегмента черный) или 0 (цвет сегмента белый).

Рис. 48. Преобразование исходного образа

Количество элементов вектора выходных величин будет соответствовать количеству классов распознаваемых образов. Значения элементов вектора нормализованы и равны 1 (признак принадлежности к классу) или 0 (в противном случае).

Этап 3. Проектирование архитектуры искусственной нейронной сети:

• количество слоев – 3;

• количество нейронов в слое:

• входном – 80;

• промежуточном – 40;

• выходном – 10;

• тип связей между нейронами – прямые;

• функция активации – сигмоидальная .

• первая производная функции активации – .

Этап 4. Обучение сети выполняется с помощью алгоритма с обратным распространением ошибки.

Для обучения экспертом приготовлено 20 обучающих образов – по два на каждый класс (цифру), один из которых эталонный (идеальный) и один с незначительной модификацией. Каждый образ характеризуется строго определенными векторами входных и выходных величин. Вектор входных величин соответствует преобразованному обучающему образу (файлу) и состоит из 80 элементов, значения которых 0 или 1 согласно цвету сегмента. Вектор выходных величин соответствует классу, которому принадлежит образ, и состоит из 10 элементов, значения которых равны 1 или 0. Так, для обучающего образа цифры «0» вектор выходных величин – [1, 0, 0, 0, 0, 0, 0, 0, 0, 0].

Перед процедурой обучения весовые коэффициенты всех связей инициализируются малыми случайными значениями в диапазоне [-0.3, 0.3].

При обучении все 20 образов последовательно прогоняются через сеть с корректировкой весовых коэффициентов после прогона каждого образа. Данная процедура повторяется 500 раз (количество эпох – 500). Норма обучения принята равной 0.1.

Этап 5. Тестирование сети выполняется с помощью контрольных образов. Например, если на вход сети был подан образ цифры «2», а на выходе получен вектор [0 0.11 0.76  0.23  0.01 0.05 0 0 0 0.25], то распознавание прошло успешно.

Задание на выполнение работы

Разработать программу «Распознавание образов», отвечающую следующим требованиям.

А. Распознавание образов должно выполняться искусственной нейронной сетью, обучаемой по алгоритму с обратным распространением ошибки. Общие требования к сети и программе:

• связи между нейронами – прямые;

• количество скрытых слоев – 1;

• количество нейронов выходного слоя (классов образов) – не менее 4;

• количество обучающих образов – не менее 1 на каждый класс образов;

• функция активации – сигмоидальная ;

• распознаваемые (тестовые) образы – формируются пользователем;

• норма обучения и количество эпох обучения – задаются пользователем;

• режим обучения или распознавания – задается пользователем.

Примерный интерфейс программы показан на рис. 49.

Рис. 49. Программа «Искусственная нейронная сеть»¹⁵

Б. Индивидуальный вариант выбрать согласно табл. 16.

Таблица 16