Читать диплом по физике: "Сравнительный анализ нейросетевых реализаций алгоритмов распознавания образов" Страница 1

(Назад) (Cкачать работу)

МИНИСТЕРСТВО ОБЩЕГО И ПРОФЕССИОНАЛЬНОГО

ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ РОСТОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ КАФЕДРА БИОФИЗИКИ И БИОКИБЕРНЕТИКИ ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА на тему:Сравнительный анализ нейросетевых реализаций

алгоритмов распознавания образов. СтудентИ.Е.Шепелев Научный руководительА.И.Самарин К ЗАЩИТЕ ДОПУСКАЮ

Зав. кафедройд.б.н,профессор

Б.М.Владимирскийг.Ростов-на-Дону

1998 г. ОГЛАВЛЕНИЕ Стр.

Введение2

Общее описание исследуемых нейронных сетей. Однослойные сети. Персептрон. Многослойные сети. Сети Хопфилда. Описание программных моделей и алгоритмов их обучения. Методика и результаты экспериментальных исследований. Проблема функции ИСКЛЮЧАЮЩЕЕ ИЛИ.

3.2 Исследование представляемости однослойной и двухслойнойнейронной сети.

Релаксация стимула. Возникновение ложного образа. Выработка прототипа. Бистабильность восприятия.

Заключение.

Литература.

Приложение 1.

Приложение 2. Введение.Основным назначением системы распознавания образов является отыскание решения о принадлежности предъявляемых ей образов некоторому классу. Один из важных подходов к задаче предполагает использование разделяющих функций. В условиях, когда мы обладаем лишь немногочисленными априорными сведениями о распознаваемых образах, при построении распознающей системы лучше всего использовать обучающую процедуру. На первом этапе выбираются произвольные разделяющие функции и затем в процессе выполнения итеративных шагов обучения эти разделяющие функции доводятся до оптимального либо приемлемого вида.

К определению разделяющих функций в настоящее время существует несколько подходов. В данной работе рассматриваются два из них, которые имеют соответствующие нейросетевые реализации. Первый из них - персептронный подход.

В начале 60х годов Минский, Розенблатт, Уиндроу и другие разработали сети, состоящие из одного слоя искусственных нейронов. Часто называемые персептронами, они были использованы для широкого класса задач, в том числе и искусственного зрения. Однако Минский и Пайперт [2] доказали, что используемые в то время однослойные сети теоретически неспособны решить многие простые задачи.

Сети обратного распространения - наиболее успешный, по-видимому, из современных алгоритмов, преодолевает ограничения, указанные Минским. Обратное распространение является систематическим методом для обучения многослойных сетей.

Второй подход при определении разделяющих функций использует понятие потенциальной энергии. Так Хопфилдом [7] в задаче о релаксации некоторого начального состояния к одному из устойчивых состояний нейронной сети было введено понятие потенциальной энергии, которая уменьшалась в процессе релаксации. Соответствующие нейронные сети известны в литературе как сети Хопфилда. Это сети с обратными связями, которые в связи с этим обладают некоторыми свойствами, заслуживающими внимания.

На этапе бакалаврской работы цель состояла в создании компьютерных моделей указанных выше нейронных сетей и анализе некоторых свойств, связанных с их обучением и распознаванием ими образов. 1.Общее описание исследуемых нейронных сетей.

Однослойные сети.

Похожие работы